Crearea unui output structurat

Outputurile structurate sunt esențiale pentru a extrage rezultate consistente din modelele de limbaj de mari dimensiuni – lucru crucial în numeroase aplicații.

Aici vei folosi biblioteca pydantic pentru a defini proprietățile ce descriu un personaj din Romeo și Julieta, printr-o clasă Character. În exercițiul următor, vei folosi această clasă pentru a extrage personaje ca outputuri structurate dintr-un fragment al piesei.

Acest exercițiu face parte din cursul

Graph RAG cu LangChain și Neo4j

Instrucțiuni pentru exercițiu

Creează o clasă Character care extinde clasa de bază potrivită din pydantic.
Definește proprietatea name a clasei.
Definește o proprietate opțională family, pentru a acoperi cazurile în care familia unui personaj poate fi necunoscută.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

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")

Editează și rulează codul

Acest exercițiu face parte din cursul

Graph RAG cu LangChain și Neo4j

SkillTag.level.advancedSkillTag.label

4.8+

Începe cursul gratuit

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.

Exercise 1: Grafuri și RAG Exercise 2: Crearea nodurilor Exercise 3: Crearea relațiilor Exercise 4: Salvarea documentelor de graf Exercise 5: Interogarea unui graf de cunoștințe Exercise 6: Scrierea instrucțiunilor Cypher Exercise 7: Executarea instrucțiunilor Cypher Exercise 8: Clauza MERGE Exercise 9: Graph RAG Text-to-Cypher cu Neo4j Exercise 10: Construirea unui lanț text-to-Cypher Exercise 11: Lanț de recuperare Text-to-Cypher

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!

Exercise 1: Grafuri lexicale Exercise 2: Elementele unui graf lexical Exercise 3: Împărțirea piesei în acte Exercise 4: Crearea unui graf lexical ierarhic Exercise 5: Combinarea grafurilor lexicale cu căutarea vectorială Exercise 6: Crearea fragmentelor de text Exercise 7: Crearea unui index vectorial Exercise 8: Grafuri de domeniu Exercise 9: Crearea unui output structurat

Exercițiul curent

Exercise 10: Solicitarea unei ieșiri structurate Exercise 11: Furnizarea de exemple few-shot Exercise 12: Construirea unui lanț de regăsire hibrid Exercise 13: Runnable lambda-uri Exercise 14: Atribuirea de valori suplimentare unui input Exercise 15: Ultima verigă din lanț

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.

Exercise 1: Rezoluția entităților Exercise 2: Utilizarea entităților extrase Exercise 3: Rezoluția entităților bazată pe graf Exercise 4: Evaluarea Graph RAG cu RAGAS Exercise 5: Crearea unei evaluări Ragas Exercise 6: Evaluarea recuperării contextului cu Ragas Exercise 7: Grafuri de memorie Exercise 8: Salvarea memoriei conversației în graf Exercise 9: Extragerea faptelor din istoricul conversațiilor Exercise 10: Utilizarea faptelor extrase din conversație Exercise 11: Felicitări!