Java Spring AI、Neo4J 和 OpenAI 用于知识图谱 RAG
使用 Spring AI、Neo4J 和 Temporal 实现向量相似性与知识图谱的 RAG
学习内容：
* 理解生成式 AI 的检索增强生成（RAG）原理
* 掌握知识图谱及其如何增强 RAG 以形成 GraphRAG
* 使用 OpenAI、Spring Boot 3 和 Spring AI 实现 RAG
* 通过 Neo4j 实现知识图谱 RAG
课程内容主题：
* 检索增强生成（RAG）
* 软件工程
* 开发
课程要求：
* 具备 Java 编程基础
* 具备 Spring Boot 编程基础
* 对使用 OpenAI 等大型语言模型有基本理解
课程详细描述：
* **RAG 系统简介**：了解为什么检索增强生成是增强 AI 的突破性工具，通过结合外部数据源提升生成模型的准确性与实用性。
* **知识图谱基础**：掌握知识图谱的结构与数据关系，学习如何利用图谱优化 RAG 的数据建模能力，提升信息检索的效率与完整性。
* **从头实现 GraphRAG**：通过实际案例构建完整的 RAG 系统，学习如何利用 LLM 提取、组织并整合多源数据，形成结构化知识图谱。
* **多源数据整合**：探索如何将非结构化数据（如文本、图像）与结构化数据（如数据库、表格）结合，构建更全面的知识图谱。
* **知识图谱查询实践**：掌握使用 Neo4j 等工具进行知识图谱查询与分析的技术，提升对复杂关系数据的处理能力。
**技术亮点**：
– **Spring AI**：Java Spring 生态中的新兴技术，简化生成式 AI 与大型语言模型的集成开发流程。
– **Open AI**：领先的生成式 AI 平台，提供强大的语言模型能力，支持 RAG 系统的高效训练与部署。
– **Neo4J**：图数据库与向量存储工具，无缝集成 Spring AI，构建高性能的知识图谱与 RAG 系统。
– **Temporal**：工作流编排平台，助力构建稳定、可扩展的 GraphRAG 管道，提升系统可靠性与可维护性。
**适合人群**：
* 软件开发人员/工程师（尤其是 Java Spring 方向）
* 人工智能技术爱好者
* 技术主管/项目经理（需掌握 AI 技术落地方法）
**课程价值**：
通过本课程，学员将掌握 RAG 与知识图谱的核心技术，结合 Spring AI、Neo4j 等工具，构建高效、可靠的 AI 应用系统，提升在数据驱动场景中的竞争力。
