2026-04-10 23:20:41 -04:00
---
layout: default
title: "TrustGraph Python API Referansı
parent: "Turkish (Beta)"
---
2026-04-10 12:22:20 -04:00
# TrustGraph Python API Referansı
2026-04-10 23:20:41 -04:00
> **Beta Translation:** This document was translated via Machine Learning and as such may not be 100% accurate. All non-English languages are currently classified as Beta.
2026-04-10 12:22:20 -04:00
## Kurulum
```bash
pip install trustgraph
```
## Hı ı ı
Tüm sı ı `trustgraph.api` paketinden içe aktarı ı ı
```python
from trustgraph.api import Api, Triple, ConfigKey
# Create API client
api = Api(url="http://localhost:8088/")
# Get a flow instance
flow = api.flow().id("default")
# Execute a graph RAG query
response = flow.graph_rag(
query="What are the main topics?",
user="trustgraph",
collection="default"
)
```
## İçindekiler
### Çekirdek
[Api ](#api )
### Akı
[Flow ](#flow )
[FlowInstance ](#flowinstance )
[AsyncFlow ](#asyncflow )
[AsyncFlowInstance ](#asyncflowinstance )
### WebSocket İstemcileri
[SocketClient ](#socketclient )
[SocketFlowInstance ](#socketflowinstance )
[AsyncSocketClient ](#asyncsocketclient )
[AsyncSocketFlowInstance ](#asyncsocketflowinstance )
### Toplu İşlemler
[BulkClient ](#bulkclient )
[AsyncBulkClient ](#asyncbulkclient )
### Metrikler
[Metrics ](#metrics )
[AsyncMetrics ](#asyncmetrics )
### Veri Tipleri
[Triple ](#triple )
[ConfigKey ](#configkey )
[ConfigValue ](#configvalue )
[DocumentMetadata ](#documentmetadata )
[ProcessingMetadata ](#processingmetadata )
[CollectionMetadata ](#collectionmetadata )
[StreamingChunk ](#streamingchunk )
[AgentThought ](#agentthought )
[AgentObservation ](#agentobservation )
[AgentAnswer ](#agentanswer )
[RAGChunk ](#ragchunk )
### İstisnalar
[ProtocolException ](#protocolexception )
[TrustGraphException ](#trustgraphexception )
[AgentError ](#agenterror )
[ConfigError ](#configerror )
[DocumentRagError ](#documentragerror )
[FlowError ](#flowerror )
[GatewayError ](#gatewayerror )
[GraphRagError ](#graphragerror )
[LLMError ](#llmerror )
[LoadError ](#loaderror )
[LookupError ](#lookuperror )
[NLPQueryError ](#nlpqueryerror )
[RowsQueryError ](#rowsqueryerror )
[RequestError ](#requesterror )
[StructuredQueryError ](#structuredqueryerror )
[UnexpectedError ](#unexpectederror )
[ApplicationException ](#applicationexception )
--
## `Api`
```python
from trustgraph.api import Api
```
Senkron ve asenkron işlemler için ana TrustGraph API istemcisi.
Bu sı ı ı
bilgi grafiği işlemleri, belge işleme, RAG sorguları ı ı ı
İstemci, otomatik kaynak temizliği için bir bağlam yöneticisi olarak kullanı
```python
with Api(url="http://localhost:8088/") as api:
result = api.flow().id("default").graph_rag(query="test")
```
### Yöntemler
### `__aenter__(self)`
Asenkron bağlam yöneticisine girin.
### `__aexit__(self, *args)`
Asenkron bağlam yöneticisinden çı ı ı ı ı
### `__enter__(self)`
Senkron bağlam yöneticisine girin.
### `__exit__(self, *args)`
Senkron bağlam yöneticisinden çı ı ı ı ı
### `__init__(self, url='http://localhost:8088/', timeout=60, token: str | None = None)`
TrustGraph API istemciyi başlatı
**Argümanlar:**
`url` : TrustGraph API'si için temel URL (varsayı
`timeout` : İstek zaman aşı ı ı
`token` : İsteğe bağlı ı ı ı
**Örnek:**
```python
# Local development
api = Api()
# Production with authentication
api = Api(
url="https://trustgraph.example.com/",
timeout=120,
token="your-api-token"
)
```
### `aclose(self)`
Tüm asenkron istemci bağlantı ı ı ı
Bu yöntem, asenkron WebSocket, toplu işlem ve akı ı ı ı ı
Bu, asenkron bir bağlam yöneticisinden çı ı ı ı ı ı
**Örnek:**
```python
api = Api()
async_socket = api.async_socket()
# ... use async_socket
await api.aclose() # Clean up connections
# Or use async context manager (automatic cleanup)
async with Api() as api:
async_socket = api.async_socket()
# ... use async_socket
# Automatically closed
```
### `async_bulk(self)`
Asenkron toplu işlemler istemcisi alı
WebSocket üzerinden asenkron/bekleme tarzı ı
böylece büyük veri kümelerinin verimli bir şekilde işlenmesini sağlar.
