GraphAcademy
Course

Workshop de Neo4j e IA Generativa

Workshop de GenAI com instrutor: construa grafos de conhecimento no Neo4j, retrievers GraphRAG com busca vetorial em Python e um agente com LangChain.

2 hours17 lessons across 4 modules
About this course

In this 2-hour course, you will learn

Este curso é o material de apoio do Workshop de Neo4j e IA Generativa, uma sessão prática conduzida por instrutor. Você constrói um grafo de conhecimento a partir de documentos reais e o usa como base de recuperação para retrieversA component that searches a data source and returns the information relevant to a query. Often used to provide context for a language model. GraphRAGRetrieval-augmented generation whose context comes from a knowledge graph, so the model can follow the relationships between facts. e um agente conversacional em Python.

Se você já experimentou conectar um LLMA model trained on text to predict the next token, and so to generate language. aos seus documentos e percebeu que respostas soltas de trechos de texto não capturam o contexto entre as informações, este workshop mostra a alternativa: um grafo de conhecimento que representa entidades e relacionamentos de forma explícita.

  • Os fundamentos de IA Generativa e Large Language Models (LLMs)

    Understand how Large Language Models generate text, their strengths and limitations, and why grounding them with external data improves accuracy and reliability.

  • O que é Retrieval-Augmented Generation (RAG) e por que é importante

    Learn how RAG pipelines retrieve relevant context at query time and inject it into LLM prompts, reducing hallucinations and keeping responses factually grounded.

  • Como o GraphRAG pode melhorar a qualidade do conteúdo gerado por LLM

    Explore how graph-structured knowledge enriches retrieval by capturing entity relationships, enabling more precise and contextually aware LLM responses than vector search alone.

  • Como construir grafos de conhecimento a partir de documentos PDF não estruturados

    Build a knowledge graph by extracting named entities and mapping their relationships from unstructured PDF documents using Python and Neo4j.

  • Como enriquecer grafos de conhecimento com dados estruturados

    Apply structured datasets to extend an existing knowledge graph, linking authoritative records to extracted entities to improve query accuracy and coverage.

  • Como usar vetores no Neo4j para busca por similaridade

    Configure vector indexes in Neo4j and write queries that retrieve semantically similar nodes using embedding vectors generated by an LLM embedding model.

  • Como construir diferentes tipos de retrievers usando o pacote neo4j-graphrag para Python

    Build vector, fulltext, and hybrid retrievers with the neo4j-graphrag Python package and compare how each strategy affects the relevance of results returned to the LLM.

  • Como construir um agente conversacional usando Neo4j, Python e LangChain

    Construct a conversational agent with LangChain that queries a Neo4j knowledge graph, maintains dialogue history, and answers multi-turn questions using GraphRAG retrieval.

Course content

4 modules, 2 hours.

  1. 4 lessons
    1. O Que É IA Generativa5 min
    2. GraphRAG?5 min
    3. O Que É um Grafo de Conhecimento5 min
    4. GraphRAG for Python5 min
  2. 7 lessons
    1. Construção de Grafos de Conhecimento5 min
    2. Extração de Esquema a Partir de Texto5 min
    3. Criar um Grafo5 min
    4. Tamanho do Chunk5 min
    5. Definir um Esquema5 min
    6. Adicionar Dados Estruturados ao Grafo de Conhecimento5 min
    7. Crie Seu Próprio Grafo de ConhecimentoOptional5 min
  3. 3 lessons
    1. RAG Vetorial5 min
    2. Retriever Vector + Cypher5 min
    3. Retriever Text to Cypher5 min
  4. 5 lessons
    1. O Que É um Agente?5 min
    2. Agente LangChain5 min
    3. Buscar Conteúdo das Aulas5 min
    4. Consultar Banco de Dados5 min
    5. Criar um AgenteOptional5 min

  • Para quem é este curso

    Este workshop é para desenvolvedores e engenheiros de dados que querem ir além do RAGFetching relevant context from an external data source as additional context to inform a language model's response. baseado apenas em vetores, e também para quem já conhece o Neo4j e quer entender como o banco de dados se encaixa em aplicações de IA generativa — da construção do grafo com extração de entidades por LLMA model trained on text to predict the next token, and so to generate language. até a recuperação com o pacote neo4j-graphrag e a orquestração com LangChain. Você trabalha com código Python real durante toda a sessão, então conforto com a linguagem é importante; os cursos de fundamentos recomendados aparecem ao lado desta visão geral, e o ambiente de desenvolvimento e o repositório de código são fornecidos durante a sessão.

  • O que você vai fazer

    O workshop segue o ciclo completo de uma aplicação GraphRAGRetrieval-augmented generation whose context comes from a knowledge graph, so the model can follow the relationships between facts.: você começa entendendo por que LLMsA model trained on text to predict the next token, and so to generate language. precisam de dados externos e quando um grafo de conhecimento melhora a qualidade das respostas, e termina conversando com um agente que consulta o grafo que você mesmo construiu.

    Seguindo o pipeline de construção — coletar dados, dividir em chunks, vetorizar e extrair entidades com um LLM — você transforma documentos PDF não estruturados em nós e relacionamentos no Neo4j, ajusta o tamanho dos chunks, define um esquema para controlar a estrutura do grafo gerado e o enriquece com dados estruturados. Com o grafo pronto, você cria embeddingsInformation represented as a numerical vector, positioned so that similar information sits close together. e índices vetoriais no Neo4j para busca por similaridade e implementa três tipos de retrieverA component that searches a data source and returns the information relevant to a query. Often used to provide context for a language model. com o pacote neo4j-graphrag para Python: vetorial, Vector + CypherNeo4j's implementation of GQL, the ISO standard query language for graph databases. It is declarative: you describe the pattern to find, and the database decides how to find it. e Text to Cypher — comparando os resultados para escolher o retriever certo para cada tipo de pergunta. Para fechar, você monta um agente com LangChain que decide quando buscar conteúdo por similaridade e quando consultar o banco de dados diretamente.

  • Próximos passos

    Ao final do workshop, você terá um pipeline GraphRAGRetrieval-augmented generation whose context comes from a knowledge graph, so the model can follow the relationships between facts. funcional — construção do grafo, retrieversA component that searches a data source and returns the information relevant to a query. Often used to provide context for a language model. e agente — que pode adaptar aos seus próprios dados. Para aprofundar os retrievers e o pacote neo4j-graphrag, continue com o curso Constructing Knowledge Graphs with Neo4j GraphRAG for Python. Se prefere trabalhar com LangChain no dia a dia, o curso Using Neo4j with LangChain cobre essa integração em detalhe. Você encontra a lista completa de workshops presenciais e online em Workshops.