Курс
Graph RAG с LangChain и Neo4j
Продвинутый уровеньУровень навыков
Обновлено 03.2026
PythonArtificial Intelligence3 ч11 видео37 Упражнений3,100 XPСправка об успешном завершении
Создать бесплатный аккаунт
Продолжить через GoogleПоказать больше вариантовили
Продолжая, вы принимаете наши Условия использования, Политику конфиденциальности и соглашаетесь с хранением ваших данных в США.
Любимая обучающимися из тысяч компаний
Обучаете команду?
Попробуйте для бизнесаОписание курса
Выведите свои RAG-приложения на новый уровень с помощью графов
Уже устали от векторов, эмбеддингов и векторных RAG-приложений? Дальше искать не нужно! В этом курсе вы узнаете, как Graph RAG может значительно повысить точность и надежность приложений RAG за счет хранения и запроса информации в виде узлов и связей. Объедините графовые базы данных Neo4j с LangChain, и вы получите по-настоящему отличный способ извлечения и интеграции внешних данных с LLM.Создавайте графовые базы данных Neo4j из неструктурированного текста
Что, если мой набор данных — это неаккуратный неструктурированный текст, а не граф? Не паникуйте—вы научитесь использовать LLM с структурированными выходными данными для извлечения сущностей и отношений из текста, а также создавать новые узлы и отношения для вашей графовой базы данных. Вы будете использовать библиотеку Pydantic для определения строгих структур данных, которые ваша LLM будет заполнять извлечёнными текстовыми данными.Объедините векторы и графы для гибридного RAG
Вам не нужно выбирать между векторами и графами—вы можете получить лучшее из обоих миров! Узнайте, как можно извлекать данные из обоих источников в одном рабочем процессе и тщательно создавать запросы, чтобы интегрировать их в гибридное RAG-приложение.Интегрируйте долгосрочную память чат-бота
Графовые базы данных, такие как Neo4j, полезны не только как базы знаний для поиска — в них также можно хранить долгосрочную информацию, например факты о пользователях и их предпочтения, в виде графов! Эту долговременную память затем можно запрашивать так же, как любую другую графовую базу данных, чтобы интегрировать эти предпочтения и персонализировать ваши приложения.Необходимые условия
Retrieval Augmented Generation (RAG) with LangChain1
Знакомство с Graph RAG и Neo4j
Узнайте, как Graph RAG повышает точность и надёжность RAG-приложений! Сохраняйте информацию в виде узлов и рёбер в базе данных Neo4j и предоставьте языковой модели возможность выполнять запросы к ней — так она сможет извлекать информацию о сущностях и связях и давать обоснованные ответы.
2
Графовые модели и гибридный RAG
Приложения на основе перевода текста в Cypher хорошо справляются со многими задачами, но можно сделать лучше! Узнайте, как строить графовые базы данных с использованием различных графовых моделей, включая лексические и предметные графы. Создавайте векторные индексы Neo4j, чтобы получить лучшее из двух подходов: запускать графовое и векторное извлечение одновременно!
3
Повышение качества извлечения данных
Хотя Graph RAG-приложения, как правило, надёжнее векторных, они не лишены погрешностей. В этой главе вы научитесь оценивать свои Graph RAG-приложения, выявлять ошибочные или дублирующиеся узлы графа, а также интегрировать долгосрочную память, чтобы система могла учитывать предпочтения пользователей.
Graph RAG с LangChain и Neo4j
Курс завершён
Получить сертификат об окончании
Добавьте эту квалификацию в профиль LinkedIn, резюме или CVПоделитесь в социальных сетях и в обзоре эффективностиЗаписаться сейчас
Присоединяйтесь к более чем 19 миллионам обучающихся и начните Graph RAG с LangChain и Neo4j уже сегодня!
Создать бесплатный аккаунт
Продолжить через GoogleПоказать больше вариантовили
Продолжая, вы принимаете наши Условия использования, Политику конфиденциальности и соглашаетесь с хранением ваших данных в США.
Развивайте свои навыки работы с данными с помощью DataCamp для мобильных устройств.
Успевайте в обучении на ходу с помощью наших мобильных курсов и ежедневных 5-минутных заданий по программированию.