Графи пам'яті

Graph RAG з LangChain і Neo4j

Adam Cowley

Manager, Developer Education at Neo4j

Пам'ять у застосунках RAG

Короткочасна пам'ять

Недовга, обмежена областю дії
Історія розмови

Довгострокова пам'ять

Семантична пам'ять: факти про світ
Корисна для гіперперсоналізації

Короткочасна пам'ять

Від короткочасної до довгострокової пам'яті

Історія повідомлень чату в 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?")

Проблеми зі зберіганням усього

Історія повідомлень чату в Neo4j

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?', ...)]

Підсумовування розмов

from pydantic import BaseModel, Field

class ConversationFact(BaseModel):
    """
    Клас для фактів із розмови у форматі об'єкт, суб'єкт, предикат.
    """

    object: str = Field(description="Об'єкт факту. Наприклад: 'Adam' ")

    subject: str = Field(description="Суб'єкт факту. Наприклад: 'Ice cream'")

    relationship: str = Field(description="Зв'язок між об'єктом і суб'єктом. Напр.: 'LOVES'")


class ConversationFacts(BaseModel):
    """
    Клас, що містить список об'єктів ConversationFact.
    """
    facts: list[ConversationFact] = Field(description="Список об'єктів ConversationFact.")

Підсумовування розмов

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

Підсумовування розмов

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')
])

Давайте потренуємось!

Graph RAG з LangChain і Neo4j