**Döndürür:** AsyncBulkClient: Asenkron toplu işlemler istemcisi
**Örnek:**
```python
async_bulk = api.async_bulk()
# Export triples asynchronously
async for triple in async_bulk.export_triples(flow="default"):
print(f"{triple.s} {triple.p} {triple.o}")
# Import with async generator
async def triple_gen():
yield Triple(s="subj", p="pred", o="obj")
# ... more triples
await async_bulk.import_triples(
flow="default",
triples=triple_gen()
)
```
### `async_flow(self)`
Asenkron, REST tabanlı ı ı
Akı ı
**Döndürür:** AsyncFlow: Asenkron akı
**Örnek:**
```python
async_flow = api.async_flow()
# List flows
flow_ids = await async_flow.list()
# Execute operations
instance = async_flow.id("default")
result = await instance.text_completion(
system="You are helpful",
prompt="Hello"
)
```
### `async_metrics(self)`
Asenkron bir metrik istemcisi alı
Prometheus metriklerine, async/await tarzı
**Döndürür:** AsyncMetrics: Asenkron metrik istemcisi
**Örnek:**
```python
async_metrics = api.async_metrics()
prometheus_text = await async_metrics.get()
print(prometheus_text)
```
### `async_socket(self)`
Akı ı
Akı ı
Bu, Python'da asenkron akı
**Döndürür:** AsyncSocketClient: Asenkron WebSocket istemcisi
**Örnek:**
```python
async_socket = api.async_socket()
flow = async_socket.flow("default")
# Stream agent responses
async for chunk in flow.agent(
question="Explain quantum computing",
user="trustgraph",
streaming=True
):
if hasattr(chunk, 'content'):
print(chunk.content, end='', flush=True)
```
### `bulk(self)`
İçe/dı ı ı
Toplu işlemler, üçlüler, gömülü veriler, varlı ı ı ı ı ı ı ı ı ı
**Döndürür:** BulkClient: Senkron toplu işlemler istemcisi
**Örnek:**
```python
bulk = api.bulk()
# Export triples
for triple in bulk.export_triples(flow="default"):
print(f"{triple.s} {triple.p} {triple.o}")
# Import triples
def triple_generator():
yield Triple(s="subj", p="pred", o="obj")
# ... more triples
bulk.import_triples(flow="default", triples=triple_generator())
```
### `close(self)`
Tüm senkronize istemci bağlantı ı ı ı
Bu yöntem, WebSocket ve toplu işlem bağlantı ı ı ı
Bir bağlam yöneticisinden çı ı ı ı ı
**Örnek:**
```python
api = Api()
socket = api.socket()
# ... use socket
api.close() # Clean up connections
# Or use context manager (automatic cleanup)
with Api() as api:
socket = api.socket()
# ... use socket
# Automatically closed
```
### `collection(self)`
Veri koleksiyonları ı ı
Koleksiyonlar, belgeleri ve bilgi grafiği verilerini,
izolasyon ve erişim kontrolü için mantı ı ı
**Döndürür:** Collection: Koleksiyon yönetimi istemcisi
**Örnek:**
```python
collection = api.collection()
# List collections
colls = collection.list_collections(user="trustgraph")
# Update collection metadata
collection.update_collection(
user="trustgraph",
collection="default",
name="Default Collection",
description="Main data collection"
)
```
### `config(self)`
Yapı ı ı ı ı
**Döndürür:** Config: Yapı ı
**Örnek:**
```python
config = api.config()
# Get configuration values
values = config.get([ConfigKey(type="llm", key="model")])
# Set configuration
config.put([ConfigValue(type="llm", key="model", value="gpt-4")])
```
### `flow(self)`
Akı ı
Akı ı
hizmetlere erişim sağlar.
