Microsofts GraphRAG-implementering har været effektivt brugt til at konstruere vidensgrafter fra kilde-dokumenter, der er behandlet gennem en stor sprogmodel (LLM). Udfaldet er struktureret information om enheder og deres relationer, som yderligere behandles ved hjælp af grafalgoritmer som Leiden-fællesskabsdetektionsalgoritmen til at generere resumer. Denne post diskuterer, hvordan man kan lagre GraphRAG-udfald i Neo4j og implementere lokale og globale hentere ved hjælp af LangChain eller LlamaIndex. Datasættet, der er brugt, er "Et juleeventyr" af Charles Dickens. Selv om graf-ekstraktionsprocessen kan springes over, er nogle vigtige konfigurationer valg af enhedstyper (organisationer, mennesker, begivenheder, geo) og indstilling af maksimal gleanings til at udføre flere ekstraktionspass for omfattende informationsindsamling. Udfaldet fra graf-ekstraktionsrørledningen lagres som parquet-filer, som derefter importeres til Neo4j. Importprocessen kan udføres ved hjælp af en gratis sky Aura-instans eller et lokalt Neo4j-miljø, med importkoden tilgængelig som en Jupyter-notebook på GitHub. Efter at have importeret dataene til Neo4j udføres en simpel graf-analyse ved hjælp af Cypher-forespørgsler for at forstå strukturen og indholdet af de ekstraherede data. For eksempel kan fordelingen af ekstraherede enheder og nodgrader analyseres for at opnå indsigt i dataene. De ekstraherede enheder og deres relationer visualiseres og valideres ved hjælp af Neo4j-Browseren. Til implementering af hentere bruger den lokale henter vektor-søgning til at identificere relevante noder og derefter at traves gennem sammenkædede oplysninger for at indføre i LLM-prompten. Vektor-indexet konfigureres, og hentningsforespørgslen defineres for at indsamle relevante tekstdata, såsom tekststykker, fællesskabsrapporter og relationsbeskrivelser. Dette implementeres ved hjælp af både LangChain og LlamaIndex, med hentningsforespørgslen tilpasset til hver ramme. Den globale henter, på den anden side, itererer over fællesskabsresumer på et specificeret hierarkisk niveau, genererer mellemsummar og en slutsvare. Dette tilgangsmåde forenkler hentningsprocessen, men kræver valg af det passende hierarkiske niveau for de bedste resultater. I resume, integrationen af GraphRAG med Neo4j og henter-rammeverk som LangChain og LlamaIndex muliggør avanceret datahentning fra strukturerede vidensgrafter, udnyttende både lokale og globale hentningsstrategier. Denne implementering viser de praktiske anvendelser af GraphRAG i analyse og forespørgsel af struktureret information, der er ekstraheret fra tekstkilder.