Tìm hiểu cách Graph RAG có thể nâng cao độ chính xác và độ tin cậy của các ứng dụng RAG! Lưu trữ thông tin dưới dạng các nút và cạnh trong cơ sở dữ liệu Neo4j, và trao cho LLM khả năng truy vấn để nó có thể truy xuất thông tin về thực thể và mối quan hệ nhằm đưa ra câu trả lời có căn cứ.

Đồ thị và RAG

Tạo nodes

Tạo quan hệ

Lưu graph document

Truy vấn đồ thị tri thức

Viết câu lệnh Cypher

Chạy câu lệnh Cypher

Mệnh đề MERGE

Graph RAG chuyển văn bản thành Cypher với Neo4j

Xây dựng chain chuyển văn bản thành Cypher

Chuỗi truy xuất Text-to-Cypher

Bắt đầu với Graph RAG và Neo4j

Ứng dụng Text-to-Cypher hoạt động tốt trong nhiều trường hợp, nhưng chúng ta còn có thể làm tốt hơn! Khám phá cách xây dựng cơ sở dữ liệu đồ thị bằng các mô hình đồ thị khác nhau, bao gồm đồ thị từ vựng (lexical) và đồ thị miền (domain). Tạo các chỉ mục vector trong Neo4j để bạn có thể tận dụng cả hai thế giới và chạy truy xuất đồ thị lẫn vector đồng thời!

Đồ thị từ vựng

Thành phần của đồ thị từ vựng

Tách vở kịch theo Hồi (Acts)

Tạo một lexical graph theo phân cấp

Kết hợp đồ thị từ vựng với tìm kiếm vector

Tạo các đoạn văn bản (chunks)

Tạo chỉ mục vector

Đồ thị miền

Tạo đầu ra có cấu trúc

Yêu cầu đầu ra có cấu trúc

Cung cấp ví dụ few-shot

Xây dựng một chuỗi truy xuất lai

Runnable lambda

Gán thêm giá trị cho một input

Mắt xích cuối cùng trong chuỗi

Mô hình đồ thị và Hybrid RAG

Mặc dù các ứng dụng Graph RAG thường đáng tin cậy hơn vector RAG, chúng không hoàn toàn không sai sót. Trong chương này, bạn sẽ học cách đánh giá ứng dụng Graph RAG của mình, phát hiện các nút đồ thị sai hoặc trùng lặp, và tích hợp bộ nhớ dài hạn để sở thích của người dùng có thể được học theo thời gian.

Phân giải thực thể

Sử dụng thực thể đã trích xuất

Giải quyết thực thể dựa trên đồ thị

Đánh giá Graph RAG với RAGAS

Tạo một phép đánh giá Ragas

Đánh giá truy xuất ngữ cảnh với Ragas

Đồ thị bộ nhớ

Lưu bộ nhớ hội thoại trong đồ thị

Trích xuất sự kiện từ lịch sử hội thoại

Sử dụng các thông tin hội thoại đã trích xuất

Chúc mừng bạn!

Cải thiện chất lượng truy xuất

Bạn đã chán vectors, embeddings và các ứng dụng vector RAG chưa? Vậy thì đây là lựa chọn cho bạn! Trong khóa học này, bạn sẽ khám phá cách Graph RAG có thể cải thiện đáng kể độ chính xác và độ tin cậy của các ứng dụng RAG bằng cách lưu trữ và truy vấn thông tin dưới dạng các nút và mối quan hệ. Kết hợp cơ sở dữ liệu đồ thị Neo4j với LangChain, bạn sẽ có một cách tuyệt vời để truy xuất và tích hợp dữ liệu bên ngoài với LLMs.

<h2>Nâng tầm ứng dụng RAG của bạn với đồ thị</h2>Bạn đã chán các vector, embedding và ứng dụng vector RAG chưa? Không cần tìm đâu xa! Trong khóa học này, bạn sẽ khám phá cách Graph RAG có thể cải thiện đáng kể độ chính xác và độ tin cậy của các ứng dụng RAG bằng cách lưu trữ và truy vấn thông tin dưới dạng các nút và mối quan hệ. Kết hợp cơ sở dữ liệu đồ thị Neo4j với LangChain, bạn sẽ có một cách thực sự tuyệt vời để truy xuất và tích hợp dữ liệu bên ngoài với LLMs.<br><br><h2>Tạo cơ sở dữ liệu đồ thị Neo4j từ văn bản phi cấu trúc</h2>Nếu bộ dữ liệu của tôi là văn bản phi cấu trúc lộn xộn thay vì một đồ thị thì sao? Đừng hoảng—bạn sẽ học cách sử dụng LLM với đầu ra có cấu trúc để trích xuất các thực thể và mối quan hệ từ văn bản, đồng thời tạo các nút và mối quan hệ mới cho cơ sở dữ liệu đồ thị của bạn. Bạn sẽ sử dụng thư viện Pydantic để định nghĩa các cấu trúc dữ liệu chặt chẽ để LLM của bạn điền vào bằng dữ liệu văn bản đã trích xuất.<br><br><h2>Kết hợp Vectors và Graphs cho Hybrid RAG</h2>Bạn không cần phải chọn giữa vectors và graphs&mdash;bạn có thể tận hưởng những gì tốt nhất của cả hai thế giới! Khám phá cách bạn có thể truy xuất từ cả hai nguồn dữ liệu trong một quy trình làm việc duy nhất và xây dựng prompt một cách cẩn thận để tích hợp chúng vào một ứng dụng RAG lai.<br><br><h2>Tích hợp bộ nhớ dài hạn cho chatbot</h2>Các cơ sở dữ liệu đồ thị như Neo4j không chỉ hữu ích như cơ sở tri thức để truy xuất, mà bạn còn có thể lưu trữ thông tin dài hạn như dữ kiện và sở thích của người dùng dưới dạng đồ thị! Bộ nhớ dài hạn này sau đó có thể được truy vấn giống như bất kỳ cơ sở dữ liệu đồ thị nào khác để tích hợp các sở thích này và cá nhân hóa các ứng dụng của bạn.

Retrieval Augmented Generation (RAG) with LangChain

Tạo hệ thống RAG chính xác và đáng tin cậy hơn với Graph RAG và hybrid RAG.

Graph RAG với LangChain và Neo4j

Manager, Developer Education at Neo4j

Dùng quan hệ trong tìm kiếm ngữ nghĩa

Từ thuộc tính văn bản đến embedding

Neo4j như một vector store

Chia nhỏ thuộc tính nút hiện có

Tạo vector index trên đồ thị hiện có

Truy hồi vector với LCEL

Vamos praticar!

Mô hình đồ thị và Hybrid RAG - Kết hợp đồ thị từ vựng với tìm kiếm vector

Kết hợp đồ thị từ vựng với tìm kiếm vector

Create Your Free Account