פיתוח אפליקציות באמצעות LlamaIndex

אתם יכולים ליצור אפליקציות של מודלים גדולים של שפה (LLM) שמשתמשים ב-GraphRAG (יצירת טקסטים עם אחזור מידע מגרף) 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 של גרף נכסים: מאפשר לייצג נתונים כגרף על ידי אחסון צמתים וקשתות במסד נתונים של גרפים. אתם יכולים להשתמש במסד נתונים של גרפים כדי ליצור שאילתות לגבי קשרים מורכבים בנתונים.

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

מה זה LlamaIndex?

‫LlamaIndex הוא מסגרת נתונים לבניית אפליקציות LLM, שעוזרת לכם לייעל את הפיתוח של יצירה משופרת באחזור (RAG) ומערכות אחרות שמודעות להקשר. ‫LlamaIndex מספק כלים לחיבור מודלים של שפה גדולה (LLM) לנתונים שלכם, ועוזר בהטמעת נתונים, בהוספה לאינדקס ובשאילתות. 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 מאפיינים באפליקציה כדי לבצע את הפעולות הבאות:

  • חילוץ ישויות וקשרים ממסמכים ושמירתם כגרף.

  • לבצע ניתוחים מורכבים של מבנה גרף.

  • אפשר להשתמש בשאילתה ב-Graph Query Language‏ (GQL) כדי לספק למודל שפה גדולה (LLM) הקשר ספציפי.

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 בנושא מאגר גרפים של נכסים ל-Spanner. במדריך הזה תלמדו איך:

  • התקנה של חבילת llama-index-spanner ו-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 שאילתות לתרשים באמצעות GQL.

  • הדמיה של תוצאות השאילתות של הגרף.

Graph retrievers for Spanner

מאחזרי 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 הגרפים משתמשים בתהליך העבודה הבא:

  1. מזינים הנחיה ל-LLM לתרגם את השאלה בשפה טבעית לשאילתת GQL.

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

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

  4. יצירת תשובה קריאה לאנשים באמצעות ה-LLM.

שימוש במחלקות רכיב מאחזר של LlamaIndex

אפשר להשתמש במחלקות הבאות של LlamaIndex graph retriever עם Spanner Graph כדי ליצור תשובות שקל להבין להנחיות LLM:

SpannerGraphTextToGQLRetriever כיתה

הסיווג SpannerGraphTextToGQLRetriever מתרגם שפה טבעית לשאילתות GQL לצורך חילוץ נתונים מהגרף.

SpannerGraphCustomRetriever כיתה

המחלקת SpannerGraphCustomRetriever מיישמת גישה היברידית לאחזור. ‫SpannerGraphCustomRetriever עונה על שאלות ספציפיות ותיאורטיות 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 שמתאים להקשר כדי לענות על השאלה המקורית.

מדריך לכלים לאחזור נתונים מגרפים

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 SpannerGraphCustomRetriever באמצעות חנות הגרפים ומודל LLM.

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

המאמרים הבאים