paint-brush
Mastering LLM Knowledge Graphs: ສ້າງ ແລະປະຕິບັດ GraphRAG ໃນເວລາພຽງ 5 ນາທີໂດຍ@neo4j
320 ການອ່ານ
320 ການອ່ານ

Mastering LLM Knowledge Graphs: ສ້າງ ແລະປະຕິບັດ GraphRAG ໃນເວລາພຽງ 5 ນາທີ

ໂດຍ Neo4j7m2024/10/18
Read on Terminal Reader

ຍາວເກີນໄປ; ອ່ານ

Neo4j LLM Knowledge Graph Builder ເປັນແອັບພລິເຄຊັນທີ່ມີນະວັດຕະກໍາສໍາລັບການປ່ຽນຂໍ້ຄວາມທີ່ບໍ່ມີໂຄງສ້າງເປັນກາຟຄວາມຮູ້. ມັນໃຊ້ຮູບແບບ ML (LLMs: OpenAI, Gemini, Diffbot) ເພື່ອຫັນປ່ຽນ PDFs, ຫນ້າເວັບແລະວິດີໂອ YouTube. ຄວາມສາມາດນີ້ແມ່ນຫນ້າຕື່ນເຕັ້ນໂດຍສະເພາະຍ້ອນວ່າມັນອະນຸຍາດໃຫ້ມີການໂຕ້ຕອບ intuitive ກັບຂໍ້ມູນ, ຄ້າຍຄືກັບການສົນທະນາກັບກາຟຄວາມຮູ້ຕົວມັນເອງ.
featured image - Mastering LLM Knowledge Graphs: ສ້າງ ແລະປະຕິບັດ GraphRAG ໃນເວລາພຽງ 5 ນາທີ
Neo4j HackerNoon profile picture
0-item
1-item


LLM Knowledge Graph Builder ແມ່ນຫນຶ່ງໃນເຄື່ອງມືລະບົບນິເວດ GraphRAG ຂອງ Neo4j ທີ່ຊ່ວຍໃຫ້ທ່ານສາມາດປ່ຽນຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງໄປສູ່ກາຟຄວາມຮູ້ແບບເຄື່ອນໄຫວ. ມັນໄດ້ຖືກລວມເຂົ້າກັບ chatbot Retrieval-Augmented Generation (RAG), ເຮັດໃຫ້ການສອບຖາມພາສາທໍາມະຊາດແລະຄວາມເຂົ້າໃຈທີ່ອະທິບາຍໄດ້ໃນຂໍ້ມູນຂອງທ່ານ.


ເລີ່ມຕົ້ນດ້ວຍ GraphRAG: ເຄື່ອງມືລະບົບນິເວດຂອງ Neo4j

Neo4j LLM Knowledge Graph Builder ແມ່ນຫຍັງ?

Neo4j LLM Knowledge Graph Builder ເປັນຄໍາຮ້ອງສະຫມັກອອນໄລນ໌ທີ່ມີນະວັດກໍາສໍາລັບການປ່ຽນຂໍ້ຄວາມທີ່ບໍ່ມີໂຄງສ້າງເຂົ້າໄປໃນເສັ້ນສະແດງຄວາມຮູ້ທີ່ບໍ່ມີລະຫັດແລະບໍ່ມີ Cypher, ສະຫນອງປະສົບການການປ່ຽນຂໍ້ຄວາມທີ່ມະຫັດສະຈັນ. ມັນໃຊ້ແບບຈໍາລອງ ML (LLMs: OpenAI, Gemini, Diffbot) ເພື່ອຫັນປ່ຽນ PDFs, ຫນ້າເວັບ, ແລະວິດີໂອ YouTube ເຂົ້າໄປໃນຕາຕະລາງຄວາມຮູ້ຂອງຫນ່ວຍງານແລະຄວາມສໍາພັນຂອງພວກເຂົາ.


ສ່ວນດ້ານໜ້າແມ່ນແອັບພລິເຄຊັນ React ໂດຍອີງໃສ່ ຊຸດເຄື່ອງເລີ່ມເຂັມ ຂອງພວກເຮົາ, ແລະດ້ານຫຼັງແມ່ນແອັບພລິເຄຊັນ Python FastAPI. ມັນໃຊ້ ໂມດູນ llm-graph-transformer ທີ່ Neo4j ປະກອບສ່ວນເຂົ້າໃນ LangChain.


