𝗕𝘂𝗶𝗹𝗱𝗶𝗻𝗴 𝗬𝗼𝘂𝗿 𝗙𝗶𝗿𝘀𝘁 𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝗔𝗜 𝗞𝗻𝗼𝘄𝗹𝗲𝗱𝗴𝗲 𝗚𝗿𝗮𝗽𝗵
ਤੁਸੀਂ ਖੁਦਮੁਖਤਿਆਰ (autonomous) AI ਨੂੰ ਸੰਰਚਿਤ ਗਿਆਨ (structured knowledge) ਨਾਲ ਜੋੜਨਾ ਚਾਹੁੰਦੇ ਹੋ। ਇਹ ਟਿਊਟੋਰਿਅਲ ਤੁਹਾਨੂੰ ਪੰਜ ਕਦਮਾਂ ਵਿੱਚ ਇੱਕ ਕਾਰਜਸ਼ੀਲ ਸਿਸਟਮ ਬਣਾਉਣਾ ਸਿਖਾਉਂਦਾ ਹੈ।
ਤੁਸੀਂ ਇੱਕ ਕਸਟਮਰ ਸਪੋਰਟ ਏਜੰਟ ਬਣਾਓਗੇ। ਇਹ ਏਜੰਟ ਉਤਪਾਦਾਂ, ਗਾਹਕਾਂ ਦੇ ਇਤਿਹਾਸ ਅਤੇ ਨੀਤੀਆਂ ਨੂੰ ਸਮਝਣ ਲਈ ਇੱਕ knowledge graph ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
ਕਦਮ 1: ਆਪਣੀਆਂ entities ਅਤੇ ਰਿਸ਼ਤਿਆਂ (relationships) ਨੂੰ ਮੈਪ ਕਰੋ
ਆਪਣੇ ਡੋਮੇਨ ਦੇ ਹਿੱਸਿਆਂ ਦੀ ਪਛਾਣ ਕਰੋ। ਕਸਟਮਰ ਸਪੋਰਟ ਲਈ, ਇਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ:
Nodes:
- Customers
- Products
- Support Tickets
- Solutions
- Policies
Edges:
- Customer PURCHASED Product
- Ticket RELATES_TO Product
- Solution RESOLVES Ticket
- Policy APPLIES_TO Product
ਕਦਮ 2: ਆਪਣਾ ਡਾਟਾਬੇਸ ਸੈੱਟਅੱਪ ਕਰੋ
ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ Neo4j ਦੀ ਵਰਤੋਂ ਕਰੋ। ਇਹ Python ਨਾਲ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ। ਸ਼ੁਰੂ ਕਰਨ ਲਈ Docker ਵਿੱਚ ਇਹ ਕਮਾਂਡ ਚਲਾਓ:
docker run -p 7474:7474 -p 7687:7687 -e NEO4J_AUTH=neo4j/password neo4j:latest
ਕਦਮ 3: ਨਮੂਨਾ ਡਾਟਾ ਬਣਾਓ
ਆਪਣੇ ਗ੍ਰਾਫ ਵਿੱਚ ਡਾਟਾ ਜੋੜਨ ਲਈ Cypher ਦੀ ਵਰਤੋਂ ਕਰੋ। ਤੁਹਾਨੂੰ ਗਾਹਕਾਂ, ਉਤਪਾਦਾਂ ਅਤੇ ਰਿਸ਼ਤਿਆਂ ਨੂੰ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੈ। ਉਦਾਹਰਨ ਲਈ:
CREATE (c1:Customer {id: 'C001', name: 'Alice Johnson', tier: 'premium'}) CREATE (p1:Product {id: 'P001', name: 'Enterprise API', category: 'software'}) CREATE (c1)-[:PURCHASED {date: '2026-01-15'}]->(p1)
ਕਦਮ 4: ਆਟੋਨੋਮਸ ਏਜੰਟ ਬਣਾਓ
ਆਪਣੇ ਏਜੰਟ ਨੂੰ ਗ੍ਰਾਫ ਨਾਲ ਜੋੜਨ ਲਈ Python ਅਤੇ LangChain ਦੀ ਵਰਤੋਂ ਕਰੋ।
- Neo4j ਨਾਲ ਕਨੈਕਟ ਕਰੋ।
- ਇੱਕ ਅਜਿਹਾ ਟੂਲ ਬਣਾਓ ਜੋ ਏਜੰਟ ਨੂੰ ਗ੍ਰਾਫ ਕੁਐਰੀਆਂ (queries) ਚਲਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦੇਵੇ।
- ਕੁਦਰਤੀ ਭਾਸ਼ਾ (natural language) ਨੂੰ Cypher ਕੁਐਰੀਆਂ ਵਿੱਚ ਬਦਲਣ ਲਈ LLM ਦੀ ਵਰਤੋਂ ਕਰੋ।
ਤੁਹਾਡਾ ਏਜੰਟ ਹੁਣ ਅਜਿਹੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇ ਸਕਦਾ ਹੈ: "ਉਤਪਾਦ P001 ਦੇ ਸਬੰਧ ਵਿੱਚ ਗਾਹਕ C001 ਲਈ ਰਿਫੰਡ ਵਿਕਲਪ ਕੀ ਹਨ?"
ਏਜੰਟ ਇਹਨਾਂ ਕਦਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ:
- ਇਹ ਗਾਹਕ ਦਾ ਟਾਇਰ (tier) ਲੱਭਦਾ ਹੈ।