NaLLM

NaLLM 项目仓库欢迎您的光临,我们正在探索和展示 Neo4j 和大型语言模型 (LLM) 之间的协同效应。作为我们正在进行的项目的一部分,我们专注于三个主要用例 - 自然语言接口到知识图谱、 从非结构化数据创建知识图谱 和 使用静态数据和来自 LLM 的数据生成报告。此仓库包含后端和前端代码,这些代码是专门设计和组织的,旨在为我们的项目提供直观的体验。

1. https://medium.com/neo4j/harnessing-large-language-models-with-neo4j-306ccbdd2867
2. https://medium.com/neo4j/knowledge-graphs-llms-fine-tuning-vs-retrieval-augmented-generation-30e875d63a35
3. https://medium.com/neo4j/knowledge-graphs-llms-multi-hop-question-answering-322113f53f51
4. https://medium.com/neo4j/knowledge-graphs-llms-real-time-graph-analytics-89b392eaaa95
5. https://medium.com/neo4j/construct-knowledge-graphs-from-unstructured-text-877be33300a2

仓库结构

我们的存储库采用高效且逻辑清晰的结构,方便浏览:

• 后端代码：后端代码位于 api 文件夹中，在 main.py 文件中，您可以找到所有端点及其对应的函数。所有 LLM 功能都分成不同的组件，每个组件都有自己的用途。
• 前端代码：前端代码分为两个文件夹 - 每个用例对应一个文件夹，可在 ui/src 中找到。每个文件夹都包含独立的 React 应用程序，它们彼此独立。

运行演示

为简化演示的运行过程,我们添加了生成 Docker 图像的脚本。要使用这些脚本,您需要: