Criando uma saída estruturada

Saídas estruturadas são fundamentais para extrair resultados consistentes de Large Language Models, o que é crucial em muitas aplicações.

Aqui, você vai usar a biblioteca pydantic para definir as propriedades que descrevem um personagem de Romeu e Julieta por meio de uma classe Character. No próximo exercício, você usará isso para extrair personagens como saídas estruturadas a partir de um trecho da peça.

Este exercicio faz parte do curso

Graph RAG com LangChain e Neo4j

Instruções do exercicio

Crie uma classe Character que herde da classe base adequada do pydantic.
Defina a propriedade name da classe.
Defina uma propriedade opcional family para contemplar personagens cuja família pode ser desconhecida.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

from pydantic import BaseModel, Field
from typing import Optional

# Inherit the correct pydantic class
class Character(____):
	# Describe the name property
	name: str = ____(description="The full name of the character")                
	# Set family to optional
	____: Optional[str] = Field(description="The name of the family they belong to")

Editar e Executar Código

Este exercicio faz parte do curso

Graph RAG com LangChain e Neo4j

AvançadoNível de habilidade

4.8+

Comece o curso gratuitamente

Aprenda como o Graph RAG pode melhorar a precisão e a confiabilidade de aplicações RAG! Armazene informações como nós e arestas em um banco de dados Neo4j e dê ao seu LLM a capacidade de consultá-lo para recuperar informações de entidades e relacionamentos e, assim, fornecer respostas mais embasadas.

Exercise 1: Grafos e RAG Exercise 2: Criando nós Exercise 3: Criando relacionamentos Exercise 4: Salvando documentos de grafo Exercise 5: Consultando um grafo de conhecimento Exercise 6: Escrevendo instruções Cypher Exercise 7: Executando instruções Cypher Exercise 8: A cláusula MERGE Exercise 9: Graph RAG de texto para Cypher com Neo4j Exercise 10: Criando uma chain de text-to-Cypher Exercise 11: Cadeia de recuperação Text-to-Cypher

Aplicações de Text-to-Cypher funcionam bem em muitos cenários, mas dá para ir além! Descubra como construir bancos de dados de grafo usando diferentes modelos, incluindo grafos lexicais e de domínio. Crie índices vetoriais no Neo4j para ter o melhor dos dois mundos e executar recuperação por grafo e por vetor ao mesmo tempo!

Exercise 1: Grafos lexicais Exercise 2: Elementos de um grafo lexical Exercise 3: Dividindo a peça em Atos Exercise 4: Criando um grafo lexical hierárquico Exercise 5: Combinando grafos lexicais com busca vetorial Exercise 6: Criando fragmentos de texto Exercise 7: Criando um índice vetorial Exercise 8: Grafos de domínio Exercise 9: Criando uma saída estruturada

Exercicio Atual

Exercise 10: Solicitando uma saída estruturada Exercise 11: Fornecendo exemplos few-shot Exercise 12: Construindo uma cadeia de recuperação híbrida Exercise 13: Lambdas executáveis (runnables)Exercise 14: Atribuindo valores adicionais a uma entrada Exercise 15: O elo final da cadeia

Embora aplicações de Graph RAG geralmente sejam mais confiáveis do que vector RAG, elas não são infalíveis. Neste capítulo, você vai aprender a avaliar suas aplicações de Graph RAG, identificar nós de grafo incorretos ou duplicados e integrar memória de longo prazo para que as preferências do usuário sejam aprendidas ao longo do tempo.

Exercise 1: Resolução de entidades Exercise 2: Usando entidades extraídas Exercise 3: Resolução de entidades baseada em grafo Exercise 4: Avaliando Graph RAG com RAGAS Exercise 5: Criando uma avaliação com Ragas Exercise 6: Avaliando a recuperação de contexto com Ragas Exercise 7: Grafos de memória Exercise 8: Salvando a memória da conversa no grafo Exercise 9: Extraindo fatos de históricos de conversa Exercise 10: Usando fatos extraídos da conversa Exercise 11: Parabéns!