在将外部知识连接到大语言模型（LLMS）时，开发人员经常努力地努力整合来自众多源的数据（其中一些结构化的，其中大部分）非结构化的 - 虽然仍在快速，准确的信息返回。这一挑战是检索功能生成（RAG）的核心，它为LLMS提供了一种令人信服的方式，可以按需提取特定于域的数据。但是，随着数据量表和对精确连接的需求的增长，破布管道可能会变得笨拙。
>
这就是Cognee和Llamaindex介入的地方，它引入了将标准抹布转换为GraphRag的系统 - 这种方法不仅可以检索相关的文本，而且还建立了在数据点之间建立更丰富的基于图形的关系。从本质上讲，它超越了基于静态的，基于块的检索，并提供了全球知识的“地图”，可以为更强大和上下文准确的响应提供动力。学习目标
>本文是> > data Science Blogathon的一部分。 内容表
cognee是一个知识和记忆管理框架，它从人类创建心理图的方式中汲取灵感。通过将对象，概念和关系作为图形结构进行建模，它有助于将结构和上下文带入原始数据，从而使知识更具可通道和可互操作。 LlamainDex通过用作多功能数据集成库，从各种来源（包括数据库，API和非结构化文本）中无缝汇集数据来补充这一点。无论您是处理PDF，SQL表还是JSON端点，LlamainDex都可以将这些信息流统一到连贯的管道中。
人类启发的知识模型
：认知模仿认知功能，在图表中表示对象和概念，以突出其关系。：让您精确地对任何垂直或专业用例进行建模。
>您将安装和配置必要的依赖项 - cognee，llamaindex以及任何选择的LLM和数据库提供商。这一初步步骤可确保您的环境拥有管理矢量嵌入，图形存储和LLM推理所需的一切。
>
!pip install llama-index-graph-rag-cognee==0.1.2
# Import required libraries
import os
import asyncio
import cognee
from llama_index.core import Document
from llama_index.graph_rag.cognee import CogneeGraphRAG
# Set API key for OpenAI
if "OPENAI_API_KEY" not in os.environ:
os.environ["OPENAI_API_KEY"] = ""无论您是短文本片段还是整个文档集，都可以收集数据并将其加载到集合中。 LlamainDex可以处理各种文件格式和数据源，但是您通常会在可管理的段或“文档”中提供文本。
documents = [
Document(
text="Jessica Miller, Experienced Sales Manager with a strong track record in driving sales growth and building high-performing teams."
),
Document(
text="David Thompson, Creative Graphic Designer with over 8 years of experience in visual design and branding."
),
]步骤4：添加和处理数据
cogneeRAG = CogneeGraphRAG(
llm_api_key=os.environ["OPENAI_API_KEY"],
llm_provider="openai",
llm_model="gpt-4o-mini",
graph_db_provider="networkx",
vector_db_provider="lancedb",
relational_db_provider="sqlite",
relational_db_name="cognee_db",
)步骤5：执行搜索
# Load documents into CogneeGraphRAG await cogneeRAG.add(documents, "test")
基于图形的
!pip install llama-index-graph-rag-cognee==0.1.2
# Import required libraries
import os
import asyncio
import cognee
from llama_index.core import Document
from llama_index.graph_rag.cognee import CogneeGraphRAG
# Set API key for OpenAI
if "OPENAI_API_KEY" not in os.environ:
os.environ["OPENAI_API_KEY"] = ""> cognee和llamaindex将基于图的推理与灵活的数据集成相结合，将传统的抹布转变为一种更具结构化和有见地的方法。这种协同作用增强了知识检索，改善了上下文理解，并简化了针对AI驱动的应用程序的部署。
>协同的代理框架和内存增强的查询和见解
超越文本：可视化知识图
>
识别模式
：请参阅密切相关概念或实体的群集。
这对您的业务或研究意味着什么？
您是建造专业聊天机器人的独奏开发人员还是企业团队构建知识平台，GraphRag都提供了坚固，灵活的基础。
>想了解更多或自己尝试？您可以在Google Colab中运行一个详细的演示，您将确切地看到如何设置环境，加载数据，构建知识图并运行查询。底线：如果您认真考虑以与高级语言模型同时利用数据的全部潜力，那么Cognee和Llamaindex的GraphRag方法就是下一步。有了几行配置和一些结构良好的数据，您可以将纯文本转换为可行的智能 - 缩小非结构化文档和真正的“智能”见解之间的差距。
结论Cognee和Llamaindex通过将结构化知识检索与先进的索引技术集成在一起，为增强抹布系统提供了强大的组合。这种协同作用改善了各种AI应用程序的上下文理解，检索效率和适应性。通过利用基于图的推理和灵活的数据集成，组织可以构建更智能，可扩展和准确的AI解决方案。随着AI驱动的知识系统的发展，Cognee和LlamainDex等工具将在塑造信息检索的未来中发挥至关重要的作用。
钥匙要点cognee和llamaindex通过结构化知识检索增强了抹布系统。
一致的，可解释的图形结构
无缝集成与您选择的LLM，Vector Store或Database Store或Database
Q3。 LlamainDex在此设置中扮演什么角色？ LlamainDex（以前为GPT指数）是将LLM与不同数据源集成的图书馆。它处理文档解析，索引和查询等任务，使您能够以简化的方式将非结构化内容（PDFS，网页，JSON数据等）送入您的LLM。与Cognee配对时，LlamainDex在将数据转换为基于图的表示之前有助于构造数据。与传统的抹布相比，GraphRag如何改善查询结果？传统的抹布独立嵌入了大量文本，如果信息分布在不同的文档中，它们可能会失去全球环境。 GraphRag在单个知识图中连接相关概念，从而使LLM了解更广泛的关系。结果，该系统可以提供更完整和上下文的答案，尤其是涉及来自多个来源信息的查询。
以上是Cognee Llamaindex：构建强大的GraphRag管道的详细内容。更多信息请关注PHP中文网其他相关文章！
