了解 Graph RAG 如何提升 RAG 應用的準確性與可靠性！在 Neo4j 資料庫中以節點與邊儲存資訊，並讓你的 LLM 具備查詢能力，以擷取實體與關係資訊，提供更有根據的答案。

圖形與 RAG

建立節點

建立關係

儲存圖形文件

查詢知識圖

撰寫 Cypher 陳述式

執行 Cypher 陳述式

MERGE 子句

使用 Neo4j 進行 Text-to-Cypher 的 Graph RAG

建立 text-to-Cypher chain

Text-to-Cypher 擷取鏈

Graph RAG 與 Neo4j 起步走

Text-to-Cypher 應用在許多情境下運作良好，但我們還能更進一步！你將學到如何使用不同的圖形模型（包含詞彙圖與領域圖）來建構圖形資料庫。建立 Neo4j 向量索引，讓你同時擁有兩種優勢，並行執行圖形與向量的擷取！

詞彙圖

詞彙圖的元素

將劇本切分為幕（Acts）

建立階層式詞彙圖

結合詞彙圖與向量搜尋

建立文字區塊

建立向量索引

領域圖

建立結構化輸出

要求結構化輸出

提供 few-shot 範例

建立混合式擷取鏈

Runnable lambda

為輸入指派額外的數值

串鏈中的最後一環

圖形模型與混合式 RAG

雖然 Graph RAG 應用通常比向量式 RAG 更可靠，但並非萬無一失。本章將帶你評估 Graph RAG 應用、找出不正確或重複的圖形節點，並整合長期記憶，讓系統能隨時間學習使用者偏好。

實體解析

使用已抽取的實體

以圖為基礎的實體解析

使用 RAGAS 評估 Graph RAG

建立 Ragas 評估

使用 Ragas 評估脈絡擷取

記憶圖譜

在圖形中儲存對話記憶

從對話歷程中擷取事實

使用擷取出的對話事實

恭喜你！

提升擷取品質

向只用向量、嵌入與向量式 RAG 的應用說再見吧！在本課程中，你將學到 Graph RAG 如何透過以節點與關係的形式儲存與查詢資訊，大幅提升 RAG 應用的準確性與可靠性。將 Neo4j 圖形資料庫與 LangChain 結合，你就能以極佳的方式，將外部資料與 LLM 整合並加以擷取。

<h2>用圖形技術提升您的RAG應用程式</h2>您是否已經對向量、嵌入以及向量型RAG應用感到厭倦了？不用再尋找了！在本課程中，您將了解如何透過將資訊以節點和關係的形式儲存與查詢，運用 Graph RAG 大幅提升 RAG 應用的準確性與可靠性。 將 Neo4j 圖形資料庫與 LangChain 結合，您將獲得一種極佳的方法，能夠將外部資料與大型語言模型（LLM）進行檢索與整合。<br><br><h2>從非結構化文本建立 Neo4j 圖形資料庫</h2>如果我的資料集是雜亂的非結構化文本，而不是圖形資料，該怎麼辦？別擔心——您將學會如何使用LLM產生結構化輸出，從文字中擷取實體與關係，並為您的圖形資料庫建立新的節點與關係。 您將運用 Pydantic 函式庫，為您的 LLM 定義嚴謹的資料結構，以便填入擷取的文字資料。<br><br><h2>結合向量與圖形，打造混合式RAG</h2>你不必在向量和圖形之間做選擇——兩者優勢盡收囊中！了解如何在單一工作流程中，同時從兩個資料來源擷取資料，並精心設計提示詞，將它們整合進混合式RAG應用程式。<br><br><h2>整合長期聊天機器人記憶</h2>像 Neo4j 這樣的圖形資料庫不僅適合作為檢索的知識庫，還能以圖形方式儲存用戶資訊與偏好等長期資料！這個長期記憶之後可以像其他圖形資料庫一樣進行查詢，將這些偏好整合並個人化您的應用程式。

Retrieval Augmented Generation (RAG) with LangChain

使用圖形RAG和混合RAG創建更準確可靠的RAG系統。

使用 LangChain 與 Neo4j 的 Graph RAG

以 Graph RAG 和 hybrid RAG 打造更精確、可靠的 RAG 系統。

條件	Cypher	分數調整
與相同家族有 `MEMBER_OF` 關係	`af = bf`	`+1`
`name` 屬性相同	`a.name = b.name`	`+2`
`a` 與 `b` 互動的角色百分比	`size(inCommon) / size(aInteractsWith)`	乘上 `a` 與 `b` 互動的百分比

以圖為基礎的實體解析

使用 LangChain 與 Neo4j 的 Graph RAG

練習說明

動手互動練習