Graph RAG với LangChain và Neo4j

Nâng tầm ứng dụng RAG của bạn với đồ thị

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.

Tạo cơ sở dữ liệu đồ thị Neo4j từ văn bản phi cấu trúc

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.

Kết hợp Vectors và Graphs cho Hybrid RAG

Bạn không cần phải chọn giữa vectors và graphs—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.

Tích hợp bộ nhớ dài hạn cho chatbot

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.