Poznaj Graph RAG i sprawdź, jak poprawia dokładność oraz niezawodność aplikacji RAG! Przechowuj informacje jako węzły i krawędzie w bazie Neo4j, a następnie daj swojemu dużemu modelowi językowemu możliwość odpytywania bazy — aby pobierał informacje o encjach i relacjach i udzielał trafnych odpowiedzi.

Grafy i RAG

Tworzenie węzłów

Tworzenie relacji

Zapisywanie dokumentów grafu

Odpytywanie grafu wiedzy

Pisanie zapytań w Cypher

Wykonywanie instrukcji Cypher

Klauzula MERGE

Graph RAG z Neo4j: od tekstu do Cypher

Budowanie łańcucha text-to-Cypher

Łańcuch pobierania danych text-to-Cypher

Pierwsze kroki z Graph RAG i Neo4j

Aplikacje text-to-Cypher sprawdzają się w wielu sytuacjach, ale możemy zrobić jeszcze więcej! Odkryj, jak budować bazy grafowe przy użyciu różnych modeli grafowych — w tym grafów leksykalnych i dziedzinowych. Twórz indeksy wektorowe w Neo4j, by korzystać z zalet obu podejść i uruchamiać wyszukiwanie grafowe oraz wektorowe jednocześnie!

Grafy leksykalne

Elementy grafu leksykalnego

Podział sztuki na akty

Tworzenie hierarchicznego grafu leksykalnego

Łączenie grafów leksykalnych z wyszukiwaniem wektorowym

Tworzenie fragmentów tekstu

Tworzenie indeksu wektorowego

Grafy domenowe

Tworzenie strukturalnego wyjścia

Żądanie ustrukturyzowanego wyjścia

Podawanie przykładów few-shot

Tworzenie hybrydowego łańcucha pobierania danych

Uruchamialne funkcje lambda

Przypisywanie dodatkowych wartości do wejścia

Ostatnie ogniwo łańcucha

Modele grafowe i hybrydowy RAG

Choć aplikacje Graph RAG są na ogół bardziej niezawodne niż wektorowy RAG, nie są bezbłędne. W tym rozdziale nauczysz się oceniać aplikacje Graph RAG, wykrywać nieprawidłowe lub zduplikowane węzły grafu oraz integrować pamięć długoterminową, dzięki której model będzie uczyć się preferencji użytkownika z biegiem czasu.

Rozwiązywanie konfliktów encji

Wykorzystywanie wyodrębnionych encji

Rozwiązywanie konfliktów encji na podstawie grafu

Ocena Graph RAG za pomocą RAGAS

Tworzenie ewaluacji w Ragas

Ocena pobierania kontekstu za pomocą Ragas

Grafy pamięci

Zapisywanie pamięci konwersacji w grafie

Ekstrakcja faktów z historii konwersacji

Korzystanie z wyodrębnionych faktów z rozmowy

Gratulacje!

Poprawa jakości wyszukiwania

Masz już dość wektorów, osadzeń i aplikacji opartych na wektorowym RAG? Dobrze trafiłeś! W tym kursie odkryjesz, jak Graph RAG znacząco poprawia dokładność i niezawodność aplikacji RAG — dzięki przechowywaniu i odpytywaniu informacji w postaci węzłów i relacji. Połącz bazy grafowe Neo4j z LangChain i uzyskaj naprawdę efektywny sposób pobierania oraz integrowania zewnętrznych danych z dużymi modelami językowymi.

<h2>Podnieś poziom swoich aplikacji RAG dzięki grafom</h2>Czy masz już dość wektorów, embeddingów i aplikacji RAG opartych na wektorach? Nie szukaj dalej! W tym kursie dowiesz się, jak Graph RAG może znacząco zwiększyć dokładność i niezawodność aplikacji RAG, przechowując i wyszukując informacje w postaci węzłów i relacji. Połącz bazy danych grafowych Neo4j z LangChain, aby uzyskać naprawdę świetny sposób na pobieranie i integrowanie danych zewnętrznych z LLM.<br><br><h2>Twórz bazy danych grafowych Neo4j z nieustrukturyzowanego tekstu</h2>Co jeśli mój zbiór danych to nieuporządkowany, nieustrukturyzowany tekst, a nie graf? Nie martw się — nauczysz się, jak korzystać z LLMs z uporządkowanymi wynikami, aby wyodrębniać encje i relacje z tekstu oraz tworzyć nowe węzły i relacje dla swojej bazy danych grafowych. Wykorzystasz bibliotekę Pydantic do definiowania precyzyjnych struktur danych, które Twój LLM wypełni wyodrębnionymi danymi tekstowymi.<br><br><h2>Połącz wektory i grafy w hybrydowym RAG</h2>Nie musisz wybierać między wektorami a grafami — możesz korzystać z zalet obu rozwiązań! Dowiedz się, jak pobierać dane z obu źródeł w jednym przepływie pracy i jak precyzyjnie tworzyć prompt’y, aby zintegrować je w hybrydowej aplikacji RAG.<br><br><h2>Zintegruj długoterminową pamięć chatbota</h2>Bazy grafowe, takie jak Neo4j, to nie tylko świetne bazy wiedzy do wyszukiwania informacji – możesz w nich także przechowywać długoterminowe dane, takie jak fakty o użytkownikach i ich preferencje, w formie grafów! Ta długoterminowa pamięć może być następnie przeszukiwana tak jak każda inna baza danych grafowych, aby zintegrować te preferencje i spersonalizować Twoje aplikacje.

Retrieval Augmented Generation (RAG) with LangChain

Twórz dokładniejsze i niezawodne systemy RAG z Graph RAG i hybrydowym RAG.

Graph RAG z LangChain i Neo4j

Twórz dokładniejsze i bardziej niezawodne systemy RAG dzięki Graph RAG i hybrydowemu RAG.

Ocena pobierania kontekstu za pomocą Ragas

Graph RAG z LangChain i Neo4j

Instrukcje do ćwiczenia

Interaktywne ćwiczenie praktyczne