ຄໍາຮ້ອງສະຫມັກສະຫນອງປະສົບການ seamless, ປະຕິບັດຕາມສີ່ຂັ້ນຕອນງ່າຍດາຍ:


  1. ການ​ປ້ອນ​ຂໍ້​ມູນ — ສະ​ຫນັບ​ສະ​ຫນູນ​ແຫຼ່ງ​ຂໍ້​ມູນ​ຕ່າງໆ​, ລວມ​ທັງ​ເອ​ກະ​ສານ PDF​, ຫນ້າ Wikipedia​, ວິ​ດີ​ໂອ YouTube​, ແລະ​ອື່ນໆ​ອີກ​.
  2. Entity Recognition - ໃຊ້ LLMs ເພື່ອກໍານົດແລະສະກັດຫນ່ວຍງານແລະຄວາມສໍາພັນອອກຈາກຂໍ້ຄວາມທີ່ບໍ່ມີໂຄງສ້າງ.
  3. ການສ້າງກຣາບ - ແປງຫົວໜ່ວຍທີ່ຮັບຮູ້ ແລະຄວາມສໍາພັນເປັນຮູບແບບກຣາຟ, ໂດຍໃຊ້ຄວາມສາມາດຂອງກາຟ Neo4j.
  4. ການໂຕ້ຕອບຜູ້ໃຊ້ - ສະຫນອງການໂຕ້ຕອບເວັບໄຊຕ໌ intuitive ສໍາລັບຜູ້ໃຊ້ເພື່ອພົວພັນກັບຄໍາຮ້ອງສະຫມັກ, ອໍານວຍຄວາມສະດວກໃນການອັບໂຫລດແຫຼ່ງຂໍ້ມູນ, ການເບິ່ງເຫັນຂອງກາຟທີ່ສ້າງຂຶ້ນ, ແລະການພົວພັນກັບຕົວແທນ RAG. ຄວາມສາມາດນີ້ແມ່ນຫນ້າຕື່ນເຕັ້ນເປັນພິເສດຍ້ອນວ່າມັນອະນຸຍາດໃຫ້ມີການໂຕ້ຕອບ intuitive ກັບຂໍ້ມູນ, ຄ້າຍຄືກັບການສົນທະນາກັບກາຟຄວາມຮູ້ຕົວມັນເອງ - ບໍ່ຈໍາເປັນຕ້ອງມີຄວາມຮູ້ດ້ານວິຊາການ.



ໃຫ້ລອງມັນອອກ

ພວກເຮົາສະຫນອງຄໍາຮ້ອງສະຫມັກໃນ ສະພາບແວດລ້ອມ Neo4j-hosted ຂອງພວກເຮົາທີ່ບໍ່ມີບັດເຄຣດິດທີ່ຕ້ອງການແລະບໍ່ມີກະແຈ LLM — ບໍ່ມີ friction.

ອີກທາງເລືອກ, ເພື່ອດໍາເນີນການມັນຢູ່ໃນທ້ອງຖິ່ນຫຼືພາຍໃນສະພາບແວດລ້ອມຂອງທ່ານ, ໄປຢ້ຽມຢາມ GitHub repo ສາທາລະນະແລະປະຕິບັດຕາມຄໍາແນະນໍາຂັ້ນຕອນໂດຍຂັ້ນຕອນທີ່ພວກເຮົາຈະກວມເອົາໃນການຕອບນີ້.


ກ່ອນທີ່ພວກເຮົາຈະເປີດແລະນໍາໃຊ້ LLM Knowledge Graph Builder, ໃຫ້ສ້າງຖານຂໍ້ມູນ Neo4j ໃຫມ່. ສໍາລັບການນັ້ນ, ພວກເຮົາສາມາດນໍາໃຊ້ຖານຂໍ້ມູນ AuraDB ຟຣີໂດຍປະຕິບັດຕາມຂັ້ນຕອນເຫຼົ່ານີ້:


  • ເຂົ້າສູ່ລະບົບ ຫຼືສ້າງບັນຊີຢູ່ https://console.neo4j.io .
  • ພາຍໃຕ້ຕົວຢ່າງ, ສ້າງຖານຂໍ້ມູນ AuraDB ຟຣີໃຫມ່.
  • ດາວໂຫລດໄຟລ໌ຂໍ້ມູນປະຈໍາຕົວ.
  • ລໍຖ້າຈົນກ່ວາຕົວຢ່າງຈະເຮັດວຽກ.


