一个月前,LlamaIndex 宣布推出 LlamaCloud,这是一项开创性的托管解析、摄取和检索服务,旨在增强 LLM 和 RAG 应用程序的生产级上下文增强。
LlamaCloud 的关键组件包括 LlamaParse,这是一种专有的解析工具,用于包含表格和图形等嵌入对象的复杂文档,它与 LlamaIndex 摄取和检索无缝集成。这种集成支持在复杂的半结构化文档上构建检索系统,从而有助于回答以前无法管理的复杂问题。此外,还引入了托管摄取和检索 API,以简化 RAG 应用程序的数据加载、处理和存储。
过去,我一直在分享如何使用文档解析流水线从文档中提取丰富的内容(即文本),从而为更准确、更强大的RAG应用创建知识图谱。在本文中,我将演示如何将 LlamaParse 与 Neo4j 集成以实现相同目的的步骤。
高级流程
使用 LlamaParse 和 Neo4j 构建文档处理管道可以定义为以下步骤:
1.设置环境:设置 Python 环境的分步说明,包括安装必要的库和工具,例如 LlamaParse 和 Neo4j 数据库驱动程序。
2.PDF 文档处理:演示如何使用 LlamaParse 读取 PDF 文档、提取相关信息(如文本、表格和图像),并将这些信息转换为适合数据库插入的结构化格式。
3.用于 docoment 的图形模型:指导设计一个有效的图形模型,该模型表示从 PDF 文档中提取的关系和实体,确保查询和分析的最佳结构。
4.在 Neo4j 中存储提取的数据:详细的代码示例展示了如何从 Python 连接到 Neo4j 数据库,根据提取的数据创建节点和关系,以及执行 Cypher 查询来填充数据库。
5.生成和存储文本嵌入:使用过去创建的程序,通过 OpenAI API 调用生成文本嵌入,并将嵌入存储为 Neo4j 中的向量。
6.查询和分析数据:用于检索和分析存储数据的 Cypher 查询示例,说明 Neo4j 如何发现隐藏在 PDF 内容中的见解和关系。
解析文档的图形模型
无论使用哪种 PDF 解析工具,将结果作为知识图谱保存到 Neo4j 中,图形模式实际上都非常简单和一致。
解析 PDF 文档
使用全新的 LlamaParse PDF 阅读器进行 PDF 解析包括两个简单的步骤:
1.使用原始 Markdown 文本作为节点构建索引,并应用简单的查询引擎生成结果;
2.使用 MarkdownElementNodeParser 解析 LlamaParse 输出 Markdown 结果,并生成用于生成的递归检索器查询引擎。在 Neo4j 中存储提取的内容
from llama_parse import LlamaParse
from llama_index.core.node_parser import MarkdownElementNodeParser
pdf_file_name = './insurance.pdf'
documents = LlamaParse(result_type="markdown").load_data(pdf_file_name)
# Parse the documents using MarkdownElementNodeParser
node_parser = MarkdownElementNodeParser(llm=llm, num_workers=8)
# Retrieve nodes (text) and objects (table)
nodes = node_parser.get_nodes_from_documents(documents)
base_nodes, objects = node_parser.get_nodes_and_objects(nodes)
查询文档图形
以下是文档摄取到 Neo4j 后的样子。
现在,我们可以将使用 GenAI Stack 构建的 RAG 解决方案指向此图,并开始在文档知识图谱上聊天!
结论
LlamaParse 是一款功能强大的 PDF 文档解析工具,擅长以非凡的效率驾驭结构化和非结构化数据的复杂性。其先进的算法和直观的 API 有助于从 PDF 中无缝提取文本、表格、图像和元数据,将通常具有挑战性的任务转变为简化的过程。
将提取的数据以图表的形式存储在 Neo4j 中,进一步放大了优势。通过在图形数据库中表示数据实体及其关系,用户可以发现使用传统关系数据库难以检测的模式和连接。Neo4j 的图形模型提供了一种自然而直观的方式来可视化复杂的关系,增强了进行复杂分析和获得可操作见解的能力。
一致的文档知识图模式可以更轻松地与其他工具集成以执行下游任务,例如使用 GenAI Stack(LangChain 和 Streamlit)构建检索增强生成。
LlamaParse 的提取功能与 Neo4j 基于图形的存储和分析相结合,为数据驱动的决策开辟了新的可能性。它允许对数据关系进行更细致入微的理解、高效的数据查询,并能够随着数据集规模和复杂性的增长而扩展。这种协同作用不仅加快了提取和分析过程,还有助于采用更明智和更具战略性的数据管理方法。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。