**Döndürür:** Flow: Akı
**Örnek:**
```python
flow_client = api.flow()
# List available blueprints
blueprints = flow_client.list_blueprints()
# Get a specific flow instance
flow_instance = flow_client.id("default")
response = flow_instance.text_completion(
system="You are helpful",
prompt="Hello"
)
```
### `knowledge(self)`
Bilgi grafiği çekirdeklerini yönetmek için bir Knowledge istemcisi edinin.
**Döndürür:** Knowledge: Bilgi grafiği yönetimi istemcisi
**Örnek:**
```python
knowledge = api.knowledge()
# List available KG cores
cores = knowledge.list_kg_cores(user="trustgraph")
# Load a KG core
knowledge.load_kg_core(id="core-123", user="trustgraph")
```
### `library(self)`
Belge yönetimi için bir Kütüphane istemcisi edinin.
Bu kütüphane, belge depolama, meta veri yönetimi ve
iş akı ı
**Döndürür:** Library: Belge kütüphanesi yönetimi istemcisi
**Örnek:**
```python
library = api.library()
# Add a document
library.add_document(
document=b"Document content",
id="doc-123",
metadata=[],
user="trustgraph",
title="My Document",
comments="Test document"
)
# List documents
docs = library.get_documents(user="trustgraph")
```
### `metrics(self)`
İzleme için senkron bir ölçüm istemcisi alı
İzleme ve gözlemlenebilirlik için TrustGraph hizmetinden Prometheus formatı ı
**Döndürür:** Ölçümler: Senkron ölçüm istemcisi
**Örnek:**
```python
metrics = api.metrics()
prometheus_text = metrics.get()
print(prometheus_text)
```
### `request(self, path, request)`
Düşük seviyeli bir REST API isteği yapı
Bu yöntem öncelikle dahili kullanı
API erişimi için kullanı
**Argümanlar:**
`path` : API uç noktası
`request` : İstek yükü, bir sözlük olarak
**Döndürür:** dict: Yanı
**Hatalar:**
`ProtocolException` : Yanı ı
`ApplicationException` : Yanı
**Örnek:**
```python
response = api.request("flow", {
"operation": "list-flows"
})
```
### `socket(self)`
Akı ı
WebSocket bağlantı ı ı ı ı
ajanlardan, RAG sorguları
senkron bir sarmalayı ı ı ı
**Döndürür:** SocketClient: Senkron WebSocket istemcisi
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
# Stream agent responses
for chunk in flow.agent(
question="Explain quantum computing",
user="trustgraph",
streaming=True
):
if hasattr(chunk, 'content'):
print(chunk.content, end='', flush=True)
```
--
## `Flow`
```python
from trustgraph.api import Flow
```
Blueprint ve akı ı ı
Bu sı ı ı ı ı ı
akı ı ı ı ı ı ı ı ı
parametrelerini tanı ı ı ı ı
### Yöntemler
### `__init__(self, api)`
Akı
**Argümanlar:**
`api` : İstekler göndermek için kullanı
### `delete_blueprint(self, blueprint_name)`
Bir akı
**Argümanlar:**
`blueprint_name` : Silinecek blueprint'in adı
**Örnek:**
```python
api.flow().delete_blueprint("old-blueprint")
```
### `get(self, id)`
Çalı ı ı ı ı ı
**Argümanlar:**
`id` : Akı
**Döndürür:** dict: Akı ı ı
**Örnek:**
```python
flow_def = api.flow().get("default")
print(flow_def)
```
### `get_blueprint(self, blueprint_name)`
Bir akı ı ı ı ı
**Argümanlar:**
`blueprint_name` : Alı ı ı
**Döndürür:** dict: Şema tanı ı
**Örnek:**
```python
blueprint = api.flow().get_blueprint("default")
print(blueprint) # Blueprint configuration
```
### `id(self, id='default')`
Belirli bir akı ı
**Argümanlar:**
`id` : Akı ı ı ı ı ı
**Döndürür:** FlowInstance: Servis işlemleri için akı
**Örnek:**
```python
flow = api.flow().id("my-flow")
response = flow.text_completion(
system="You are helpful",
prompt="Hello"
)
```
### `list(self)`
Tüm aktif akı
**Döndürür:** list[str]: Akı
**Örnek:**
```python
flows = api.flow().list()
print(flows) # ['default', 'flow-1', 'flow-2', ...]
