功能文档
来源
本地文件上传
您可以将文件拖放到左侧的第一个输入区域。应用程序将使用 LangChain 加载器（PDFLoader 和 Unstructured Loader）将上传的源文件作为 Document 节点存储在图中。
| 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 |
网页链接
第二个输入区域处理网页链接。
-
YouTube 字幕
-
维基百科页面
-
网页
应用程序将使用 YouTube 解析器解析上传的 YouTube 视频（字幕）并将其作为 Document 节点存储在图中。
对于维基百科链接，我们使用 Wikipedia Loader。例如，您可以提供 https://en.wikipedia.org/wiki/Neo4j，它将加载 Neo4j 的维基百科页面。
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。
LLM 模型
该应用程序使用机器学习模型将 PDF、网页和 YouTube 视频字幕转换为包含实体及其关系的知识图谱。可以通过设置环境变量来配置/启用/禁用特定模型。
以下是已配置的模型（但在公开托管版本中仅前 3 个可用）：
-
OpenAI GPT 3.5 和 4o
-
VertexAI (Gemini 1.0),
-
Diffbot
-
Bedrock,
-
Anthropic
-
兼容 OpenAI API 的模型，如 Ollama、Groq、Fireworks
所选的 LLM 模型将同时用于处理新上传的文件以及驱动聊天机器人。请注意，不同模型的能力各异，因此在提取任务上的表现会有所不同。
图增强
可视化
您可以可视化已提取文档的词法图、实体图或完整的知识图。
图可视化
您有两个选择：通过表格末尾的放大镜图标按单个文档查看，或使用“预览图”（Preview Graph）按钮查看所有选定文档的图。
图可视化将在弹出窗口中显示相关文件的图，您可以过滤想要查看的图的类型：
-
词法图 - 文档和文本块节点及其关系
-
实体图 - 实体节点及其关系
-
全图 - 所有节点和关系
在 Neo4j Bloom 中探索
使用“在 Neo4j Bloom 中探索”（Explore in Neo4j Bloom）按钮，您可以在 Neo4j Workspace 中打开构建好的知识图谱，进行进一步的视觉探索、查询和分析。
在 Bloom/Explore 中，您可以运行低代码模式查询（或使用副驾驶功能）从图中获取数据并进行成功扩展。如果您使用的是启用了 GDS 的实例，还可以运行图算法并可视化结果。此外，您还可以交互式地编辑和向图中添加内容。
在 Neo4j Data Importer 中，您可以额外导入 CSV 文件中的结构化数据，并将其连接到已提取的知识图谱中。
在 Neo4j Query 中，您可以编写 Cypher 查询（或使用副驾驶功能）从数据库中提取表格数据和图形数据。
聊天机器人
工作原理
当用户提问时，我们使用配置的 RAG 模式，根据提取出的文档图中的数据进行回答。这意味着问题会被转换为向量嵌入、图查询或更高级的 RAG 方法。
我们还会汇总聊天记录，并将其作为丰富上下文的元素。
特征
-
选择 RAG 模式：您可以选择纯向量模式或 GraphRAG（向量+图）模式。
-
与选定文档聊天： 仅使用选定文档进行 RAG，并通过预过滤来实现。
-
详情： 将打开一个检索信息弹出窗口，显示 RAG 代理如何收集和使用来源（文档）、文本块和实体的详细信息。还提供所用模型和令牌消耗的信息。
-
清除聊天： 将删除当前会话的聊天记录。
-
扩展视图： 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、聊天记录）都被发送到选定的 LLM 模型，作为自定义提示中的上下文信息，要求根据所提供的元素和上下文来提供并格式化问题的答案。
当然，提示词中还有更多“魔法”，例如格式化要求、引用来源、如果不知道答案则不进行推测等。完整的提示词和说明可以在 GitHub 存储库中找到。