Integrieren

Das Langchain-Kùzu-Integrationspaket, das jetzt auf PYPI verfügbar ist, verbindet die Funktionen von Langchain nahtlos mit der Graph-Datenbank von Kùzu. Diese leistungsstarke Kombination vereinfacht die Umwandlung unstrukturierter Text in strukturierte Grafiken und kommt es gleichermaßen zu Datenwissenschaftlern, Entwicklern und KI -Enthusiasten. Erforschen wir die wichtigsten Merkmale und Funktionen.

Key -Lernpunkte

Dieses Tutorial behandelt:

• unstrukturiertes Text in strukturierte Graphendatenbanken mit Langchain-Kùzu verwandeln.
• Definieren von benutzerdefinierten Graphenschemata (Knoten und Beziehungen), die Ihren Daten entsprechen.
• Erstellen, Aktualisieren und Abfragen von Grafiken mit den LLM -Tools von Kùzu und Langchain.
• Verwenden von natürlichen Sprachabfragen von Graphendatenbanken über Langchains Graphqachain.
• Verwenden Sie erweiterte Funktionen wie dynamische Schema -Updates, benutzerdefinierte LLM -Paarungen und flexible Datenimportoptionen in Kùzu.

Dieser Artikel ist Teil des Data Science -Blogathons.

Inhaltsverzeichnis:

• schnelle Kùzu -Installation
• Vorteile von Langchain-Kùzu
• Erste Schritte: Ein praktisches Beispiel
• erweiterte Feature Exploration
• Erste Schritte (überarbeitet)
• Schlussfolgerung
• häufig gestellte Fragen

schnelle Kùzu -Installation

installieren Sie das Paket auf Google Colab mit:

pip install -U langchain-kuzu langchain-openai langchain-experimental

Dies umfasst Langchain, Kùzu und OpenAI GPT -Modellunterstützung. Andere LLMs können über ihre jeweiligen Langchain-kompatiblen Pakete integriert werden.

Warum Langchain-Kùzu?

wählen

ideal für die Arbeit mit unstrukturiertem Text und Erstellen von Grafikdarstellungen. Dieses Paket bietet:

• Flexible Schemata: Einfach Entitäten und Beziehungen definieren und extrahieren.
• Text-zu-Graf-Konvertierung: Struktur aussagekräftige Diagramme aus dem Rohtext mit LLMs.
• natürliche Sprachfragen: Abfragen von Graphen intuitiv mit Langchains Graphqachain.
• optimierte Integration: Langchains LLMs mit Kùzu für effiziente Workflows verbinden.

veranschaulichen wir dies mit einem praktischen Beispiel.

Erstellen eines Diagramms aus Text

Erstellen Sie zunächst eine lokale Kùzu -Datenbank und stellen Sie eine Verbindung her:

import kuzu

db = kuzu.Database("test_db")
conn = kuzu.Connection(db)

Erste Schritte mit Langchain-Kùzu

Langchain-Kùzu vereinfacht die Erstellung und Aktualisierung des Graphen und die Aktualisierung aus unstrukturiertem Text und Abfragen über eine Text2Cypher-Pipeline mit LLM-Ketten von Langchain. Beginnen Sie mit dem Erstellen eines KuzuGraph -Objekts:

from langchain_kuzu.graphs.kuzu_graph import KuzuGraph
graph = KuzuGraph(db, allow_dangerous_requests=True)

Betrachten Sie diesen Beispieltext:

• “Tim Cook ist der CEO von Apple. Apple hat seinen Hauptsitz in Kalifornien. ”

pip install -U langchain-kuzu langchain-openai langchain-experimental

Schritt 1: Definieren Sie das Diagrammschema

Geben Sie die Entitäten (Knoten) und Beziehungen an:

import kuzu

db = kuzu.Database("test_db")
conn = kuzu.Connection(db)

Schritt 2: Text in Diagrammdokumente

verwandeln

Verwenden Sie LLMGraphTransformer, um den Text zu strukturieren:

from langchain_kuzu.graphs.kuzu_graph import KuzuGraph
graph = KuzuGraph(db, allow_dangerous_requests=True)

Schritt 3: Fügen Sie Kùzu

Graphendokumente hinzu

Laden Sie die Dokumente in kùzu:

text = "Tim Cook is the CEO of Apple. Apple has its headquarters in California."

# Define schema
allowed_nodes = ["Person", "Company", "Location"]
allowed_relationships = [
    ("Person", "IS_CEO_OF", "Company"),
    ("Company", "HAS_HEADQUARTERS_IN", "Location"),
]

HINWEIS: Setzen Sie allow_dangerous_requests=True in KuzuGraph, wenn auf Fehler begegnet.

Abfragen des Diagramms

Verwenden Sie KuzuQAChain für natürliche Sprachanfragen:

from langchain_core.documents import Document
from langchain_experimental.graph_transformers import LLMGraphTransformer
from langchain_openai import ChatOpenAI

# Define the LLMGraphTransformer
llm_transformer = LLMGraphTransformer(
    llm=ChatOpenAI(model="gpt-4o-mini", temperature=0, api_key='OPENAI_API_KEY'),  # noqa: F821
    allowed_nodes=allowed_nodes,
    allowed_relationships=allowed_relationships,
)

documents = [Document(page_content=text)]
graph_documents = llm_transformer.convert_to_graph_documents(documents)

Erweiterte Funktionen

Langchain-kùzu bietet:

• Dynamisches Schema -Updates: automatisches Schema -Aktualisierung nach Diagrammaktualisierungen.
• benutzerdefinierte LLM -Paarung: Verwenden Sie separate LLMs für die Cypher -Generierung und -Antwortenerzeugung.
• umfassende Grafikprüfung: Inspizieren Sie einfach Knoten, Beziehungen und Schema.

Zu den wichtigsten Merkmalen von

Kùzu gehören Cypher -Abfrageunterstützung, eingebettete Architektur und flexible Datenimportoptionen. Weitere Informationen finden Sie in der Kùzu -Dokumentation.

Erste Schritte (überarbeitet)

1. installieren langchain-kuzu.
2. Definieren Sie Ihr Grafikschema.
3. Verwenden Sie Langchains LLMs für die Erstellung und Abfrage von Graphen. Weitere Beispiele finden Sie auf der Seite PYPI.

Schlussfolgerung

Die Langchain-Kùzu-Integration rationalisiert die unstrukturierte Datenverarbeitung und ermöglicht eine effiziente Transformation von Text zu Graf und eine Abfrage in der natürlichen Sprache. Dies ermöglicht den Benutzern, wertvolle Erkenntnisse aus Grafikdaten abzuleiten.

häufig gestellte Fragen

Q1: Wie installiere ich langchain-kuzu? a: Verwenden Sie pip install langchain-kuzu. Benötigt Python 3.7.

Q2: Unterstützte LLMs?

Q3: benutzerdefinierte Schemas?

A: Ja, definieren Sie Ihre Knoten und Beziehungen.

Q4: Schema nicht aktualisiert?

a: Die Schema -Aktualisierungen automatisch; Wenn nötig manuell anrufen. refresh_schema()

Q5: Separate LLMs für die Cypher- und Antwortgenerierung?

a: Ja, verwenden Sie und in cypher_llm. qa_llm KuzuQAChain Q6: Unterstützte Datenimportformate?

(Hinweis: Die Bilder sind nicht als angegebene Eingabeaufforderung enthalten, bei der das Originalbildformat und die Ortsort beibehalten wird.

Das obige ist der detaillierte Inhalt vonIntegrieren. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!