Den sista länken i kedjan

Med text-till-Cypher-kedjan från kapitel 1 och vektorsökningsmotorn från tidigare i det här kapitlet har du nu alla komponenter för att skapa en kedja som erbjuder flera sätt – både vektorer och noder och relationer – att komma åt informationen i din kunskapsgraf.

Variablerna text_to_cypher_chain och line_retriever (Neo4j-vektorsökningsmotorn) är tillgängliga för dig att använda, tillsammans med en fråga-och-svar-prompt för hybrid-RAG: graphrag_qa_prompt.

Den här övningen är en del av kursen

Graph RAG med LangChain och Neo4j

Övningsinstruktioner

Skicka nyckeln "question" till vektorsökningsmotorn (line_retriever) för att hämta relevanta resultat med vektorsökning.
Extrahera frågan från graph-objektet för att köra den Cypher-sats som genereras av text_to_cypher_chain.
Kör graphrag_qa_chain på det angivna indata.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

graphrag_qa_chain = RunnablePassthrough.assign(
    # Pass the "question" key to the retriever
    vectors = RunnableLambda(lambda x: line_retriever.invoke(____)),
    # Execute the generated Cypher statement
    records = text_to_cypher_chain | graph.____
) | graphrag_qa_prompt | llm | StrOutputParser()

# Execute the hybrid chain
output = graphrag_qa_chain.____({"question": "Does Sampson bite his thumb at Gregory?"})
print(output)

Redigera och kör kod

Den här övningen är en del av kursen

Graph RAG med LangChain och Neo4j

SkillTag.level.advancedSkillTag.label

4.8+

Starta kursen gratis

Lär dig hur Graph RAG kan förbättra noggrannheten och tillförlitligheten hos RAG-applikationer! Lagra information som noder och kanter i en Neo4j-databas och ge din LLM förmågan att söka i den – så att den kan hämta entitets- och relationsinformation och ge välgrundade svar.

Exercise 1: Grafer och RAG Exercise 2: Skapa noder Exercise 3: Skapa relationer Exercise 4: Spara grafdokument Exercise 5: Fråga en kunskapsgraf Exercise 6: Skriva Cypher-satser Exercise 7: Köra Cypher-satser Exercise 8: MERGE-satsen Exercise 9: Text-till-Cypher Graph RAG med Neo4j Exercise 10: Bygg en text-till-Cypher-kedja Exercise 11: Text-till-Cypher-hämtningskedja

Text-till-Cypher-applikationer fungerar bra i många situationer, men det finns utrymme att göra ännu mer! Lär dig att bygga grafdatabaser med olika grafmodeller, däribland lexikala grafer och domängrafer. Skapa Neo4j-vektorindex så att du kan kombinera det bästa från två världar och köra graf- och vektorsökning samtidigt!

Exercise 1: Lexicala grafer Exercise 2: Element i en lexikal graf Exercise 3: Dela upp pjäsen i akter Exercise 4: Skapa en hierarkisk lexikal graf Exercise 5: Kombinera lexikala grafer med vektorsökning Exercise 6: Skapa textbitar Exercise 7: Skapa ett vektorindex Exercise 8: Domängrafar Exercise 9: Skapa ett strukturerat utdata Exercise 10: Begära strukturerade utdata Exercise 11: Ange few-shot-exempel Exercise 12: Bygga en hybrid hämtningskedja Exercise 13: Körbara lambdas Exercise 14: Tilldela ytterligare värden till en input Exercise 15: Den sista länken i kedjan

Aktuell övning

Även om Graph RAG-applikationer generellt sett är mer tillförlitliga än vektor-RAG är de inte helt felfria. I det här kapitlet lär du dig att utvärdera dina Graph RAG-applikationer, identifiera felaktiga eller duplicerade grafnoder samt integrera långtidsminne så att användarpreferenser kan läras in över tid.

Exercise 1: Entitetsupplösning Exercise 2: Använda extraherade entiteter Exercise 3: Grafbaserad entitetsupplösning Exercise 4: Utvärdera Graph RAG med RAGAS Exercise 5: Skapa en Ragas-utvärdering Exercise 6: Utvärdera kontexthämtning med Ragas Exercise 7: Minnesgrafar Exercise 8: Spara konversationsminne i grafen Exercise 9: Extrahera fakta från konversationshistorik Exercise 10: Använd extraherade konversationsfakta Exercise 11: Grattis!