personal graph

กราฟส่วนบุคคล: กราฟสำหรับการสร้างหน่วยความจำสำหรับแอปพลิเคชัน AI

กราฟส่วนบุคคลเป็นห้องสมุด Python สำหรับการสร้างการจัดการและการสืบค้นกราฟความรู้ มันมีจุดมุ่งหมายเพื่อช่วยแก้ปัญหาความท้าทายในการทำงานและหน่วยความจำระยะยาวในระบบ AI โดยเฉพาะแบบจำลองภาษาขนาดใหญ่ (LLMs)

คุณสมบัติ

• สามารถรวดเร็ว : สร้างขึ้นบน libsql เครื่องยนต์ SQLite ที่มีประสิทธิภาพสูงในสนิม
• - หนึ่งเดซิเบลต่อผู้ใช้ : รวมกับ Turso DB สำหรับกราฟความรู้เฉพาะผู้ใช้ส่วนตัว
• อินเทอร์เฟซภาษาธรรมชาติ : แบบสอบถามภาษาธรรมชาติขับเคลื่อนโดย SQLite-VSS และผู้สอน
• - ML-Ready : ข้อมูลส่งออกสำหรับไลบรารีการเรียนรู้ของเครื่องเช่น NetworkX และ PYG
• ✅รองรับการดำเนินการในท้องถิ่นด้วย Ollama LLMS และ Embedding Models
• ✅รองรับฐานข้อมูลท้องถิ่นสำหรับทั้งการจัดเก็บกราฟและการฝัง

เช็ด

• การเพิ่มการสนับสนุนสำหรับฐานข้อมูลคอลัมน์: duckdb
• การใช้อัลกอริธึมเครือข่ายประสาทกราฟ: Transe, Transe, Query2Box

การติดตั้ง

ติดตั้งกราฟส่วนบุคคลโดยใช้ PIP:

pip install personal-graph

การใช้งาน

การสร้างหน่วยความจำที่ใช้งานได้สำหรับ AI

 from personal_graph import GraphDB
from personal_graph . text import text_to_graph
from personal_graph . vector_store import VliteVSS

vector_store = VliteVSS ( collection = "memories" )
graph = GraphDB ( vector_store = vector_store )

# Insert information into the graph
g = text_to_graph ( "Alice is Bob's sister. Bob works at Google." )
graph . insert_graph ( g )

# Retrieve relevant information from the graph
query = "Who is Alice?"
results = graph . search ( query )
print ( results )

# Use the retrieved information to answer questions
print ( f"Question: { query } " )
print ( f"Answer: Alice is Bob's sister." )

query = "Where does Bob work?"
results = graph . search ( query )
print ( results )
print ( f"Question: { query } " )
print ( f"Answer: Bob works at Google." )

ในตัวอย่างนี้เราแทรกข้อมูลเกี่ยวกับอลิซและบ๊อบลงในกราฟความรู้ จากนั้นเราใช้วิธีการค้นหาเพื่อดึงข้อมูลที่เกี่ยวข้องตามแบบสอบถามที่กำหนด ข้อมูลที่ดึงมาสามารถใช้เป็นส่วนหนึ่งของหน่วยความจำการทำงานของ AI เพื่อตอบคำถามและให้บริบทสำหรับการโต้ตอบเพิ่มเติม

การสร้างความทรงจำระยะยาว

 from personal_graph import GraphDB
from personal_graph . vector_store import VliteVSS

vector_store = VliteVSS ( collection = "memories" )
graph = GraphDB ( vector_store = vector_store )

# Insert information about conversations with the user over time
graph . insert (
  text = "User talked about their childhood dreams and aspirations." ,
  attributes = {
    "date" : "2023-01-15" ,
    "topic" : "childhood dreams" ,
    "depth_score" : 3
  })

graph . insert (
  text = "User discussed their fears and insecurities in their current relationship." ,
  attributes = {
    "date" : "2023-02-28" ,
    "topic" : "relationship fears" ,
    "depth_score" : 4
})

graph . insert (
  text = "User shared their spiritual beliefs and existential questions." ,
  attributes = {
    "date" : "2023-03-10" ,
    "topic" : "spirituality and existence" ,
    "depth_score" : 5
})

graph . insert (
  text = "User mentioned their favorite hobbies and weekend activities." ,
  attributes = {
    "date" : "2023-04-02" ,
    "topic" : "hobbies" ,
    "depth_score" : 2
})

# User queries about the deepest conversation
query = "What was the deepest conversation we've ever had?"

deepest_conversation = graph . search ( query , sort_by = "depth_score" , descending = True , limit = 1 )

ในตัวอย่างนี้เราจัดเก็บข้อมูลเกี่ยวกับการสนทนากับผู้ใช้รวมถึงวันที่หัวข้อและคะแนนความลึก คะแนนความลึกแสดงถึงความหมายของการสนทนา

