Crie aplicações com o LlamaIndex

Pode criar aplicações de modelos de linguagem (conteúdo extenso) (MDIs/CEs) que usam a geração aumentada de obtenção (GraphRAG) com o LlamaIndex e o Spanner Graph.

O Spanner Graph integra-se com o LlamaIndex através das respetivas capacidades de armazenamento de grafos de propriedades para lhe permitir usar o seguinte para criar fluxos de trabalho de obtenção de dados:

  • Armazenamento de gráficos de propriedades: permite representar dados como um gráfico armazenando nós e arestas numa base de dados de gráficos. Pode usar a base de dados de grafos para consultar relações complexas nos seus dados.

  • Recuperadores de gráficos: permite-lhe usar um MDG para traduzir a pergunta de linguagem natural de um utilizador numa consulta para a loja de gráficos. Isto permite que as aplicações respondam a perguntas usando as relações estruturadas nos dados do gráfico.

O que é o LlamaIndex?

O LlamaIndex é uma framework de dados para criar aplicações de MDIs que ajuda a simplificar o desenvolvimento da geração aumentada de recuperação (RAG) e outros sistemas sensíveis ao contexto. Ao fornecer ferramentas para ligar os MDIs aos seus dados, o LlamaIndex ajuda com o carregamento, a indexação e as consultas de dados. Pode usar o LlamaIndex com os MDIs para criar aplicações que ofereçam respostas precisas e relevantes.

Para mais informações sobre a framework LlamaIndex, consulte a documentação do produto LlamaIndex.

Armazenamento de grafos de propriedades para o Spanner

Pode usar um arquivo de grafos de propriedades numa aplicação para fazer o seguinte:

  • Extraia entidades e relações de documentos e armazene-as como um gráfico.

  • Realizar travessias e análises complexas numa estrutura de gráfico.

  • Consultar um gráfico através da linguagem de consulta de gráficos (GQL) para fornecer um contexto específico a um MDL.

Para trabalhar com um arquivo de gráficos de propriedades no Spanner Graph, use a classe SpannerPropertyGraphStore.

Tutorial da loja de grafos de propriedades

Para saber como usar o arquivo de gráficos de propriedades com o Spanner, consulte o tutorial do arquivo de gráficos de propriedades para o Spanner. Este tutorial ajuda a saber como fazer o seguinte:

  • Instale o pacote llama-index-spanner e o LlamaIndex

  • Inicialize a classe SpannerPropertyGraphStore e use-a para estabelecer ligação à sua base de dados do Spanner.

  • Adicione nós e arestas ao seu gráfico do Spanner que contenham dados extraídos de documentos através de um extrator do gráfico de conhecimento do LlamaIndex.

  • Recuperar informações estruturadas consultando o gráfico através da GQL.

  • Visualize os resultados das suas consultas de grafos.

Recuperadores de gráficos para o Spanner

Os motores de obtenção de gráficos no LlamaIndex são componentes que usam um MDG para traduzir a pergunta de linguagem natural de um utilizador numa consulta para a loja de gráficos. As aplicações usam a consulta gerada para responder a perguntas através das relações estruturadas nos dados do gráfico. Os motores de busca de grafos usam o seguinte fluxo de trabalho para gerar uma resposta a partir de uma consulta de linguagem natural:

  1. Comandar um MDG para traduzir a pergunta em linguagem natural numa consulta GQL.

  2. Execute a consulta GQL no arquivo de grafos através do Spanner Graph e da classe SpannerPropertyGraphStore.

  3. Envie os dados estruturados devolvidos pela consulta para o MDG através do Spanner Graph.

  4. Gerar uma resposta legível por humanos através do GML.

Use classes de obtenção do LlamaIndex

As seguintes classes de obtenção de grafos do LlamaIndex podem ser usadas com o Spanner Graph para gerar respostas legíveis a comandos de MDIs:

SpannerGraphTextToGQLRetriever turma

A classe SpannerGraphTextToGQLRetriever traduz a linguagem natural em consultas GQL para extração de dados do gráfico.

SpannerGraphCustomRetriever turma

A classe SpannerGraphCustomRetriever implementa uma abordagem de obtenção híbrida. SpannerGraphCustomRetriever processa perguntas específicas e conceptuais através dos seguintes passos:

  1. Faça as seguintes pesquisas em simultâneo:

    • Uma pesquisa de grafos que traduz a pergunta em linguagem natural numa consulta GQL que usa o grafo para encontrar respostas.

    • Uma pesquisa vetorial ou uma pesquisa semântica para encontrar informações relacionadas conceptualmente.

  2. Combinar os resultados da pesquisa de grafos e da pesquisa vetorial.

  3. Avaliar e reclassificar os resultados combinados através do GML. O MDG seleciona as informações mais relevantes e sensíveis ao contexto para responder à pergunta original.

Tutorial de motores de obtenção de gráficos

Para saber como usar os motores de obtenção de gráficos com o Spanner para responder a perguntas, consulte o tutorial de motores de obtenção de gráficos para o Spanner. Este tutorial mostra como:

  • Crie um gráfico a partir de blobs de texto não estruturados.

  • Armazene o gráfico no Spanner através da classe SpannerPropertyGraphStore

  • Inicialize uma classe SpannerGraphTextToGQLRetriever e uma instância SpannerGraphCustomRetriever através do seu armazenamento de grafos e de um MDG.

  • Gerar uma resposta a uma pergunta em linguagem natural com os dados do gráfico armazenados no Spanner.

O que se segue?