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.

Grafos e RAG

Criando nós

Criando relacionamentos

Salvando documentos de grafo

Consultando um grafo de conhecimento

Escrevendo instruções Cypher

Executando instruções Cypher

A cláusula MERGE

Graph RAG de texto para Cypher com Neo4j

Criando uma chain de text-to-Cypher

Cadeia de recuperação Text-to-Cypher

Primeiros passos com Graph RAG e Neo4j

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!

Grafos lexicais

Elementos de um grafo lexical

Dividindo a peça em Atos

Criando um grafo lexical hierárquico

Combinando grafos lexicais com busca vetorial

Criando fragmentos de texto

Criando um índice vetorial

Grafos de domínio

Criando uma saída estruturada

Solicitando uma saída estruturada

Fornecendo exemplos few-shot

Construindo uma cadeia de recuperação híbrida

Lambdas executáveis (runnables)

Atribuindo valores adicionais a uma entrada

O elo final da cadeia

Modelos de grafo e Hybrid RAG

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.

Resolução de entidades

Usando entidades extraídas

Resolução de entidades baseada em grafo

Avaliando Graph RAG com RAGAS

Criando uma avaliação com Ragas

Avaliando a recuperação de contexto com Ragas

Grafos de memória

Salvando a memória da conversa no grafo

Extraindo fatos de históricos de conversa

Usando fatos extraídos da conversa

Parabéns!

Aprimorando a qualidade da recuperação

Cansou de vetores, embeddings e aplicações de vector RAG? Então vem com a gente! Neste curso, você vai descobrir como o Graph RAG pode melhorar muito a precisão e a confiabilidade de aplicações RAG ao armazenar e consultar informações na forma de nós e relacionamentos. Combine bancos de dados de grafos Neo4j com LangChain e você terá uma maneira realmente incrível de recuperar e integrar dados externos com LLMs.

<h2>Aprimore suas aplicações RAG com grafos</h2>Já está cansado de vetores, embeddings e aplicações RAG baseadas em vetores? Não procure mais! Neste curso, você vai descobrir como o Graph RAG pode aumentar significativamente a precisão e a confiabilidade das aplicações RAG ao armazenar e consultar informações na forma de nós e relacionamentos. Combine bancos de dados em grafo Neo4j com LangChain e descubra uma maneira incrível de recuperar e integrar dados externos com LLMs.<br><br><h2>Crie bancos de dados de grafos Neo4j a partir de texto não estruturado</h2>E se meu conjunto de dados for um texto bagunçado e não estruturado em vez de um grafo? Não se preocupe — você vai aprender a usar LLMs com saídas estruturadas para extrair entidades e relacionamentos de textos, além de criar novos nós e relacionamentos para o seu banco de dados de grafos. Você vai utilizar a biblioteca Pydantic para definir estruturas de dados rigorosas para que seu LLM preencha com os dados de texto extraídos.<br><br><h2>Combine Vetores e Grafos para RAG Híbrido</h2>Você não precisa escolher entre vetores e grafos — é possível aproveitar o melhor dos dois mundos! Descubra como você pode recuperar informações de ambas as fontes de dados em um único fluxo de trabalho e criar prompts cuidadosamente para integrá-las em uma aplicação híbrida de RAG.<br><br><h2>Integre Memória de Longo Prazo em Chatbots</h2>Bancos de dados em grafo como o Neo4j não servem apenas como bases de conhecimento para recuperação de informações — você também pode armazenar dados de longo prazo, como fatos e preferências dos usuários, em forma de grafos! Essa memória de longo prazo pode então ser consultada como qualquer outro banco de dados de grafos para integrar essas preferências e personalizar suas aplicações.

Retrieval Augmented Generation (RAG) with LangChain

Crie sistemas RAG mais precisos e confiáveis com Graph RAG e RAG híbrido.

Graph RAG com LangChain e Neo4j

Aprimore a precisão e confiabilidade dos sistemas RAG com Graph RAG e hybrid RAG.

Avaliando a recuperação de contexto com Ragas

Graph RAG com LangChain e Neo4j

Instruções do exercicio

exercicio interativo prático