Crie aplicações com o LlamaIndex

Pode criar aplicações de modelos de linguagem (conteúdo extenso) (MDIs/CEs) que usam a geração aumentada de recuperação (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 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 de gráficos 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 recuperadores de grafos no LlamaIndex são componentes que usam um MDG para traduzir a pergunta em linguagem natural de um utilizador numa consulta para a loja de grafos. 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 MDI/CE.

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 MDG. 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 usando o seu armazenamento de grafos e um MDG.

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

O que se segue?