Graph RAG met LangChain en Neo4j

Til je RAG-toepassingen naar een hoger niveau met grafen

Ben je al uitgekeken op vectors, embeddings en vector-RAG-toepassingen? Je hoeft niet verder te zoeken! In deze cursus ontdek je hoe Graph RAG de nauwkeurigheid en betrouwbaarheid van RAG-toepassingen aanzienlijk kan verbeteren door informatie op te slaan en te raadplegen in de vorm van knooppunten en relaties. Combineer Neo4j graph databases met LangChain en je krijgt een geweldige manier om externe data op te halen en te integreren met LLMs.

Maak Neo4j Graph Databases van ongestructureerde tekst

Wat als mijn dataset rommelige, ongestructureerde tekst is in plaats van een grafiek? Geen paniek—je leert hoe je LLMs gebruikt met gestructureerde outputs om entiteiten en relaties uit tekst te halen, en om nieuwe knooppunten en relaties voor je grafendatabase te creëren. Je gebruikt de Pydantic-bibliotheek om strikte datastructuren te definiëren waarmee je LLM de geëxtraheerde tekstgegevens kan invullen.

Combineer vectoren en grafen voor hybride RAG

Je hoeft niet te kiezen tussen vectoren en grafen—je kunt het beste van beide werelden hebben! Ontdek hoe je gegevens uit beide databronnen kunt ophalen in één workflow en zorgvuldig prompts kunt opstellen om ze te integreren in een hybride RAG-toepassing.

Integreer Langetermijn Chatbot-geheugen

Grafendatabases zoals Neo4j zijn niet alleen handig als kennisbank voor het ophalen van informatie, maar je kunt er ook langetermijninformatie zoals gebruikersfeiten en voorkeuren als grafen in opslaan! Dit langetermijngeheugen kan vervolgens net als elke andere grafendatabase worden geraadpleegd om deze voorkeuren te integreren en je applicaties te personaliseren.