ໃນປັດຈຸບັນທີ່ພວກເຮົາມີຖານຂໍ້ມູນ Neo4j ຂອງພວກເຮົາແລ່ນແລະຂໍ້ມູນປະຈໍາຕົວຂອງພວກເຮົາ, ພວກເຮົາສາມາດເປີດ LLM Knowledge Graph Builder, ແລະຄລິກໃສ່ ການເຊື່ອມຕໍ່ກັບ Neo4j ໃນມຸມຂວາເທິງ.


ວາງໄຟລ໌ຂໍ້ມູນປະຈໍາຕົວທີ່ດາວໂຫລດມາໃນກ່ອງໂຕ້ຕອບການເຊື່ອມຕໍ່. ຂໍ້ມູນທັງຫມົດຄວນຈະຖືກຕື່ມໃສ່ໂດຍອັດຕະໂນມັດ. ອີກທາງເລືອກ, ທ່ານສາມາດໃສ່ທຸກສິ່ງທຸກຢ່າງດ້ວຍຕົນເອງ.

ການສ້າງ Knowledge Graph

ຂະບວນການເລີ່ມຕົ້ນດ້ວຍການເອົາຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງຂອງທ່ານ, ເຊິ່ງຫຼັງຈາກນັ້ນໄດ້ຜ່ານ LLM ເພື່ອກໍານົດຫນ່ວຍງານທີ່ສໍາຄັນແລະຄວາມສໍາພັນຂອງພວກເຂົາ.


ທ່ານ​ສາ​ມາດ drag ແລະ​ລົງ PDF ແລະ​ໄຟລ​໌​ອື່ນໆ​ເຂົ້າ​ໄປ​ໃນ​ເຂດ​ການ​ປ້ອນ​ຂໍ້​ມູນ​ທໍາ​ອິດ​ຢູ່​ເບື້ອງ​ຊ້າຍ​. ການປ້ອນຂໍ້ມູນທີສອງຈະເຮັດໃຫ້ເຈົ້າຄັດລອກ/ວາງລິ້ງໄປຫາວິດີໂອ YouTube ທີ່ເຈົ້າຕ້ອງການໃຊ້, ໃນຂະນະທີ່ການປ້ອນຂໍ້ມູນທີສາມໃຊ້ລິ້ງໜ້າ Wikipedia.


ຕົວຢ່າງນີ້, ຂ້ອຍຈະໂຫລດ PDF ຈໍານວນຫນ້ອຍທີ່ຂ້ອຍມີກ່ຽວກັບບໍລິສັດລະບົບຕ່ອງໂສ້ການສະຫນອງທີ່ເອີ້ນວ່າ GraphACME, ບົດຄວາມຂ່າວຈາກ Forbes , ແລະ ວິດີໂອ YouTube ກ່ຽວກັບ Corporate Sustainability Due Diligence Directive (CSDDD), ເຊັ່ນດຽວກັນກັບສອງຫນ້າຈາກ Wikipedia: ຄໍາແນະນໍາຂອງບໍລິສັດຄວາມຍືນຍົງເນື່ອງຈາກຄວາມພາກພຽນ ແລະ ບັງກະລາເທດ .


ໃນຂະນະທີ່ການອັບໂຫລດໄຟລ໌, ແອັບພລິເຄຊັນຈະເກັບແຫຼ່ງທີ່ອັບໂຫລດໄວ້ເປັນຈຸດເອກະສານໃນກາຟໂດຍໃຊ້ LangChain Document Loaders ແລະຕົວແຍກວິເຄາະ YouTube. ເມື່ອໄຟລ໌ທັງຫມົດໄດ້ຖືກອັບໂຫລດ, ທ່ານຄວນເຫັນບາງສິ່ງບາງຢ່າງທີ່ຄ້າຍຄືກັນນີ້:



ທັງໝົດທີ່ພວກເຮົາຕ້ອງເຮັດຕອນນີ້ແມ່ນເລືອກຕົວແບບເພື່ອໃຊ້, ຄລິກ ສ້າງກຣາບ , ແລະປ່ອຍໃຫ້ເວດມົນເຮັດສ່ວນທີ່ເຫຼືອໃຫ້ກັບເຈົ້າ!


