Grafi di dominio

Graph RAG con LangChain e Neo4j

Adam Cowley

Manager, Developer Education at Neo4j

Grafi di dominio

diagramma di knowledge graph con a sinistra il grafo lessicale (libro, capitoli, pagine) e a destra le persone e le aziende nel libro, più riferimenti da altre fonti come Wikipedia

Graph RAG con LangChain e Neo4j

Dai grafi lessicali ai grafi di dominio

Il testo di Don't Stop Believin' dei Journey

Graph RAG con LangChain e Neo4j

Dai grafi lessicali ai grafi di dominio

Il testo di Don't Stop Believin' dei Journey con "Small Town Boy" evidenziato come persona

Graph RAG con LangChain e Neo4j

Dai grafi lessicali ai grafi di dominio

Il testo di Don't Stop Believin' dei Journey con "South Detroit" evidenziato come luogo

Graph RAG con LangChain e Neo4j

Dai grafi lessicali ai grafi di dominio

Il testo di Don't Stop Believin' dei Journey con "Born" evidenziato come relazione tra i nodi per la persona "Small Town Boy" e il luogo "South Detroit"

Graph RAG con LangChain e Neo4j

Dai grafi lessicali ai grafi di dominio

Il testo di Don't Stop Believin' dei Journey con "Raised" evidenziato come relazione tra i nodi per la persona "Small Town Boy" e il luogo "South Detroit"

Graph RAG con LangChain e Neo4j

Esempio di grafo di dominio

Un esempio di grafo di dominio: una persona lavora per un'azienda situata a un indirizzo. La persona ha una carta di credito, usata per un ordine presso un'azienda nella stessa località

Graph RAG con LangChain e Neo4j

Output strutturati

from pydantic import BaseModel, Field

from typing import Optional


class Character(BaseModel):
    """A character from the play."""

    id: str = Field(description="A unique identifier for the character in slug-case",

                    examples=["montague-romeo", "tybalt"])

    name: str = Field(description="The full name of the character", 
                    examples=["Romeo", "Tybalt"])

    family: Optional[str] = Field(description="The name of the family they belong to", 
                    examples=["Montague", "Capulet"])


class CharacterOutput(BaseModel):
    characters: list[Character] = Field(description="A list of characters")
Graph RAG con LangChain e Neo4j

Uso di output strutturati

from langchain.chat_models import init_chat_model
llm = init_chat_model("gpt-4o-mini", model_provider="openai", api_key="...")


# With a structured output
character_model = llm.with_structured_output(CharacterOutput)


# Use within a chain
chain = extraction_prompt | character_model


# Handle the response
output = chain.invoke(...)

CharacterOutput(characters=[Character, Character, Character...])
Graph RAG con LangChain e Neo4j

Salvataggio entità

nodes = [

  Node(

      type="Character",

      id=character.id,

      properties={"name": character.name, "family": character.family}

  )

  for character in output.characters

]



# Build a GraphDocument
graph_document = GraphDocument(nodes=nodes, relationships=[])


# Save to the graph
graph.add_graph_documents([graph_document])
Graph RAG con LangChain e Neo4j

Passons à la pratique !

Graph RAG con LangChain e Neo4j

Preparing Video For Download...