Neo4j contém o gráfico de conhecimento com sete tipos de nós: Artigo, Autor, Instituição, MeSHTerm, Qualificador, Diário e Gene.As extensões óbvias incluem mais fontes de dados (ensaios clínicos, bancos de dados de medicamentos), melhor lógica de seleção de ferramentas, streaming de respostas para consultas longas e estratégias de cache para padrões populares.Dada uma pergunta do usuário e o contexto Qdrant, o LLM seleciona ferramentas de enriquecimento Neo4j, coisas como get_collaborators_with_topics() ou get_genes_in_same_papers(), e as executa.Se você usa pré-commit em seus projetos Python, você sabe o que fazer: faça uma pequena alteração, clique em commit e então… espere.Faça-lhes perguntas sobre “técnicas de edição de genes” e eles recuperarão resumos discutindo CRISPR, TALENs e dedos de zinco.
Fonte: https://aiechoes.substack.com/p/building-a-biomedical-graphrag-when
