Bellek grafikleri

LangChain ve Neo4j ile Graph RAG

Adam Cowley

Manager, Developer Education at Neo4j

RAG uygulamalarında bellek

Kısa süreli bellek

Kısa ömürlü, kapsamla sınırlı
Sohbet geçmişi

Uzun süreli bellek

Anlamsal bellek: dünya hakkında olgular
Hiper-kişiselleştirme için yararlı

Kısa süreli bellek

Kısa süreli bellekten uzun süreliye

Neo4j sohbet mesaj geçmişi

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?")

Her şeyi depolamanın sorunları

Neo4j sohbet mesaj geçmişi

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?', ...)]

Sohbetleri özetleme

from pydantic import BaseModel, Field

class ConversationFact(BaseModel):
    """
    Bir konuşmadan nesne, özne, yüklem biçiminde olguları tutan sınıf.
    """

    object: str = Field(description="Olgunun nesnesi. Örneğin, 'Adam' ")

    subject: str = Field(description="Olgunun öznesi. Örneğin, 'Dondurma'")

    relationship: str = Field(description="Nesne ve özne arasındaki ilişki. Örn: 'SEVER'")


class ConversationFacts(BaseModel):
    """
    ConversationFact nesnelerinin listesini tutan sınıf.
    """
    facts: list[ConversationFact] = Field(description="ConversationFact nesnelerinin listesi.")

Sohbetleri özetleme

llm_with_output = (
    init_chat_model("gpt-4o-mini", model_provider="openai", api_key="...")
        .with_structured_output(ConversationFacts)
)

Sohbetleri özetleme

prompt = ChatPromptTemplate.from_messages(

    SystemMessagePromptTemplate.from_template("Konuşmadan olguları çıkarın."),

    MessagesPlaceholder(variable_name="history"),

)


chain = prompt | llm_with_output


chain.invoke({

    "history": history.messages,

})

ConversationFacts(facts=[
    ConversationFact(object='child', subject='Bluey', relationship='LOVES')
])

Hadi pratik yapalım!

LangChain ve Neo4j ile Graph RAG