เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Graph RAG พร้อมการกรองข้อมูล

สำหรับกราฟขนาดใหญ่และซับซ้อน LLM อาจมีความยากลำบากในการอนุมานโหนดและความสัมพันธ์ที่เกี่ยวข้องมากที่สุดเพื่อสร้าง Cypher query ได้อย่างแม่นยำ โดยส่วนใหญ่แล้ว เราต้องการให้ LLM รับรู้เพียงบางส่วนของกราฟเท่านั้น การยกเว้นโหนดบางประเภทออกไปจะช่วยให้ LLM สร้าง Cypher query ได้แม่นยำขึ้น และยังช่วยลด latency ของคิวรีด้วย

ฐานข้อมูลกราฟที่ใช้งานอยู่พร้อมใช้งานในรูปแบบตัวแปร graph

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Retrieval Augmented Generation (RAG) ด้วย LangChain

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง graph QA chain ที่คิวรีฐานข้อมูล graph โดยละเว้นโหนดที่มีประเภท "Concept" โดย llm ถูกกำหนดไว้ให้แล้ว และให้ตั้งค่า verbose=True
  • เรียกใช้งาน graph_qa_chain ด้วย input ที่กำหนดให้

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Create the graph QA chain excluding Concept
graph_qa_chain = ____

# Invoke the chain with the input provided
result = ____({"query": "Who was Marie Curie married to?"})
print(f"Final answer: {result['result']}")
แก้ไขและรันโค้ด