ຖ້າທ່ານຕ້ອງການສ້າງການເລືອກໄຟລ໌, ທ່ານສາມາດເລືອກໄຟລ໌ທໍາອິດ (ໂດຍມີກ່ອງກາເຄື່ອງຫມາຍຢູ່ໃນຖັນທໍາອິດຂອງຕາຕະລາງ) ແລະຄລິກ ສ້າງຕາຕະລາງ .


⚠️ ສັງເກດວ່າຖ້າທ່ານຕ້ອງການໃຊ້ແຜນຜັງທີ່ກໍານົດໄວ້ລ່ວງຫນ້າຫຼືຮູບແບບກາຟຂອງທ່ານເອງ, ທ່ານສາມາດຄລິກໃສ່ໄອຄອນການຕັ້ງຄ່າໃນມຸມຂວາເທິງແລະເລືອກ schema ທີ່ກໍານົດໄວ້ກ່ອນຈາກເມນູເລື່ອນລົງ, ໃຊ້ຂອງທ່ານເອງໂດຍການຂຽນລົງ. ປ້າຍຊື່ແລະການພົວພັນ, ດຶງ schema ທີ່ມີຢູ່ຈາກຖານຂໍ້ມູນ Neo4j ທີ່ມີຢູ່ແລ້ວ, ຫຼືຄັດລອກ / ວາງຂໍ້ຄວາມແລະຂໍໃຫ້ LLM ວິເຄາະມັນແລະອອກມາດ້ວຍ schema ທີ່ແນະນໍາ.


ໃນຂະນະທີ່ມັນກໍາລັງປະມວນຜົນໄຟລ໌ຂອງເຈົ້າ ແລະສ້າງ Knowledge Graph ຂອງເຈົ້າ, ໃຫ້ຂ້ອຍສະຫຼຸບສິ່ງທີ່ເກີດຂຶ້ນພາຍໃຕ້ຫົວ:


  1. ເນື້ອໃນແມ່ນແບ່ງອອກເປັນຕ່ອນ.
  2. Chunks ຖືກເກັບໄວ້ໃນກາຟແລະເຊື່ອມຕໍ່ກັບ node ເອກະສານແລະເຊິ່ງກັນແລະກັນສໍາລັບຮູບແບບ RAG ຂັ້ນສູງ.
  3. chunks ທີ່​ຄ້າຍ​ຄື​ກັນ​ສູງ​ແມ່ນ​ເຊື່ອມ​ຕໍ່​ກັບ​ຄວາມ​ສໍາ​ພັນ SIMILAR ເພື່ອ​ປະ​ກອບ​ເປັນ K-Nearest Neighbors graph.
  4. ການຝັງຕົວໄດ້ຖືກຄິດໄລ່ແລະເກັບໄວ້ໃນ chunks ແລະ vector index.
  5. ການນໍາໃຊ້ llm-graph-transformer ຫຼື diffbot-graph-transformer, ຫນ່ວຍງານແລະຄວາມສໍາພັນແມ່ນຖືກສະກັດອອກຈາກຂໍ້ຄວາມ.
  6. ຫນ່ວຍງານຖືກເກັບໄວ້ໃນກາຟແລະເຊື່ອມຕໍ່ກັບ chunks ຕົ້ນກໍາເນີດ.

ສຳຫຼວດ Knowledge Graph ຂອງທ່ານ

ຂໍ້​ມູນ​ທີ່​ຖືກ​ແຍກ​ອອກ​ຈາກ​ເອ​ກະ​ສານ​ຂອງ​ທ່ານ​ແມ່ນ​ມີ​ໂຄງ​ສ້າງ​ເປັນ​ຮູບ​ແບບ​ກ​ຣາ​ຟ​, ບ່ອນ​ທີ່​ຫົວ​ຫນ່ວຍ​ກາຍ​ເປັນ nodes​, ແລະ​ຄວາມ​ສໍາ​ພັນ​ໄດ້​ກາຍ​ເປັນ​ຂອບ​ການ​ເຊື່ອມ​ຕໍ່​ຂໍ້​ເຫຼົ່າ​ນີ້​. ຄວາມງາມຂອງການນໍາໃຊ້ Neo4j ແມ່ນຢູ່ໃນຄວາມສາມາດໃນການເກັບຮັກສາແລະສອບຖາມເຄືອຂ່າຍຂໍ້ມູນທີ່ສັບສົນເຫຼົ່ານີ້ຢ່າງມີປະສິດທິພາບ, ເຮັດໃຫ້ເສັ້ນສະແດງຄວາມຮູ້ທີ່ສ້າງຂຶ້ນທັນທີເປັນປະໂຫຍດສໍາລັບຫຼາຍໆຄໍາຮ້ອງສະຫມັກ.


