Graphes de mémoire

Graph RAG avec LangChain et Neo4j

Adam Cowley

Manager, Developer Education at Neo4j

Mémoire dans les applications RAG

Mémoire à court terme

  • Durée brève, portée limitée
  • Historique de conversation

 

Poisson rouge

Mémoire à long terme

  • Mémoire sémantique : faits sur le monde
  • Utile pour l'hyperpersonnalisation

Éléphant

Graph RAG avec LangChain et Neo4j

Mémoire à court terme

Graph RAG avec LangChain et Neo4j

Mémoire à court terme

Graph RAG avec LangChain et Neo4j

Mémoire à court terme

Graph RAG avec LangChain et Neo4j

De la mémoire à court terme à la mémoire à long terme

Graph RAG avec LangChain et Neo4j

De la mémoire à court terme à la mémoire à long terme

Graph RAG avec LangChain et Neo4j

De la mémoire à court terme à la mémoire à long terme

Graph RAG avec LangChain et Neo4j

De la mémoire à court terme à la mémoire à long terme

Graph RAG avec LangChain et Neo4j

De la mémoire à court terme à la mémoire à long terme

Graph RAG avec LangChain et Neo4j

Historique des messages de clavardage 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 avec LangChain et Neo4j

Problèmes à tout conserver

Problèmes de méthodes de mémoire

Graph RAG avec LangChain et Neo4j

Historique des messages de clavardage Neo4j

from langchain_neo4j import Neo4jChatMessageHistory

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

    window=10 # par défaut : 3 messages

)


# Obtenir l'historique
print(history.messages)

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

Résumer des conversations

from pydantic import BaseModel, Field

class ConversationFact(BaseModel):
    """
    A class that holds the facts from a conversation in a format of object, subject, predicate.
    """

    object: str = Field(description="The object of the fact. For example, 'Adam' ")

    subject: str = Field(description="The subject of the fact. For example, 'Ice cream'")

    relationship: str = Field(description="The relationship between object and subject. Eg: 'LOVES'")


class ConversationFacts(BaseModel):
    """
    A class that holds a list of ConversationFact objects.
    """
    facts: list[ConversationFact] = Field(description="A list of ConversationFact objects.")
Graph RAG avec LangChain et Neo4j

Résumer des conversations

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

Résumer des conversations

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 avec LangChain et Neo4j

Passons à la pratique !

Graph RAG avec LangChain et Neo4j

Preparing Video For Download...