功能文档
来源
本地文件上传
您可以将文件拖放到左侧第一个输入区域。该应用程序将使用 LangChain 加载器 (PDFLoader 和 Unstructured Loader) 将上传的来源存储为图中的 Document 节点。
| 文件类型 | 支持的扩展名 |
|---|---|
Microsoft Office |
.docx、.pptx、.xls |
图像 |
.jpeg、.jpg、.png、.svg |
文本 |
.html、.txt、.md |
网络链接
第二个输入区域处理网络链接。
-
YouTube 转录
-
维基百科页面
-
网页
该应用程序将解析并使用 YouTube 解析器将上传的 YouTube 视频（转录）存储为图中的 Document 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 加载器。例如，您可以提供来自 https://theguardian.com/ 的文章，它将加载文章内容。
LLM 模型
该应用程序使用 ML 模型将 PDF、网页和 YouTube 视频转录转换为实体及其关系的知识图。可以设置 ENV 变量来配置/启用/禁用特定模型。
配置了以下模型（但只有前 3 个模型在公开托管的版本中可用）
-
OpenAI GPT 3.5 和 4o
-
VertexAI (Gemini 1.0),
-
Diffbot
-
Bedrock,
-
Anthropic
-
与 OpenAI API 兼容的模型，如 Ollama、Groq、Fireworks
所选的 LLM 模型将用于处理新上传的文件，并为聊天机器人提供支持。请注意，这些模型具有不同的功能，因此它们在提取方面可能并不一样有效。
可视化
您可以可视化提取的文档的词汇、实体图或完整的知识图。
图可视化
您有两种选择——要么使用表格末尾的放大镜图标对每个文档进行可视化，要么使用“预览图”按钮对所有选定文档进行可视化。
图可视化将显示在相关文件的弹出窗口中，您可以筛选要查看的图类型
-
词汇图 - 文档和块节点及其关系
-
实体图 - 实体节点及其关系
-
完整图 - 所有节点和关系
在 Neo4j Bloom 中探索
使用“在 Neo4j Bloom 中探索”按钮，您可以打开 Neo4j Workspace 中构建的知识图，以便进行进一步的可视化探索、查询和分析。
在 Bloom/Explore 中，您可以运行低代码模式驱动的查询（或使用副驾驶）来从图中获取数据并成功扩展。如果您正在针对启用了 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。
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。
聊天机器人
它是如何工作的
当用户提出问题时，我们使用配置的 RAG 模式来使用提取的文档图中的数据来回答问题。这意味着问题可以转换为嵌入或图查询，或更高级的 RAG 方法。
我们还总结聊天历史，并将其用作丰富上下文的一个元素。
功能
-
选择 RAG 模式，您可以选择仅向量或 GraphRAG（向量+图）模式
-
与选定文档聊天：将仅使用选定文档进行 RAG，使用预过滤来实现这一点
-
详细信息：将打开一个检索信息弹出窗口，显示有关 RAG 代理如何收集和使用来源（文档）、块和实体的详细信息。还提供有关所用模型和令牌消耗量的信息。
-
清除聊天：将删除当前会话的聊天历史记录。
-
展开视图：将以全屏模式打开聊天机器人界面。
-
复制：将响应内容复制到剪贴板。
-
文本转语音：将大声朗读响应内容。
答案生成
各种输入和确定的来源（问题、向量结果、实体（名称 + 描述）、关系对、聊天历史记录）都作为自定义提示发送到选定的 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，提示还有更多技巧，例如格式化，要求引用来源，如果答案未知则不要推测等等。完整的提示和说明可以在GitHub 仓库中找到。