学习 Graph RAG 如何提升 RAG 应用的准确性与可靠性！在 Neo4j 数据库中将信息存为节点与边，并赋予您的 LLM 查询能力，从而检索实体与关系信息，给出更有依据的答案。

图与 RAG

创建节点

创建关系

保存图文档

查询知识图谱

编写 Cypher 语句

运行 Cypher 语句

MERGE 子句

使用 Neo4j 的 Text-to-Cypher 图谱 RAG

构建 text-to-Cypher 链

Text-to-Cypher 检索链

Graph RAG 与 Neo4j 入门

Text-to-Cypher 应用在许多场景下表现良好，但我们还能做得更好！了解如何使用不同的图模型（包括词汇图与领域图）来构建图数据库。创建 Neo4j 向量索引，以便同时运行图检索与向量检索，兼得两者优势！

词汇图

词汇图的组成要素

将剧本按幕拆分

创建分层词汇图

将词汇图与向量搜索结合

创建文本分块

创建向量索引

领域图谱

创建结构化输出

请求结构化输出

提供少样本示例

构建混合检索链

Runnable lambda

为输入分配额外的值

链中的最后一环

图模型与混合式 RAG

尽管 Graph RAG 通常比向量 RAG 更可靠，但也并非万无一失。本章将带您评估 Graph RAG 应用、识别不正确或重复的图节点，并集成长期记忆，使系统能随时间学习用户偏好。

实体消歧

使用提取的实体

基于图的实体解析

使用 RAGAS 评估 Graph RAG

创建一个 Ragas 评估

使用 Ragas 评估上下文检索

记忆图

在图数据库中保存对话记忆

从会话历史中抽取事实

使用提取的对话事实

恭喜您！

提升检索质量

对向量、嵌入和基于向量的 RAG 应用感到厌倦了吗？别担心！在本课程中，您将了解 Graph RAG 如何通过以节点和关系的形式存储与查询信息，大幅提升 RAG 应用的准确性与可靠性。将 Neo4j 图数据库与 LangChain 结合，您就能以一种高效方式，让 LLM 检索并整合外部数据。

<h2>借助图谱升级您的 RAG 应用</h2>您是否已经对向量、嵌入和向量 RAG 应用感到厌倦了？别再找了！在本课程中，你将了解 Graph RAG 如何通过以节点和关系的形式存储和查询信息，显著提升 RAG 应用的准确性和可靠性。 将 Neo4j 图数据库与 LangChain 结合起来，你就能以一种真正出色的方式检索并整合外部数据与 LLM。<br><br><h2>从非结构化文本创建 Neo4j 图数据库</h2>如果我的数据集不是图，而是杂乱的非结构化文本呢？别慌&mdash;你将学习如何使用具有结构化输出的 LLM，从文本中提取实体和关系，并为你的图数据库创建新的节点和关系。 您将使用 Pydantic 库来定义严格的数据结构，以便您的 LLM 用提取的文本数据进行填充。<br><br><h2>结合向量与图谱，构建混合式 RAG</h2>你不必在向量和图谱之间二选一——两者兼得，效果更佳！了解如何在单一工作流中从两个数据源检索内容，并精心构建提示，将它们整合到混合式 RAG 应用中。<br><br><h2>集成长期聊天机器人记忆</h2>像 Neo4j 这样的图数据库不仅可作为检索的知识库使用，还可以将用户事实和偏好等长期信息以图的形式存储！然后，就可以像查询任何其他图数据库一样查询这种长期记忆，从而整合这些偏好并个性化您的应用程序。

将词汇图与向量搜索结合

Create Your Free Account