Gráficos de memória

Graph RAG com LangChain e Neo4j

Adam Cowley

Manager, Developer Education at Neo4j

Memória em aplicações RAG

Memória de curto prazo

  • Vida curta, escopo limitado
  • Histórico da conversa

 

goldfish.png

Memória de longo prazo

  • Memória semântica: fatos sobre o mundo
  • Útil para hiperpersonalização

elephant.png

Graph RAG com LangChain e Neo4j

Memória de curto prazo

Graph RAG com LangChain e Neo4j

Memória de curto prazo

Graph RAG com LangChain e Neo4j

Memória de curto prazo

Graph RAG com LangChain e Neo4j

Memória de curto para longo prazo

Graph RAG com LangChain e Neo4j

Memória de curto para longo prazo

Graph RAG com LangChain e Neo4j

Memória de curto para longo prazo

Graph RAG com LangChain e Neo4j

Memória de curto para longo prazo

Graph RAG com LangChain e Neo4j

Memória de curto para longo prazo

Graph RAG com LangChain e Neo4j

Histórico de mensagens no Neo4j

from langchain_neo4j import Neo4jChatMessageHistory


history = Neo4jChatMessageHistory(

    url=NEO4J_URI,

    username=NEO4J_USERNAME,

    password=NEO4J_PASSWORD,

    session_id="session_id_1",

)


# Add a human message
history.add_user_message("hi!")


# Add an AI message
history.add_ai_message("what's up?")
Graph RAG com LangChain e Neo4j

Problemas de guardar tudo

memory_methods.jpg

Graph RAG com LangChain e Neo4j

Histórico de mensagens no Neo4j

from langchain_neo4j import Neo4jChatMessageHistory

history = Neo4jChatMessageHistory(
    url=NEO4J_URI,
    username=NEO4J_USERNAME,
    password=NEO4J_PASSWORD,
    session_id="session_id_1",

    window=10 # defaults to 3 messages

)


# Get history
print(history.messages)

[HumanMessage(content='hi!', ...), AIMessage(content='whats up?', ...)]
Graph RAG com LangChain e Neo4j

Resumindo conversas

from pydantic import BaseModel, Field

class ConversationFact(BaseModel):
    """
    Uma classe que guarda fatos de uma conversa no formato objeto, sujeito, predicado.
    """

    object: str = Field(description="O objeto do fato. Ex.: 'Adam' ")

    subject: str = Field(description="O sujeito do fato. Ex.: 'Ice cream'")

    relationship: str = Field(description="A relação entre objeto e sujeito. Ex.: 'LOVES'")


class ConversationFacts(BaseModel):
    """
    Uma classe que guarda uma lista de ConversationFact.
    """
    facts: list[ConversationFact] = Field(description="Lista de ConversationFact.")
Graph RAG com LangChain e Neo4j

Resumindo conversas

llm_with_output = (
    init_chat_model("gpt-4o-mini", model_provider="openai", api_key="...")
        .with_structured_output(ConversationFacts)
)
Graph RAG com LangChain e Neo4j

Resumindo conversas

prompt = ChatPromptTemplate.from_messages(

    SystemMessagePromptTemplate.from_template("Extract the facts from the conversation."),

    MessagesPlaceholder(variable_name="history"),

)


chain = prompt | llm_with_output


chain.invoke({

    "history": history.messages,

})

ConversationFacts(facts=[
    ConversationFact(object='child', subject='Bluey', relationship='LOVES')
])
Graph RAG com LangChain e Neo4j

Vamos praticar!

Graph RAG com LangChain e Neo4j

Preparing Video For Download...