Geheugengrafieken

Graph RAG met LangChain en Neo4j

Adam Cowley

Manager, Developer Education at Neo4j

Geheugen in RAG-toepassingen

Kortetermijngeheugen

Kort leven, beperkt bereik
Gespreksgeschiedenis

Langetermijngeheugen

Semantisch geheugen: feiten over de wereld
Handig voor hyperpersonalisatie

Kortetermijngeheugen

Van kortetermijn- naar langetermijngeheugen

Neo4j-chatberichtgeschiedenis

from langchain_neo4j import Neo4jChatMessageHistory


history = Neo4jChatMessageHistory(

    url=NEO4J_URI,

    username=NEO4J_USERNAME,

    password=NEO4J_PASSWORD,

    session_id="session_id_1",

)


# Voeg een menselijk bericht toe
history.add_user_message("hi!")


# Voeg een AI-bericht toe
history.add_ai_message("what's up?")

Problemen met alles opslaan

Neo4j-chatberichtgeschiedenis

from langchain_neo4j import Neo4jChatMessageHistory

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

    window=10 # standaard 3 berichten

)


# Haal geschiedenis op
print(history.messages)

[HumanMessage(content='hi!', ...), AIMessage(content='whats up?', ...)]

Gesprekken samenvatten

from pydantic import BaseModel, Field

class ConversationFact(BaseModel):
    """
    Een klasse die feiten uit een gesprek bewaart als object, subject, predicaat.
    """

    object: str = Field(description="Het object van het feit. Bijvoorbeeld: 'Adam' ")

    subject: str = Field(description="Het subject van het feit. Bijvoorbeeld: 'IJs' ")

    relationship: str = Field(description="De relatie tussen object en subject. Bijv.: 'HOUDT_VAN'")


class ConversationFacts(BaseModel):
    """
    Een klasse met een lijst van ConversationFact-objecten.
    """
    facts: list[ConversationFact] = Field(description="Een lijst met ConversationFact-objecten.")

Gesprekken samenvatten

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

Gesprekken samenvatten

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')
])

Laten we oefenen!

Graph RAG met LangChain en Neo4j