```
### `list_blueprints(self)`
Mevcut tüm akı ı ı
**Döndürür:** list[str]: Şema adları ı
**Örnek:**
```python
blueprints = api.flow().list_blueprints()
print(blueprints) # ['default', 'custom-flow', ...]
```
### `put_blueprint(self, blueprint_name, definition)`
Bir akı ı ı
**Argümanlar:**
`blueprint_name` : Şema için isim
`definition` : Şema tanı
**Örnek:**
```python
definition = {
"services": ["text-completion", "graph-rag"],
"parameters": {"model": "gpt-4"}
}
api.flow().put_blueprint("my-blueprint", definition)
```
### `request(self, path=None, request=None)`
Akı ı ı
**Argümanlar:**
`path` : Akı ı ı
`request` : İstek yükü sözlüğü
**Döndürür:** dict: Yanı
**Hatalar:**
`RuntimeError` : İstek parametresi belirtilmediyse
### `start(self, blueprint_name, id, description, parameters=None)`
Bir şablondan yeni bir akı ı
**Argümanlar:**
`blueprint_name` : Oluşturulacak şablonun adı
`id` : Akı ı ı ı
`description` : İnsan tarafı ı
`parameters` : İsteğe bağlı
**Örnek:**
```python
api.flow().start(
blueprint_name="default",
id="my-flow",
description="My custom flow",
parameters={"model": "gpt-4"}
)
```
### `stop(self, id)`
Çalı ı
**Argümanlar:**
`id` : Durdurulacak akı
**Örnek:**
```python
api.flow().stop("my-flow")
```
--
## `FlowInstance`
```python
from trustgraph.api import FlowInstance
```
Belirli bir akı ı ı ı ı
Bu sı ı ı
Metin tamamlama ve gömme
Durum yönetimi ile birlikte aracı
Grafik ve belge RAG sorguları
Bilgi grafiği işlemleri (üçlüler, nesneler)
Belge yükleme ve işleme
Doğal dili GraphQL sorgusuna dönüştürme
Yapı ı ı ı ı
MCP aracı
İstek şablonlama
Hizmetler, ID ile tanı ı ı ı ı ı
### Yöntemler
### `__init__(self, api, id)`
FlowInstance'ı
**Argümanlar:**
`api` : Üst akı
`id` : Akı ı ı ı ı
### `agent(self, question, user='trustgraph', state=None, group=None, history=None)`
Akı ı
Aracı ı ı ı ı ı ı
durumunu koruyabilmesi mümkündür. Bu, senkron, akı ı
**Argümanlar:**
`question` : Kullanı ı ı
`user` : Kullanı ı ı ı ı ı ı
`state` : Durumlu konuşmalar için isteğe bağlı
`group` : Çok kullanı ı ı ı ı ı ı ı
`history` : İsteğe bağlı
**Döndürür:** str: Aracı ı ı
**Örnek:**
```python
flow = api.flow().id("default")
# Simple question
answer = flow.agent(
question="What is the capital of France?",
user="trustgraph"
)
# With conversation history
history = [
{"role": "user", "content": "Hello"},
{"role": "assistant", "content": "Hi! How can I help?"}
]
answer = flow.agent(
question="Tell me about Paris",
user="trustgraph",
history=history
)
```
### `detect_type(self, sample)`
Yapı ı ı ı
**Argümanlar:**
`sample` : Analiz edilecek veri örneği (metin içeriği)
**Döndürür:** tespit_türü, güven ve isteğe bağlı
### `diagnose_data(self, sample, schema_name=None, options=None)`
Birleşik veri tanı ı ı ı
**Argümanlar:**
`sample` : Analiz edilecek veri örneği (metin içeriği)
`schema_name` : İsteğe bağlı ı ı ı ı
`options` : İsteğe bağlı
**Döndürür:** tespit_türü, güven, tanı ı ı
### `document_embeddings_query(self, text, user, collection, limit=10)`
Anlamsal benzerlik kullanarak belge parçaları ı
Vektör gömüler kullanarak, içeriği giriş metnine anlamsal olarak benzeyen belge parçaları ı
**Argümanlar:**
`text` : Anlamsal arama için sorgu metni
`user` : Kullanı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
`limit` : Maksimum sonuç sayı ı ı
**Döndürür:** dict: Parçaları
**Örnek:**
```python
flow = api.flow().id("default")
results = flow.document_embeddings_query(
text="machine learning algorithms",
user="trustgraph",
collection="research-papers",
limit=5
)
# results contains {"chunks": [{"chunk_id": "doc1/p0/c0", "score": 0.95}, ...]}
```
### `document_rag(self, query, user='trustgraph', collection='default', doc_limit=10)`
Belge tabanlı ı ı ı
Belge RAG, ilgili belge parçaları ı ı
ardı ı ı
**Argümanlar:**
`query` : Doğal dil sorgusu
`user` : Kullanı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı ı
`doc_limit` : Alı ı ı ı ı
**Döndürür:** str: Belge bağlamı ı ı
**Örnek:**
```python
flow = api.flow().id("default")
response = flow.document_rag(
query="Summarize the key findings",
user="trustgraph",
collection="research-papers",
doc_limit=5
)
print(response)
```
### `embeddings(self, texts)`
Bir veya daha fazla metin için vektör gömme işlemleri gerçekleştirin.
