Construa um RAG melhor permitindo que uma equipe de agentes extraia e conecte seus materiais de referência em um grafo de conhecimento. Nosso novo curso curto, "Construção de Grafos de Conhecimento Agentic", ministrado pelo @Neo4j Innovation Lead @akollegger, mostra como fazer isso. Os grafos de conhecimento são uma maneira importante de armazenar informações com precisão, mas eles dão muito trabalho para serem construídos manualmente. Neste curso, você aprenderá a construir uma equipe de agentes que transforma dados – neste caso, avaliações de produtos e faturas de fornecedores – em grafos estruturados de entidades e relacionamentos para RAG. Aprenda como os agentes podem lidar automaticamente com o trabalho demorado de construir grafos — extraindo entidades e relacionamentos (por exemplo, Produto "contém" Montagem, Parte "fornecida_por" Fornecedor, Avaliação do cliente "menciona" Produto), deduplicando-os, verificando-os e comprometendo-os a um banco de dados gráfico — para que seu sistema de recuperação possa encontrar as informações corretas para gerar saídas precisas. Por exemplo, você pode usar agentes para ajudar a rastrear reclamações de clientes diretamente a fornecedores específicos, processos de fabricação e hierarquias de produtos, transformando assim informações fragmentadas em inteligência de negócios consultável. Habilidades que você adquirirá: - Construir, armazenar e acessar grafos de conhecimento usando o banco de dados gráfico Neo4j - Construir sistemas multi-agente usando o Kit de Desenvolvimento de Agentes (ADK) do Google - Configurar um ciclo de fluxos de trabalho agentic para propor e refinar um esquema de grafo através da verificação de fatos - Conectar grafos gerados por agentes de dados não estruturados e estruturados em um grafo de conhecimento unificado Este curso aborda a prática de por que os grafos de conhecimento oferecem uma recuperação de informações mais precisa do que a busca vetorial sozinha, especialmente para aplicações de alto risco onde a precisão importa mais do que a correspondência de similaridade difusa. Inscreva-se aqui: