llm movieagent

llm-movieagent

Este projeto foi projetado para implementar um agente capaz de interagir com um banco de dados de gráficos como o NEO4J através de uma camada semântica usando a chamada de função do OpenAI. A camada semântica equipa o agente com um conjunto de ferramentas robustas, permitindo que ele interaja com o banco de dados de gráficos com base na intenção do usuário. Leia mais na postagem do blog.

Para iniciar o projeto, execute o seguinte comando:

 docker-compose up

Abra http://localhost:8501 no seu navegador para interagir com o agente.

Ferramentas

O agente utiliza várias ferramentas para interagir com o banco de dados de gráficos NEO4J de maneira eficaz:

1. Ferramenta de informação :
   • Recupera dados sobre filmes ou indivíduos, garantindo que o agente tenha acesso às informações mais recentes e mais relevantes.
2. Ferramenta de recomendação :
   • Fornece recomendações de filmes com base nas preferências e informações do usuário.
3. Ferramenta de memória :
   • Armazena informações sobre as preferências do usuário no gráfico do conhecimento, permitindo uma experiência personalizada em várias interações.

Configuração do ambiente

Você precisa definir as seguintes variáveis ​​de ambiente no arquivo .env .

 OPENAI_API_KEY=<YOUR_OPENAI_API_KEY>
NEO4J_URI=<YOUR_NEO4J_URI>
NEO4J_USERNAME=<YOUR_NEO4J_USERNAME>
NEO4J_PASSWORD=<YOUR_NEO4J_PASSWORD>

Docker Recipulações

Este projeto contém os seguintes serviços envolvidos como contêineres do Docker

1. Neo4j :
   • O Neo4J, um banco de dados de gráficos, é usado para armazenar as informações sobre atores, filmes e suas classificações.
2. API :
   • Usa o modelo de neo4j-semantic-layer de Langchain para implementar os recursos de chamada de chamadas do OpenAI LLM e funções.
3. UI :
   • Interface de usuário simples de bate -papo simples. Disponível no localhost:8501 .

Popular com dados

Se você deseja preencher o banco de dados com um exemplo de conjunto de dados de filmes, poderá executar ingest.py . O script importa informações sobre filmes e sua classificação pelos usuários. Para executar dentro do recipiente da API Docker (recomendado), faça o seguinte:

 # access container shell
docker exec -it < container id for llm-movieagent-api > bash
# run script
python ingest.py

Além disso, o script cria dois índices FullText, que são usados ​​para mapear as informações da entrada do usuário para o banco de dados. O conjunto de dados é baseado no conjunto de dados da MovieLENS, que também está disponível como o projeto Recommendation no Neo4J Sandbox.

Contribuições

As contribuições são bem -vindas!