ກ່ອນທີ່ພວກເຮົາຈະໃຊ້ຕົວແທນ RAG ເພື່ອຖາມຄໍາຖາມກ່ຽວກັບຂໍ້ມູນຂອງພວກເຮົາ, ພວກເຮົາສາມາດເລືອກເອກະສານຫນຶ່ງ (ຫຼືຫຼາຍ) ດ້ວຍກ່ອງກາເຄື່ອງຫມາຍແລະຄລິກ Show Graph . ນີ້ຈະສະແດງຫນ່ວຍງານທີ່ສ້າງຂຶ້ນສໍາລັບເອກະສານທີ່ທ່ານເລືອກ; ນອກນັ້ນທ່ານຍັງສາມາດສະແດງເອກະສານແລະ chunks node ໃນມຸມເບິ່ງນັ້ນ:



ປຸ່ມ Open Graph with Bloom ຈະເປີດ Neo4j Bloom ເພື່ອຊ່ວຍໃຫ້ທ່ານເຫັນພາບ ແລະນຳທາງກາຟຄວາມຮູ້ທີ່ສ້າງຂຶ້ນໃໝ່ຂອງເຈົ້າ. ການດໍາເນີນການຕໍ່ໄປ — ລຶບໄຟລ໌ — ລຶບເອກະສານທີ່ເລືອກ ແລະ chunks ຈາກກາຟ (ແລະຫນ່ວຍງານຖ້າຫາກວ່າທ່ານເລືອກມັນຢູ່ໃນທາງເລືອກ).

ສົນທະນາກັບຄວາມຮູ້ຂອງເຈົ້າ

ຕອນນີ້ມາຮອດສ່ວນສຸດທ້າຍ: ຕົວແທນ RAG ທີ່ເຈົ້າສາມາດເຫັນໄດ້ໃນກະດານທີ່ຖືກຕ້ອງ.

ຂະບວນການດຶງຂໍ້ມູນ - ມັນເຮັດວຽກແນວໃດ?

ຮູບພາບຂ້າງລຸ່ມນີ້ສະແດງໃຫ້ເຫັນທັດສະນະທີ່ງ່າຍດາຍຂອງຂະບວນການ GraphRAG.



ເມື່ອຜູ້ໃຊ້ຖາມຄໍາຖາມ, ພວກເຮົາໃຊ້ Neo4j vector index ດ້ວຍການສອບຖາມຂໍ້ມູນເພື່ອຄົ້ນຫາ chunks ທີ່ກ່ຽວຂ້ອງທີ່ສຸດສໍາລັບຄໍາຖາມແລະຫນ່ວຍງານທີ່ເຊື່ອມຕໍ່ຂອງພວກເຂົາເຖິງຄວາມເລິກຂອງ 2 hops. ພວກເຮົາຍັງສະຫຼຸບປະຫວັດການສົນທະນາ ແລະໃຊ້ມັນເປັນອົງປະກອບເພື່ອເສີມສ້າງບໍລິບົດ.


ວັດສະດຸປ້ອນແລະແຫຼ່ງຂໍ້ມູນຕ່າງໆ (ຄໍາຖາມ, ຜົນໄດ້ຮັບ vector, ປະຫວັດການສົນທະນາ) ທັງຫມົດຖືກສົ່ງໄປຫາຕົວແບບ LLM ທີ່ເລືອກໃນການກະຕຸ້ນເຕືອນທີ່ກໍາຫນົດເອງ, ຂໍໃຫ້ສະຫນອງແລະຈັດຮູບແບບຄໍາຕອບຕໍ່ຄໍາຖາມທີ່ຖາມໂດຍອີງໃສ່ອົງປະກອບແລະສະພາບການທີ່ສະຫນອງໃຫ້. ແນ່ນອນ, ການກະຕຸ້ນເຕືອນມີ magic ຫຼາຍ, ເຊັ່ນ: ການຈັດຮູບແບບ, ຂໍໃຫ້ອ້າງເຖິງແຫຼ່ງຂໍ້ມູນ, ເພື່ອບໍ່ໃຫ້ຄາດເດົາວ່າຄໍາຕອບແມ່ນບໍ່ຮູ້, ແລະອື່ນໆ. ການເຕືອນແລະຄໍາແນະນໍາຢ່າງເຕັມທີ່ສາມາດພົບໄດ້ເປັນ FINAL_PROMPT ໃນ QA_integration.py .

