פיתוח אפליקציות באמצעות LlamaIndex

אתם יכולים ליצור אפליקציות של מודלים גדולים של שפה (LLM) שמשתמשים ב-GraphRAG (יצירה משופרת באמצעות אחזור גרפים) באמצעות LlamaIndex ו-Spanner Graph.

‫Spanner Graph משתלב עם LlamaIndex באמצעות היכולות של מאגר גרפים של מאפיינים, כדי לאפשר לכם להשתמש באפשרויות הבאות ליצירת תהליכי עבודה של אחזור נתונים:

  • מאגר גרפים של נכסים: מאפשר לייצג נתונים כגרף על ידי אחסון צמתים וקשתות במסד נתונים של גרפים. אתם יכולים להשתמש במסד נתונים של גרפים כדי להריץ שאילתות לגבי קשרים מורכבים בנתונים.

  • מאחזרי גרפים: מאפשרים להשתמש ב-LLM כדי לתרגם שאלה של משתמש בשפה טבעית לשאילתה במאגר הגרפים. כך אפליקציות יכולות לענות על שאלות באמצעות הקשרים המובנים בנתוני הגרף.

מה זה LlamaIndex?

‫LlamaIndex הוא framework לנתונים שמאפשר לבנות אפליקציות LLM. הוא עוזר לייעל את הפיתוח של יצירה משולבת-אחזור (RAG) ומערכות אחרות שמודעות להקשר. הספרייה LlamaIndex מספקת כלים לחיבור מודלים של LLM לנתונים שלכם, ועוזרת בהטמעת נתונים, בהוספה לאינדקס ובשליחת שאילתות. אתם יכולים להשתמש ב-LlamaIndex עם מודלים גדולים של שפה (LLM) כדי ליצור אפליקציות שמספקות תשובות מדויקות ורלוונטיות.

מידע נוסף על מסגרת LlamaIndex זמין במסמכי העזרה של מוצר LlamaIndex.

מאגר גרפים של נכסים ל-Spanner

אפשר להשתמש במאגר גרפים של נכסים באפליקציה כדי לבצע את הפעולות הבאות:

  • חילוץ ישויות וקשרים ממסמכים ושמירתם כגרף.

  • לבצע ניתוחים מורכבים של מבנה גרף.

  • אפשר להריץ שאילתה בגרף באמצעות Graph Query Language‏ (GQL) כדי לספק הקשר ספציפי למודל שפה גדול (LLM).

כדי לעבוד עם מאגר גרפים של נכסים ב-Spanner Graph, משתמשים במחלקה SpannerPropertyGraphStore.

מדריך לאחסון גרף נכסים

כדי ללמוד איך להשתמש במאגר גרפים של נכסים עם Spanner, אפשר לעיין במדריך למאגר גרפים של נכסים ב-Spanner. במדריך הזה תלמדו איך:

  • התקנה של חבילת llama-index-spanner ושל LlamaIndex

  • מאתחלים את המחלקה SpannerPropertyGraphStore ומשתמשים בה כדי להתחבר למסד הנתונים של Spanner.

  • מוסיפים צמתים וקשתות ל-Spanner Graph שמכילים נתונים שחולצו ממסמכים באמצעות כלי לחילוץ תרשים ידע של LlamaIndex.

  • אפשר לאחזר מידע מובנה על ידי שליחת שאילתה לגרף באמצעות GQL.

  • הדמיה של תוצאות השאילתות של הגרף.

Graph retrievers for Spanner

מאחזרים של גרפים ב-LlamaIndex הם רכיבים שמשתמשים ב-LLM כדי לתרגם שאלה של משתמש בשפה טבעית לשאילתה עבור מאגר הגרפים. האפליקציות משתמשות בשאילתה שנוצרה כדי לענות על שאלות באמצעות הקשרים המובנים בנתוני הגרף. כדי ליצור תשובה לשאילתה בשפה טבעית, מחלצי גרפים משתמשים בתהליך העבודה הבא:

  1. מזינים הנחיה למודל שפה גדול (LLM) כדי לתרגם את השאלה בשפה טבעית לשאילתת GQL.

  2. מריצים את שאילתת GQL על מאגר הגרפים באמצעות Spanner Graph והמחלקה SpannerPropertyGraphStore.

  3. שולחים את הנתונים המובְנים שמוחזרים מהשאילתה אל ה-LLM באמצעות Spanner Graph.

  4. יצירת תשובה שקל להבין באמצעות LLM.

שימוש במחלקות אחזור של LlamaIndex

אפשר להשתמש במחלקות הבאות של LlamaIndex Graph Retriever עם Spanner Graph כדי ליצור תשובות קריאות להנחיות של LLM:

SpannerGraphTextToGQLRetriever כיתה

המחלקות SpannerGraphTextToGQLRetriever מתרגמות שפה טבעית לשאילתות GQL כדי לחלץ נתונים מהגרף.

SpannerGraphCustomRetriever כיתה

המחלקות SpannerGraphCustomRetriever מיישמות גישה היברידית לאחזור. ‫SpannerGraphCustomRetriever מטפל בשאלות ספציפיות וקונספטואליות באמצעות השלבים הבאים:

  1. מבצעים את החיפושים הבאים בו-זמנית:

    • חיפוש בגרף שמתרגם את השאלה בשפה טבעית לשאילתת GQL שמשתמשת בגרף כדי למצוא תשובות.

    • חיפוש וקטורי או חיפוש סמנטי כדי למצוא מידע שקשור מבחינה מושגית.

  2. לשלב את התוצאות מחיפוש הגרף ומחיפוש הווקטורים.

  3. הערכה ודירוג מחדש של התוצאות המשולבות באמצעות ה-LLM. מודל ה-LLM בוחר את המידע הכי רלוונטי ובהתאם להקשר כדי לענות על השאלה המקורית.

מדריך לכלים לאחזור נתונים לגרפים

כדי ללמוד איך להשתמש ב-graph retrievers עם Spanner כדי לענות על שאלות, אפשר לעיין במדריך בנושא graph retrievers ל-Spanner. המדריך הזה מסביר איך:

  • ליצור גרף מבלובים של טקסט לא מובנה.

  • שמירת הגרף ב-Spanner באמצעות המחלקה SpannerPropertyGraphStore

  • מאחלים מחלקה של SpannerGraphTextToGQLRetriever ומופע של SpannerGraphTextToGQLRetriever באמצעות מאגר הגרפים ומודל שפה גדול (LLM).SpannerGraphCustomRetriever

  • יצירת תשובה לשאלה בשפה טבעית באמצעות נתוני התרשים שמאוחסנים ב-Spanner.

המאמרים הבאים