Build your ultimate AI agent
课程介绍
借助图谱升级您的 RAG 应用
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。从非结构化文本创建 Neo4j 图数据库
如果我的数据集不是图，而是杂乱的非结构化文本呢？别慌—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。结合向量与图谱，构建混合式 RAG
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。集成长期聊天机器人记忆
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。先修要求
课程大纲
课程大纲
1
Graph RAG 与 Neo4j 入门
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。
2
图模型与混合式 RAG
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！
3
提升检索质量
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。
使用 LangChain 和 Neo4j 的 Graph RAG
课程完成