ຖາມຄໍາຖາມທີ່ກ່ຽວຂ້ອງກັບຂໍ້ມູນຂອງທ່ານ

ໃນຕົວຢ່າງນີ້, ຂ້າພະເຈົ້າໄດ້ໂຫລດເອກະສານພາຍໃນກ່ຽວກັບບໍລິສັດປອມທີ່ມີຊື່ວ່າ GraphACME (ຢູ່ໃນເອີຣົບ), ການຜະລິດແລະເອກະສານຍຸດທະສາດຕ່ອງໂສ້ການສະຫນອງແລະຜະລິດຕະພັນທັງຫມົດຂອງພວກເຂົາ. ຂ້ອຍຍັງໄດ້ໂຫລດບົດຄວາມຂ່າວແລະວິດີໂອ YouTube ທີ່ອະທິບາຍ CSDDD ໃຫມ່, ຜົນກະທົບຂອງມັນ, ແລະກົດລະບຽບ. ຕອນນີ້ພວກເຮົາສາມາດຖາມຄໍາຖາມ chatbot ກ່ຽວກັບຄວາມຮູ້ຂອງບໍລິສັດພາຍໃນ (ປອມ) ຂອງພວກເຮົາ - ຄໍາຖາມກ່ຽວກັບກົດຫມາຍ CSDDD, ຫຼືແມ້ກະທັ້ງຄໍາຖາມໃນທົ່ວທັງສອງ, ເຊັ່ນ: ການຮ້ອງຂໍບັນຊີລາຍຊື່ຂອງຜະລິດຕະພັນ GraphACME ຜະລິດ, ຖ້າພວກເຂົາໄດ້ຮັບຜົນກະທົບຈາກກົດລະບຽບ CSDDD, ແລະ. ຖ້າເປັນດັ່ງນັ້ນ, ມັນຈະສົ່ງຜົນກະທົບຕໍ່ບໍລິສັດແນວໃດ.



ຄຸນສົມບັດການສົນທະນາ

ຢູ່ເບື້ອງຂວາຂອງໜ້າຈໍຫຼັກ, ທ່ານຈະສັງເກດເຫັນສາມປຸ່ມທີ່ຕິດຢູ່ກັບໜ້າຕ່າງສົນທະນາ:


  • Close ຈະປິດການໂຕ້ຕອບ chatbot.
  • ລຶບປະຫວັດການສົນທະນາ ຈະລຶບປະຫວັດການສົນທະນາຂອງເຊດຊັນປັດຈຸບັນ.
  • Maximize window ຈະເປີດການໂຕ້ຕອບ chatbot ໃນໂໝດເຕັມຈໍ.


ໃນຄໍາຕອບຂອງຕົວແທນ RAG, ທ່ານຈະພົບເຫັນສາມລັກສະນະຫຼັງຈາກການຕອບສະຫນອງ:


  • ລາຍ​ລະ​ອຽດ ​ຈະ​ເປີດ​ຂໍ້​ມູນ​ການ​ດຶງ​ຂໍ້​ມູນ​ທີ່​ສະ​ແດງ​ໃຫ້​ເຫັນ​ວ່າ​ຕົວ​ແທນ RAG ເກັບ​ກໍາ​ແລະ​ນໍາ​ໃຊ້​ແຫຼ່ງ (ເອ​ກະ​ສານ​) chunks​, ແລະ​ຫນ່ວຍ​ງານ​. ຂໍ້​ມູນ​ກ່ຽວ​ກັບ​ຮູບ​ແບບ​ການ​ນໍາ​ໃຊ້​ແລະ​ການ​ບໍ​ລິ​ໂພກ token ແມ່ນ​ລວມ​.
  • ການຄັດລອກ ຈະຄັດລອກເນື້ອໃນຂອງການຕອບສະຫນອງກັບ clipboard.
  • Text-to-Speech ຈະອ່ານເນື້ອໃນການຕອບຮັບດັງໆ.




