Usando fatos extraídos da conversa

Agora é hora de aplicar seu LLM com saídas estruturadas! O llm_with_output que você criou no exercício anterior ainda está disponível, e o template de prompt para esse LLM já foi fornecido.

Este exercicio faz parte do curso

Graph RAG com LangChain e Neo4j

Instruções do exercicio

Faça o pipe do template de prompt de chat fornecido para o LLM com saída estruturada (llm_with_output).
Invoque a cadeia com o usuário e o ID de sessão fornecidos, passando as mensagens do histórico (history).

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

chain = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template("""
    	You are talking to {user}, the user of the application. 
        Any facts in the first person relate to {user}.
        The Session ID is {session_id}.
    	Extract the facts from the conversation and return them in the format of object, subject, predicate.
    """),
    # Pipe the chat prompt template into the LLM with structured output
    MessagesPlaceholder(variable_name="history")
]) | ____

# Invoke the chain, passing it the messages from the history
chain.invoke({"user": USER, "session_id": SESSION_ID, "history": ____})

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 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

Exercicio Atual

Exercise 11: Parabéns!