从向量到图

使用 LangChain 的 Retrieval Augmented Generation (RAG)

Meri Nova

Machine Learning Engineer

向量 RAG 的局限

典型的向量库 RAG 工作流。

包含"主题与关系"的气泡。

使用 LangChain 的 Retrieval Augmented Generation (RAG)

向量 RAG 的局限

典型的向量库 RAG 工作流。

包含"可扩展性"的气泡。

使用 LangChain 的 Retrieval Augmented Generation (RAG)

向量 RAG 的局限

典型的向量库 RAG 工作流。

包含"整合多样数据"的气泡。

使用 LangChain 的 Retrieval Augmented Generation (RAG)

图数据库

显示人与地点及兴趣间连接的图。

使用 LangChain 的 Retrieval Augmented Generation (RAG)

图数据库——节点

显示人与地点及兴趣间连接的图。

使用 LangChain 的 Retrieval Augmented Generation (RAG)

图数据库——边

显示人与地点及兴趣间连接的图。

使用 LangChain 的 Retrieval Augmented Generation (RAG)

Neo4j 图数据库

 

Neo4j 标志。

LangChain 标志。

使用 LangChain 的 Retrieval Augmented Generation (RAG)

从图形到图……

显示人与地点及兴趣间连接的图。

使用 LangChain 的 Retrieval Augmented Generation (RAG)

从图形到图……

barcelona_graph.jpg

使用 LangChain 的 Retrieval Augmented Generation (RAG)

从图形到图……

barcelona_graph.jpg

使用 LangChain 的 Retrieval Augmented Generation (RAG)

加载并切分维基百科页面

from langchain_community.document_loaders import WikipediaLoader
from langchain_text_splitters import TokenTextSplitter

raw_documents = WikipediaLoader(query="large language model").load()

text_splitter = TokenTextSplitter(chunk_size=100, chunk_overlap=20) 
documents = text_splitter.split_documents(raw_documents[:3])  

print(documents[0])

page_content='A large language model (LLM) is a computational model capable of...' 
metadata={'title': 'Large language model',
          'summary': "A large language model (LLM) is...",
          'source': 'https://en.wikipedia.org/wiki/Large_language_model'}
使用 LangChain 的 Retrieval Augmented Generation (RAG)

从文本到图！

from langchain_openai import ChatOpenAI

from langchain_experimental.graph_transformers import LLMGraphTransformer


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

llm_transformer = LLMGraphTransformer(llm=llm)


graph_documents = llm_transformer.convert_to_graph_documents(documents)
print(graph_documents)
使用 LangChain 的 Retrieval Augmented Generation (RAG)

从文本到图！

[GraphDocument(
    nodes=[
        Node(id='Llm', type='Computational model'),
        Node(id='Language Generation', type='Concept'),
        Node(id='Natural Language Processing Tasks', type='Concept'),
        Node(id='Llama Family', type='Computational model'),
        Node(id='Ibm', type='Organization'),
        ..., Node(id='Bert', type='Computational model')],
    relationships=[
        Relationship(source=Node(id='Llm', type='Computational model'),
                     target=Node(id='Language Generation', type='Concept'),
                     type='CAPABLE_OF'),
        ...])]
使用 LangChain 的 Retrieval Augmented Generation (RAG)

¡Vamos a practicar!

使用 LangChain 的 Retrieval Augmented Generation (RAG)

Preparing Video For Download...