Выведите свои RAG-приложения на новый уровень с помощью графов

Уже устали от векторов, эмбеддингов и векторных RAG-приложений? Дальше искать не нужно! В этом курсе вы узнаете, как Graph RAG может значительно повысить точность и надежность приложений RAG за счет хранения и запроса информации в виде узлов и связей. Объедините графовые базы данных Neo4j с LangChain, и вы получите по-настоящему отличный способ извлечения и интеграции внешних данных с LLM.

Создавайте графовые базы данных Neo4j из неструктурированного текста

Что, если мой набор данных — это неаккуратный неструктурированный текст, а не граф? Не паникуйте—вы научитесь использовать LLM с структурированными выходными данными для извлечения сущностей и отношений из текста, а также создавать новые узлы и отношения для вашей графовой базы данных. Вы будете использовать библиотеку Pydantic для определения строгих структур данных, которые ваша LLM будет заполнять извлечёнными текстовыми данными.

Объедините векторы и графы для гибридного RAG

Вам не нужно выбирать между векторами и графами—вы можете получить лучшее из обоих миров! Узнайте, как можно извлекать данные из обоих источников в одном рабочем процессе и тщательно создавать запросы, чтобы интегрировать их в гибридное RAG-приложение.

Интегрируйте долгосрочную память чат-бота

Графовые базы данных, такие как Neo4j, полезны не только как базы знаний для поиска — в них также можно хранить долгосрочную информацию, например факты о пользователях и их предпочтения, в виде графов! Эту долговременную память затем можно запрашивать так же, как любую другую графовую базу данных, чтобы интегрировать эти предпочтения и персонализировать ваши приложения.

Построение гибридной цепочки извлечения данных

Create Your Free Account