Află cum Graph RAG poate îmbunătăți acuratețea și fiabilitatea aplicațiilor RAG! Stochează informații ca noduri și muchii într-o bază de date Neo4j și oferă LLM-ului tău capacitatea de a o interoga, astfel încât să poată recupera informații despre entități și relații și să ofere răspunsuri bine fundamentate.

Grafuri și RAG

Crearea nodurilor

Crearea relațiilor

Salvarea documentelor de graf

Interogarea unui graf de cunoștințe

Scrierea instrucțiunilor Cypher

Executarea instrucțiunilor Cypher

Clauza MERGE

Graph RAG Text-to-Cypher cu Neo4j

Construirea unui lanț text-to-Cypher

Lanț de recuperare Text-to-Cypher

Introducere în Graph RAG și Neo4j

Aplicațiile text-to-Cypher funcționează bine în multe situații, dar putem face și mai mult! Descoperă cum să construiești baze de date graf folosind diferite modele de graf, inclusiv grafuri lexicale și grafuri de domeniu. Creează indecși vectoriali Neo4j pentru a beneficia de ambele lumi și a rula simultan recuperarea prin graf și prin vector!

Grafuri lexicale

Elementele unui graf lexical

Împărțirea piesei în acte

Crearea unui graf lexical ierarhic

Combinarea grafurilor lexicale cu căutarea vectorială

Crearea fragmentelor de text

Crearea unui index vectorial

Grafuri de domeniu

Crearea unui output structurat

Solicitarea unei ieșiri structurate

Furnizarea de exemple few-shot

Construirea unui lanț de regăsire hibrid

Runnable lambda-uri

Atribuirea de valori suplimentare unui input

Ultima verigă din lanț

Modele de graf și RAG hibrid

Deși aplicațiile Graph RAG sunt în general mai fiabile decât cele vector RAG, nu sunt infailibile. În acest capitol, vei învăța să evaluezi aplicațiile Graph RAG, să identifici noduri de graf incorecte sau duplicate și să integrezi memorie pe termen lung, astfel încât preferințele utilizatorilor să poată fi învățate în timp.

Rezoluția entităților

Utilizarea entităților extrase

Rezoluția entităților bazată pe graf

Evaluarea Graph RAG cu RAGAS

Crearea unei evaluări Ragas

Evaluarea recuperării contextului cu Ragas

Grafuri de memorie

Salvarea memoriei conversației în graf

Extragerea faptelor din istoricul conversațiilor

Utilizarea faptelor extrase din conversație

Felicitări!

Îmbunătățirea calității recuperării

Ți s-au părut suficiente vectorii, embeddingurile și aplicațiile vector RAG? Atunci ai ajuns unde trebuie! În acest curs, vei descoperi cum Graph RAG poate îmbunătăți semnificativ acuratețea și fiabilitatea aplicațiilor RAG, stocând și interogând informații sub formă de noduri și relații. Combină bazele de date graf Neo4j cu LangChain și obții o modalitate cu adevărat puternică de a recupera și integra date externe cu LLM-uri.

<h2>Du-ți aplicațiile RAG la nivelul următor cu grafuri</h2>Te-ai plictisit deja de vectori, embeddinguri și aplicații RAG bazate pe vectori? Nu mai căutați! În acest curs, vei descoperi cum Graph RAG poate îmbunătăți considerabil acuratețea și fiabilitatea aplicațiilor RAG prin stocarea și interogarea informațiilor sub formă de noduri și relații. Combină bazele de date graf Neo4j cu LangChain și obții o modalitate cu adevărat excelentă de a prelua și integra date externe cu LLM-uri.<br><br><h2>Creează baze de date graf Neo4j din text nestructurat</h2>Ce se întâmplă dacă setul meu de date este text nestructurat dezordonat, nu un graf? Nu intra în panică&mdash;vei învăța cum să folosești LLM-urile cu outputuri structurate pentru a extrage entități și relații din text și pentru a crea noi noduri și relații pentru baza ta de date graf. Vei utiliza biblioteca Pydantic pentru a defini structuri de date stricte pe care LLM-ul tău să le completeze cu date text extrase.<br><br><h2>Combină vectorii și grafurile pentru RAG hibrid</h2>Nu trebuie să alegi între vectori și grafuri&mdash;poți avea ce e mai bun din ambele lumi! Descoperă cum poți extrage din ambele surse de date într-un singur flux de lucru și cum poți construi cu atenție prompturi pentru a le integra într-o aplicație RAG hibridă.<br><br><h2>Integrează memoria pe termen lung a chatbotului</h2>Bazele de date grafice precum Neo4j nu sunt utile doar ca baze de cunoștințe pentru recuperare, ci poți stoca și informații pe termen lung, precum datele și preferințele utilizatorilor, sub formă de grafuri! Această memorie pe termen lung poate fi apoi interogată la fel ca orice altă bază de date graf pentru a integra aceste preferințe și a personaliza aplicațiile tale.

Retrieval Augmented Generation (RAG) with LangChain

Creați sisteme RAG mai precise și fiabile cu Graph RAG și RAG hibrid.

Graph RAG cu LangChain și Neo4j

Creează sisteme RAG mai precise și mai fiabile cu Graph RAG și hybrid RAG.

Manager, Developer Education at Neo4j

Folosirea relațiilor în căutarea semantică

De la proprietăți text la embeddings

Neo4j ca vector store

Împărțirea proprietăților existente ale nodurilor în fragmente

Crearea unui index vectorial pe un graf existent

Recuperare vectorială cu LCEL

Hai să exersăm!

Modele de graf și RAG hibrid - Combinarea grafurilor lexicale cu căutarea vectorială

Combinarea grafurilor lexicale cu căutarea vectorială

Create Your Free Account