Zapisywanie pamięci konwersacji w grafie

Najprostszą strategią przechowywania historii czatu jest zapisywanie wszystkich wiadomości w bazie danych dokładnie w takiej postaci, w jakiej się pojawiają. To rozwiązanie jest łatwe w implementacji, ale wyodrębnienie informacji z dłuższych konwersacji bywa zawodne. W przypadku długich rozmów mogą też pojawić się problemy z kosztami i opóźnieniami — ze względu na dużą liczbę tokenów przesyłanych przy każdym zapytaniu.

To ćwiczenie jest częścią kursu

Graph RAG z LangChain i Neo4j

Instrukcje do ćwiczenia

Utwórz instancję klasy do przechowywania wiadomości czatu w bazie Neo4j, korzystając z podanych poświadczeń i zmiennej SESSION_ID.
Rozpocznij konwersację, dodając wiadomość od użytkownika.
Dodaj do konwersacji odpowiedź wygenerowaną przez AI.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

from langchain_neo4j import Neo4jChatMessageHistory

# Store chat history in Neo4j
history = ____(
    url=NEO4J_URL,
    username=NEO4J_USERNAME,
    password=NEO4J_PASSWORD,
    ____=SESSION_ID,
)

# Add a user message
history.____("My favourite character is Juliet.")

# Add an AI message
history.____("Great choice! Juliet is a multi-faceted and complex character.")

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Graph RAG z LangChain i Neo4j

SkillTag.level.advancedSkillTag.label

4.8+

Rozpocznij kurs za darmo

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.

Exercise 1: Grafy i RAG Exercise 2: Tworzenie węzłów Exercise 3: Tworzenie relacji Exercise 4: Zapisywanie dokumentów grafu Exercise 5: Odpytywanie grafu wiedzy Exercise 6: Pisanie zapytań w Cypher Exercise 7: Wykonywanie instrukcji Cypher Exercise 8: Klauzula MERGE Exercise 9: Graph RAG z Neo4j: od tekstu do Cypher Exercise 10: Budowanie łańcucha text-to-Cypher Exercise 11: Łańcuch pobierania danych text-to-Cypher

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!

Exercise 1: Grafy leksykalne Exercise 2: Elementy grafu leksykalnego Exercise 3: Podział sztuki na akty Exercise 4: Tworzenie hierarchicznego grafu leksykalnego Exercise 5: Łączenie grafów leksykalnych z wyszukiwaniem wektorowym Exercise 6: Tworzenie fragmentów tekstu Exercise 7: Tworzenie indeksu wektorowego Exercise 8: Grafy domenowe Exercise 9: Tworzenie strukturalnego wyjścia Exercise 10: Żądanie ustrukturyzowanego wyjścia Exercise 11: Podawanie przykładów few-shot Exercise 12: Tworzenie hybrydowego łańcucha pobierania danych Exercise 13: Uruchamialne funkcje lambda Exercise 14: Przypisywanie dodatkowych wartości do wejścia Exercise 15: Ostatnie ogniwo łańcucha

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.

Exercise 1: Rozwiązywanie konfliktów encji Exercise 2: Wykorzystywanie wyodrębnionych encji Exercise 3: Rozwiązywanie konfliktów encji na podstawie grafu Exercise 4: Ocena Graph RAG za pomocą RAGAS Exercise 5: Tworzenie ewaluacji w Ragas Exercise 6: Ocena pobierania kontekstu za pomocą Ragas Exercise 7: Grafy pamięci Exercise 8: Zapisywanie pamięci konwersacji w grafie

Bieżące ćwiczenie

Exercise 9: Ekstrakcja faktów z historii konwersacji Exercise 10: Korzystanie z wyodrębnionych faktów z rozmowy Exercise 11: Gratulacje!