功能文档

您可以将文件拖放到左侧第一个输入区域。应用程序将使用 LangChain 加载器（PDFLoader 和 Unstructured Loader）将上传的源存储为图中的文档节点。

第二个输入区域处理网络链接。

应用程序将使用 YouTube 解析器解析并存储上传的 YouTube 视频（字幕）作为图中的文档节点。

对于维基百科链接，我们使用维基百科加载器。例如，您可以提供 https://en.wikipedia.org/wiki/Neo4j，它将加载 Neo4j 维基百科页面。

对于网页，我们使用 Unstructured Loader。例如，您可以提供来自 https://theguardian.com/ 的文章，它将加载文章内容。

此 AWS S3 集成允许您连接到 S3 存储桶并从中加载文件。您需要提供您的 AWS 凭据和存储桶名称。

此 Google Cloud Storage 集成允许您连接到 GCS 存储桶并从中加载文件。您需要提供您的 GCS 存储桶名称，以及可选的文件夹，并遵循身份验证流程以授予应用程序访问存储桶的权限。

如果您想使用预定义的或您自己的图模式，您可以在“图增强”弹出窗口中执行此操作。这也会在您第一次构建图时显示，并且模型配置的状态列在连接信息下方。

您可以：* 从顶部的下拉列表中选择预定义的模式，* 通过输入节点标签和关系来使用您自己的模式，* 从现有的 Neo4j 数据库中获取现有模式（“使用现有模式”），* 或复制/粘贴文本或模式描述（也适用于 RDF 本体或 Cypher/GQL 模式），并要求 LLM 分析它并提出建议的模式（“从文本获取模式”）。

在提取实体时，可能会发生在提取后，一些节点仅连接到文本片段，而不是连接到其他实体。这会导致实体图中出现断开的实体。

虽然它们可以保存与问答相关的信息，但它们可能会影响您的下游使用。因此，在此视图中，您可以选择应删除哪些仅连接到文本片段的实体。

您有两个选项 - 可以在表格末尾使用放大镜图标逐个文档进行可视化，或者使用“预览图”按钮对所有选定的文档进行可视化。

图可视化将在弹出窗口中显示相关文件，您可以筛选要查看的图类型

使用“在 Neo4j Bloom 中探索”按钮，您可以在 Neo4j Workspace 中打开构建的知识图谱，以进行进一步的可视化探索、查询和分析。

在 Bloom/Explore 中，您可以运行基于低代码模式的查询（或使用副驾驶）从图中提取数据并成功扩展。如果您针对启用了 GDS 的实例运行，您还可以运行图算法并可视化结果。您还可以交互式地编辑和添加到图中。

在 Neo4j 数据导入器中，您还可以从 CSV 文件导入结构化数据并将其连接到提取的知识图谱。

在 Neo4j 查询中，您可以编写 Cypher 查询（或使用副驾驶）从数据库中提取表格和图数据。

当用户提出问题时，我们使用配置的 RAG 模式来使用提取文档的图中的数据回答它。这意味着问题可以转换为嵌入或图查询，或者更高级的 RAG 方法。

我们还会总结聊天历史记录并将其用作丰富上下文的元素。

对于 GraphRAG，我们使用 Neo4j 向量索引（以及用于混合搜索的全文索引）和检索查询来查找最相关的片段和连接到这些片段的实体，然后沿着实体关系向上追溯 2 个跳跃的深度。

对于仅向量 RAG，我们仅使用向量和全文索引（混合）搜索结果，不包含实体图中的其他信息。

各种输入和确定的源（问题、向量结果、实体（名称+描述）、关系对、聊天历史记录）都作为自定义提示中的上下文信息发送到所选的 LLM 模型，要求根据提供的元素和上下文提供和格式化对所提问题的响应。

当然，提示中还有更多“魔法”，例如格式化、要求引用来源、如果答案未知则不要推测等。完整的提示和说明可以在GitHub 存储库中找到。