Documenten opslaan en opvragen

Retrieval Augmented Generation (RAG) met LangChain

Meri Nova

Machine Learning Engineer

De Neo4j-database instantiëren

from langchain_community.graphs import Neo4jGraph

graph = Neo4jGraph(url="bolt://localhost:7687", username="neo4j", password="...")

import os

url = os.environ["NEO4J_URI"]
user = os.environ["NEO4J_USERNAME"]
password = os.environ["NEO4J_PASSWORD"]

graph = Neo4jGraph(url=url, username=user, password=password)

¹ https://neo4j.com/download/

Graaftdocumenten opslaan

from langchain_experimental.graph_transformers import LLMGraphTransformer

llm = ChatOpenAI(api_key="...", temperature=0, model="gpt-4o-mini")
llm_transformer = LLMGraphTransformer(llm=llm)

graph_documents = llm_transformer.convert_to_graph_documents(documents)

Graaftdocumenten opslaan

graph.add_graph_documents(
  graph_documents,

  include_source=True,

  baseEntityLabel=True

)

include_source=True: koppel knooppunten aan brondocumenten met de MENTIONS-rand
baseEntityLabel=True: voeg het label __Entity__ toe aan elk knooppunt

De graafdocumenten weergegeven als knooppunten en randen.

Een ingezoomde versie van de vorige afbeelding met knooppunten over OpenAI-modellen.

Databaseschema

print(graph.get_schema)

Knooppunteigenschappen:
Concept {id: STRING}
Architecture {id: STRING}
Organization {id: STRING}
Event {id: STRING}
Paper {id: STRING}

Relaties:
(:Concept)-[:DEVELOPED_BY]->(:Person)
(:Architecture)-[:BASED_ON]->(:Concept)
(:Organization)-[:PROPOSED]->(:Concept)
(:Document)-[:MENTIONS]->(:Event)
(:Paper)-[:BASED_ON]->(:Concept)

Query’s in Neo4j - Cypher Query Language

Een knooppunt James met een relatie friends naar een onbekend knooppunt person.

Query’s in Neo4j - Cypher Query Language

De LLM-graaf bevragen

results = graph.query("""
MATCH (gpt4:Model {id: "Gpt-4"})-[:DEVELOPED_BY]->(org:Organization)
RETURN org
""")


print(results)

[{'org': {'id': 'Openai'}}]

Laten we oefenen!

Retrieval Augmented Generation (RAG) met LangChain