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.

Grafer och RAG

Skapa noder

Skapa relationer

Spara grafdokument

Fråga en kunskapsgraf

Skriva Cypher-satser

Köra Cypher-satser

MERGE-satsen

Text-till-Cypher Graph RAG med Neo4j

Bygg en text-till-Cypher-kedja

Text-till-Cypher-hämtningskedja

Kom igång med Graph RAG och Neo4j

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!

Lexicala grafer

Element i en lexikal graf

Dela upp pjäsen i akter

Skapa en hierarkisk lexikal graf

Kombinera lexikala grafer med vektorsökning

Skapa textbitar

Skapa ett vektorindex

Domängrafar

Skapa ett strukturerat utdata

Begära strukturerade utdata

Ange few-shot-exempel

Bygga en hybrid hämtningskedja

Körbara lambdas

Tilldela ytterligare värden till en input

Den sista länken i kedjan

Grafmodeller och hybrid-RAG

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.

Entitetsupplösning

Använda extraherade entiteter

Grafbaserad entitetsupplösning

Utvärdera Graph RAG med RAGAS

Skapa en Ragas-utvärdering

Utvärdera kontexthämtning med Ragas

Minnesgrafar

Spara konversationsminne i grafen

Extrahera fakta från konversationshistorik

Använd extraherade konversationsfakta

Grattis!

Förbättra hämtningskvaliteten

Är du trött på vektorer, inbäddningar och vektorbaserade RAG-applikationer? Då har du kommit rätt! I den här kursen får du se hur Graph RAG kan förbättra noggrannheten och tillförlitligheten hos RAG-applikationer genom att lagra och söka information i form av noder och relationer. Kombinera Neo4j-grafdatabaser med LangChain och du får ett kraftfullt sätt att hämta och integrera extern data med LLM:er.

<h2>Ta dina RAG-applikationer till nästa nivå med grafer</h2>Har du redan tröttnat på vektorer, embeddingar och RAG-applikationer med vektorer? Sök inte längre! I den här kursen får du lära dig hur Graph RAG kan förbättra noggrannheten och tillförlitligheten hos RAG-applikationer genom att lagra och hämta information i form av noder och relationer. Kombinera Neo4j grafdatabaser med LangChain och du får ett riktigt grymt sätt att hämta och integrera extern data med LLM:er.<br><br><h2>Skapa Neo4j-grafdatabaser från ostrukturerad text</h2>Vad händer om mitt dataset består av rörig, ostrukturerad text istället för en graf? Ingen fara—du kommer att lära dig hur du använder LLMs med strukturerade utdata för att extrahera entiteter och relationer från text, samt skapa nya noder och relationer för din grafdatabas. Du kommer att använda Pydantic-biblioteket för att definiera strikta datastrukturer som din LLM fyller med extraherad textdata.<br><br><h2>Kombinera vektorer och grafer för hybrid-RAG</h2>Du behöver inte välja mellan vektorer och grafer – du kan få det bästa av båda världar! Upptäck hur du kan hämta från båda datakällorna i ett och samma arbetsflöde och noggrant skapa prompts för att integrera dem i en hybrid RAG-applikation.<br><br><h2>Integrera långsiktigt chatbot-minne</h2>Grafdatabaser som Neo4j är inte bara användbara som kunskapsbaser för hämtning – du kan också lagra långsiktig information som användarfakta och preferenser som grafer! Detta långtidsminne kan sedan frågas ut precis som vilken annan grafdatabas som helst för att integrera dessa preferenser och anpassa dina applikationer.

Grattis!

Create Your Free Account