ສະຫຼຸບ

ເພື່ອລົງເລິກເຂົ້າໄປໃນ LLM Knowledge Graph Builder, GitHub Repository ສະຫນອງຂໍ້ມູນຈໍານວນຫລາຍ, ລວມທັງລະຫັດແຫຼ່ງແລະເອກະສານ. ນອກຈາກນັ້ນ, ເອກະສານ ຂອງພວກເຮົາໃຫ້ຄໍາແນະນໍາຢ່າງລະອຽດກ່ຽວກັບການເລີ່ມຕົ້ນ, ແລະ ລະບົບນິເວດ GenAI ສະເຫນີຄວາມເຂົ້າໃຈຕື່ມອີກກ່ຽວກັບເຄື່ອງມືແລະຄໍາຮ້ອງສະຫມັກທີ່ກວ້າງຂວາງ.

ແມ່ນຫຍັງຕໍ່ໄປ — ການປະກອບສ່ວນ ແລະຄວາມສາມາດຂະຫຍາຍ

ປະສົບການຂອງທ່ານກັບ LLM Knowledge Graph Builder ແມ່ນບໍ່ມີຄ່າ. ຖ້າ​ຫາກ​ທ່ານ​ພົບ​ຂໍ້​ບົກ​ພ່ອງ​, ມີ​ຄໍາ​ແນະ​ນໍາ​ສໍາ​ລັບ​ຄຸນ​ນະ​ສົມ​ບັດ​ໃຫມ່​, ຕ້ອງ​ການ​ທີ່​ຈະ​ປະ​ກອບ​ສ່ວນ​, ຫຼື​ຕ້ອງ​ການ​ທີ່​ຈະ​ເບິ່ງ​ການ​ປັບ​ປຸງ​ບາງ​ຢ່າງ​, ເວ​ທີ​ຊຸມ​ຊົນ​ແມ່ນ​ບ່ອນ​ທີ່​ດີ​ເລີດ​ທີ່​ຈະ​ແບ່ງ​ປັນ​ຄວາມ​ຄິດ​ຂອງ​ທ່ານ​. ສໍາລັບຜູ້ທີ່ມີຄວາມຊໍານານໃນການຂຽນລະຫັດ, ການປະກອບສ່ວນໂດຍກົງໃນ GitHub ສາມາດເປັນວິທີທີ່ດີທີ່ຈະຊ່ວຍພັດທະນາໂຄງການ. ການປ້ອນຂໍ້ມູນ ແລະ ການປະກອບສ່ວນຂອງທ່ານບໍ່ພຽງແຕ່ຊ່ວຍປັບປຸງເຄື່ອງມືເທົ່ານັ້ນ ແຕ່ຍັງສົ່ງເສີມຊຸມຊົນທີ່ມີການຮ່ວມມື ແລະ ນະວັດຕະກໍາ:

ຊັບພະຍາກອນ

ສຶກສາເພີ່ມເຕີມກ່ຽວກັບຊັບພະຍາກອນໃໝ່ສຳລັບແອັບພລິເຄຊັນ GenAI: Neo4j GraphRAG Ecosystem Tools . ເຄື່ອງມືແຫຼ່ງເປີດເຫຼົ່ານີ້ເຮັດໃຫ້ມັນງ່າຍທີ່ຈະເລີ່ມຕົ້ນດ້ວຍຄໍາຮ້ອງສະຫມັກ GenAI ພື້ນຖານທີ່ມີເສັ້ນສະແດງຄວາມຮູ້, ເຊິ່ງຊ່ວຍປັບປຸງຄຸນນະພາບການຕອບສະຫນອງແລະການອະທິບາຍແລະເລັ່ງການພັດທະນາແລະການຮັບຮອງເອົາ app.

ວິດີໂອ

ລິ້ງຄ໌


L O A D I N G
. . . comments & more!

About Author

Neo4j HackerNoon profile picture
Neo4j@neo4j
Neo4j is the world's leading graph database, with native graph storage and processing..

ວາງປ້າຍ

ບົດ​ຄວາມ​ນີ້​ໄດ້​ຖືກ​ນໍາ​ສະ​ເຫນີ​ໃນ...