Intégrer

Le package d'intégration Langchain-Kùzu, maintenant disponible sur PYPI, connecte de manière transparente les capacités de Langchain avec la base de données de graphiques de Kùzu. Cette combinaison puissante simplifie la transformation du texte non structuré en graphiques structurés, bénéficiant aux scientifiques des données, aux développeurs et aux amateurs d'IA. Explorons ses caractéristiques et fonctionnalités clés.

Points d'apprentissage clés

Ce tutoriel couvrira:

• Transformer le texte non structuré en bases de données graphiques structurées à l'aide de Langchain-Kùzu.
• Définition des schémas de graphiques personnalisés (nœuds et relations) pour correspondre à vos données.
• Création, mise à jour et interrogation des graphiques à l'aide des outils LLM de Kùzu et Langchain.
• Utilisation de la requête en langage naturel des bases de données de graphiques via GraphQachain de Langchain.
• en utilisant des fonctionnalités avancées telles que des mises à jour de schéma dynamique, des accords LLM personnalisés et des options d'importation de données flexibles dans Kùzu.

Cet article fait partie du blogathon de la science des données.

Table des matières:

• Installation rapide de Kùzu
• Avantages de Langchain-Kùzu
• Début: un exemple pratique
• Exploration des fonctionnalités avancées
• Pour commencer (revisité)
• Conclusion
• Les questions fréquemment posées

Installation rapide de Kùzu

Installez le package sur Google Colab en utilisant:

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

Cela inclut le support du modèle Langchain, Kùzu et Openai GPT. D'autres LLM peuvent être intégrés via leurs packages compatibles Langchain respectifs.

Pourquoi choisir Langchain-Kùzu?

Idéal pour travailler avec du texte non structuré et créer des représentations de graphiques, ce package propose:

• Schémas flexibles: Définir et extraire facilement les entités et les relations.
• Conversion de texte à graphique: Structure des graphiques significatifs à partir de texte brut en utilisant LLMS.
• Requêtes en langage naturel: Requête graphique intuitivement avec GraphQachain de Langchain.
• Intégration rationalisée: Connectez les LLM de Langchain à Kùzu pour des flux de travail efficaces.

illustrons cela avec un exemple pratique.

Création d'un graphique à partir du texte

Tout d'abord, créez une base de données Kùzu locale et établissez une connexion:

import kuzu

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

Début avec Langchain-Kùzu

Langchain-Kùzu simplifie la création de graphiques et la mise à jour à partir de texte non structuré et l'interrogation via un pipeline Text2Cher à l'aide des chaînes LLM de Langchain. Commencez par créer un objet KuzuGraph:

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

Considérez cet exemple de texte:

• «Tim Cook est le PDG d'Apple. Apple a son siège social en Californie. »

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

Étape 1: Définissez le schéma du graphique

Spécifiez les entités (nœuds) et les relations:

import kuzu

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

Étape 2: Transformer le texte en documents graphiques

Utiliser LLMGraphTransformer pour structurer le texte:

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

Étape 3: Ajoutez des documents graphiques à Kùzu

Chargez les documents dans 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"),
]

Remarque: Définissez allow_dangerous_requests=True dans KuzuGraph si la rencontre d'erreurs.

Interroger le graphique

Utiliser KuzuQAChain pour les requêtes en langage naturel:

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)

fonctionnalités avancées

Langchain-Kùzu propose:

• Mises à jour du schéma dynamique: Rafraîchissement du schéma automatique lors des mises à jour du graphique.
• Association LLM personnalisée: Utilisez des LLM séparés pour la génération et la génération de réponses Cypher.
• Inspection complète du graphique: Inspectez facilement les nœuds, les relations et le schéma.

Les principales caractéristiques de Kùzu incluent la prise en charge de la requête Cypher, l'architecture intégrée et les options d'importation de données flexibles. Reportez-vous à la documentation de Kùzu pour plus de détails.

En démarrage (revisité)

1. installer langchain-kuzu.
2. Définissez votre schéma de graphique.
3. Utilisez les LLM de Langchain pour la création et la requête de graphiques. Voir la page PYPI pour plus d'exemples.

Conclusion

L'intégration de Langchain-Kùzu rationalise le traitement des données non structurées, permettant une transformation efficace de texte à graphe et une requête en langage naturel. Cela permet aux utilisateurs de dériver des informations précieuses à partir des données du graphique.

Questions fréquemment posées

Q1: Comment installer langchain-kuzu? a: Utiliser pip install langchain-kuzu. Nécessite Python 3.7.

Q2: LLMS pris en charge? A: Modèles GPT d'Openai, et autres via le support Langchain.

Q3: Schémas personnalisés? A: Oui, définissez vos nœuds et relations.

Q4: le schéma ne met pas à jour? A: Le schéma se met automatiquement à jour; Appelez manuellement refresh_schema() si nécessaire.

Q5: LLMS séparés pour la génération de cypher et de réponses? A: Oui, utilisez cypher_llm et qa_llm dans KuzuQAChain.

Q6: Formats d'importation de données pris en charge? A: CSV, JSON et bases de données relationnelles.

(Remarque: Les images ne sont pas incluses comme l'invite spécifiée en conservant le format et l'emplacement d'image d'origine. Les espaces réservés d'image restent comme ils étaient dans l'entrée.)

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!