利用 Neo4j 矢量索引和 GraphCypherQAChain 优化信息合成，以通过 Mistral-7b 生成知情响应。

随着大型语言模型（LLM）和知识图的出现，不断发展的信息检索和知识提取领域发生了显着的变化，特别是在多跳问答的背景下。该项目利用 Neo4j 矢量索引和Neo4j 图数据库的强大功能来实现检索增强生成系统，旨在为用户查询提供精确且上下文丰富的答案。该系统采用矢量相似性搜索来搜索非结构化信息，同时访问图数据库来检索结构化数据，确保响应不仅全面，而且植根于经过验证的知识。这种方法对于解决多跳问题尤其重要，其中单个查询可以分解为多个子问题，并且可能需要来自大量文档的信息才能生成准确的答案。

知识密集型检索增强生成架构。

在数据既丰富又复杂的时代，上述系统是一个关键工具，确保用户查询得到的答案是广泛的知识和经过验证的准确性的无缝结合，从而弥合了非结构化数据和数据之间的差距。结构化知识图。最后一步，系统将检索到的非结构化和结构化信息传递到新的大型语言模型Mistral-7b中，用于文本生成。这种集成确保生成的响应不仅由模型中封装的大量知识提供信息，而且还通过从矢量和图形数据库检索的特定实时数据进行微调和丰富，从而提供细致入微、准确且符合上下文的信息和相关的用户体验。

Neo4j向量索引

Neo4j 矢量索引已成为检索增强生成 (RAG) 应用领域的关键工具，特别是在处理结构化和非结构化数据方面。LangChain库是构建大型语言模型 (LLM) 应用程序的重要框架，集成了对 Neo4j 矢量索引的全面支持，从而简化了 RAG 应用程序中的数据摄取和查询。这种集成不仅有助于将数据高效引入 Neo4j 矢量索引，而且还能够构建有效的 RAG 应用程序，通过利用结构化和非结构化数据提供实时、准确且与上下文相关的答案。

GraphCypherQAChain类在使用自然语言问题查询图数据库（特别是 Neo4j）领域发挥功能作用。它使用大型语言模型从输入问题生成 Cypher 查询，针对 Neo4j 图数据库执行它们，并根据查询结果提供答案。该实用程序方便用户检索特定数据，而无需编写复杂的 Cypher 查询，从而使存储在图数据库中的数据更易于访问且更易于交互。

Mistral 7B是最新的大型语言模型，因其在一系列基准测试中的卓越性能而受到认可，展示了处理各种语言任务和查询的熟练程度，如下图所示。在检索增强生成 (RAG) 架构中，Mistral 7B 发挥着关键作用，它根据矢量和图搜索检索到的信息合成和生成文本，确保输出不仅上下文丰富，而且能够根据用户的查询精确定制。它有效地弥合了非结构化数据和结构化知识图之间的差距，提供混合了预先训练的知识和实时、经过验证的数据的答案。

从安装依赖项开始。

请参阅GitHub 存储库（https://github.com/sauravjoshi23/ai/blob/main/retrieval%20augmented%20generation/integrated-qa-neo4j-langchain.ipynb）以获取完整的 Jupyter 笔记本。

首先导入必要的库和模块，为与数据集准备、Neo4j 矢量索引的接口以及利用 Mistral 7B 的文本生成功能奠定基础。利用dotenv，它可以安全地加载环境变量，保护 OpenAI API 和 Neo4j 数据库的敏感凭据。

在这里，使用 Leonhard Euler 的维基百科页面进行实验。使用 bert-base-uncased 模型来标记文本。WikipediaLoader 加载指定页面的原始内容，然后使用 LangChain 的 RecursiveCharacterTextSplitter 将其分成更小的文本片段。该拆分器确保每个块最大化为 200 个标记，其中重叠 20 个标记，遵守嵌入模型的上下文窗口限制，并确保不会丢失上下文的连续性。

分块文档作为节点实例化到 Neo4j 向量索引中。它使用 Neo4j 图数据库和 OpenAI 嵌入的核心功能来构建该向量索引。

在提取向量索引中的文档后，对示例用户查询执行向量相似度搜索并检索前 2 个最相似的文档。

受到NaLLM

项目的高度启发，使用他们的开源项目从非结构化数据构建知识图。下面是使用 Leonhard Euler 的维基百科文章中的单个文档块构建的知识图。

在深入研究该项目后，学到了很多关于使用LLMs构建知识图谱的知识。例如，以下是从非结构化文本中捕获实体和关系的提示：

有很多功能很有趣，同时可以改进。

接下来，导入必要的库来设置 Neo4j DB QA 链。

构建图表后，需要连接到 Neo4jGraph 实例并可视化模式。

GraphCycherQAChain 抽象所有细节并输出自然语言问题 (NLQ) 的自然语言响应。然而，它在内部使用 LLM 生成 NLQ 的 Cypher 查询，并从图数据库检索图结果，最后使用这些结果生成最终的自然语言响应，再次使用 LLM。

在 AWS SageMaker 环境中从 Hugging Face 设置 Mistral-7B 终端节点。

最终响应是通过构造提示来制作的，该提示包括指令、向量索引中的相关数据、图数据库中的相关信息以及用户的查询。然后，该提示会传递给 Mistral-7b 模型，该模型会根据提供的信息生成有意义且准确的响应。

Neo4j Vector Index 和 GraphCypherQAChain 与 Mistral-7b 的集成提供了处理复杂数据的强大系统，有效地弥合了大量非结构化数据和复杂图知识之间的差距，通过综合两个数据源的信息，为用户查询提供全面、准确的响应利用 Neo4j 进行矢量相似性搜索和图数据库检索，确保生成的响应不仅由 Mistral-7b 的大量预先训练的知识提供信息，而且还通过来自矢量和图数据库的实时数据进行上下文丰富和验证。最后，目标是在未来的实验中尝试多跳查询，因为最初建立模块化管道对于适应快速发展的人工智能领域是必要的。

该项目强调了 Neo4j Vector Index 和 LangChain 的 GraphCypherQAChain 的有效组合，分别可以浏览非结构化数据和图知识，然后利用 Mistral-7b 生成明智且准确的响应。通过使用 Neo4j 从向量索引和图数据库检索相关信息，系统确保生成的响应不仅上下文丰富，而且锚定在经过验证的实时知识中。该实现展示了检索增强生成的实际应用，其中利用来自不同数据源的综合信息来生成响应，这些响应是预先训练的知识和特定的实时数据的和谐混合，从而提高了预测的准确性和相关性。对用户查询的响应。

Neo4j and Large Language Models (LLMs) https://github.com/neo4j/NaLLM/tree/main

Knowledge Graphs & LLMs: Harnessing Large Language Models with Neo4j  https://medium.com/neo4j/harnessing-large-language-models-with-neo4j-306ccbdd2867

Knowledge Graphs & LLMs: Fine-Tuning Vs. Retrieval-Augmented Generation  https://medium.com/neo4j/knowledge-graphs-llms-fine-tuning-vs-retrieval-augmented-generation-30e875d63a35

Knowledge Graphs & LLMs: Multi-Hop Question Answering  https://medium.com/neo4j/knowledge-graphs-llms-multi-hop-question-answering-322113f53f51

LangChain Library Adds Full Support for Neo4j Vector Index  https://medium.com/neo4j/langchain-library-adds-full-support-for-neo4j-vector-index-fa94b8eab334

Mistral 7B  https://mistral.ai/news/announcing-mistral-7b/

Knowledge Graph Construction Demo from raw text using an LLM  https://www.youtube.com/watch?v=Hg4ahTQlBm0