เมื่อผู้ใช้ถามเกี่ยวกับการสนทนาที่ลึกที่สุดเราจะค้นหาการสนทนาด้วยคะแนนความลึกสูงสุดโดยใช้วิธีการค้นหา เราเรียงลำดับผลลัพธ์ด้วยคะแนนความลึกตามลำดับจากมากไปน้อยและ จำกัด เอาต์พุตไว้ที่การสนทนาหนึ่งครั้ง

หากพบการสนทนา AI จะตอบกลับด้วยวันที่และหัวข้อของการสนทนาที่ลึกที่สุด หากไม่พบการสนทนา AI จะแจ้งให้ผู้ใช้ทราบว่าไม่มีข้อมูลเพียงพอ

ตัวอย่างนี้แสดงให้เห็นว่ากราฟส่วนบุคคลสามารถใช้ในการสร้างหน่วยความจำระยะยาวเกี่ยวกับการโต้ตอบของผู้ใช้และดึงข้อมูลเฉพาะตามเกณฑ์เช่นความลึกการสนทนา

การสร้างและสอบถามกราฟความรู้

 from personal_graph import GraphDB
from personal_graph . text import text_to_graph
from personal_graph . vector_store import VliteVSS

vector_store = VliteVSS ( collection = "memories" )

graphdb = GraphDB ( vector_store = vector_store )

nl_query = "Increased thirst, weight loss, increased hunger, and frequent urination are all symptoms of diabetes."
kg = text_to_graph ( text = nl_query )
graphdb . insert_graph ( kg )

search_query = "I am losing weight too frequently."
g = text_to_graph ( search_query )
print ( g )

graphdb . insert_graph ( g )

การดึงและตอบคำถาม

 import os
import dspy
from personal_graph import GraphDB , PersonalRM

db = GraphDB () # storage_db is in-memory sqlite, vector_db is in vlite
turbo = dspy . OpenAI ( api_key = os . getenv ( "OPENAI_API_KEY" ))
retriever = PersonalRM ( graph = db , k = 2 )
dspy . settings . configure ( lm = turbo , rm = retriever )


class GenerateAnswer ( dspy . Signature ):
    """Answer questions with short factoid answers."""

    context = dspy . InputField ( desc = "may contain relevant facts from user's graph" )
    question = dspy . InputField ()
    answer = dspy . OutputField (
        desc = "a short answer to the question, deduced from the information found in the user's graph"
    )

class RAG ( dspy . Module ):
    def __init__ ( self , depth = 3 ):
        super (). __init__ ()
        self . retrieve = dspy . Retrieve ( k = depth )
        self . generate_answer = dspy . ChainOfThought ( GenerateAnswer )

    def forward ( self , question ):
        context = self . retrieve ( question ). passages
        prediction = self . generate_answer ( context = context , question = question )
        return dspy . Prediction ( context = context , answer = prediction . answer )

rag = RAG ( depth = 2 )
response = rag ( "How is Jack related to James?" )
print ( response . answer )

การใช้งานท้องถิ่น

 from personal_graph . graph import GraphDB
from personal_graph . graph_generator import OllamaTextToGraphParser
from personal_graph . database import SQLite
from personal_graph . vector_store import VliteVSS
from personal_graph . clients import OllamaClient , OllamaEmbeddingClient

phi3 = OllamaClient ( model_name = "phi3" )
nomic_embed = OllamaEmbeddingClient ( model_name = "nomic-embed-text" )

storage_db = SQLite ( local_path = "./local.db" )
vector_store = VliteVSS ( collection = "./vectors" )

graph_generator = OllamaTextToGraphParser ( llm_client = phi3 )
print ( graph_generator ) # Should print the InstructorGraphGenerator 

with GraphDB (
    database = storage_db , 
    vector_store = vector_store , 
    graph_generator = graph_generator
  ) as db :
    print ( db )

PersonalGraph ถึง PYG จากนั้นกลับไปที่ PersonalGraph

ต่อไปนี้เป็นเพียงภาพร่างของการไหลที่วางแผนไว้ WIP

 graphdb = GraphDB ( storage = db , vector_store = vector_store , graph_generator = graph_generator )

graphdb . load_dataset ( "KarateClub" )

pyg_graph = graphdb . to_pyg ()

updated_graph = model ( pyg_graph ) # Run Neural Network algorithms here using PyG

graphdb . from_pyg ( updated_graph )

คำอธิบายวิดีโอ

วิดีโอนี้อธิบายถึงไลบรารีกราฟส่วนบุคคลได้ดีที่สุด [! กราฟส่วนบุคคล]

สำหรับรายละเอียดเพิ่มเติมและเอกสาร API ดูเอกสารประกอบกราฟส่วนบุคคล

การบริจาค

ยินดีต้อนรับ! อย่าลังเลที่จะสร้างปัญหาสำหรับข้อบกพร่องและคำขอคุณสมบัติ

ใบอนุญาต

กราฟส่วนบุคคลได้รับการปล่อยตัวภายใต้ใบอนุญาต MIT

ติดต่อ

คำถามข้อเสนอแนะหรือข้อเสนอแนะ? ติดต่อที่ [email protected] หรือเปิดปัญหาเกี่ยวกับ GitHub