Metinleri, semantik
arama ve benzerlik karşı ı ı
**Argümanlar:**
`texts` : Gömülecek giriş metinlerinin listesi
**Döndürür:** list[list[list[float]]]: Vektör gömmeleri, her giriş metni için bir set.
**Örnek:**
```python
flow = api.flow().id("default")
vectors = flow.embeddings(["quantum computing"])
print(f"Embedding dimension: {len(vectors[0][0])}")
```
### `generate_descriptor(self, sample, data_type, schema_name, options=None)`
Belirli bir şemaya yapı ı ı ı ı ı ı
**Argümanlar:**
`sample` : Analiz edilecek veri örneği (metin içeriği)
`data_type` : Veri türü (csv, json, xml)
`schema_name` : Tanı ı ı ı
`options` : İsteğe bağlı
**Döndürür:** tanı ı ı
### `graph_embeddings_query(self, text, user, collection, limit=10)`
Anlamsal benzerlik kullanarak bilgi grafiği varlı ı ı ı
Vektör gömüler kullanarak, giriş metnine anlamsal olarak
benzer açı ı ı ı
**Argümanlar:**
`text` : Anlamsal arama için sorgu metni
`user` : Kullanı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
`limit` : Maksimum sonuç sayı ı ı
**Döndürür:** dict: Benzer varlı ı
**Örnek:**
```python
flow = api.flow().id("default")
results = flow.graph_embeddings_query(
text="physicist who discovered radioactivity",
user="trustgraph",
collection="scientists",
limit=5
)
# results contains {"entities": [{"entity": {...}, "score": 0.95}, ...]}
```
### `graph_rag(self, query, user='trustgraph', collection='default', entity_limit=50, triple_limit=30, max_subgraph_size=150, max_path_length=2)`
Grafik tabanlı ı ı ı
Grafik RAG, ilgili bağlamı ı ı ı ı
izleyerek ve ardı ı
**Argümanlar:**
`query` : Doğal dil sorgusu
`user` : Kullanı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı ı
`entity_limit` : Alı ı ı ı ı
`triple_limit` : Her varlı ı ı ı
`max_subgraph_size` : Alt grafik içindeki maksimum toplam üçlü sayı ı ı
`max_path_length` : Maksimum gezinme derinliği (varsayı
**Döndürür:** str: Grafik bağlamı ı ı
**Örnek:**
```python
flow = api.flow().id("default")
response = flow.graph_rag(
query="Tell me about Marie Curie's discoveries",
user="trustgraph",
collection="scientists",
entity_limit=20,
max_path_length=3
)
print(response)
```
### `load_document(self, document, id=None, metadata=None, user=None, collection=None)`
Bir belgeyi işleme için yükleyin.
Bir belgeyi (PDF, DOCX, resimler, vb.) çı
iş akı ı ı ı ı ı ı
**Argümanlar:**
`document` : Belge içeriği (bayt olarak)
`id` : İsteğe bağlı ı ı ı ı
`metadata` : İsteğe bağlı
`user` : Kullanı ı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı ı
**Döndürür:** dict: İşleme yanı ı
**Hatalar:**
`RuntimeError` : Meta veri sağlanı
**Örnek:**
```python
flow = api.flow().id("default")
# Load a PDF document
with open("research.pdf", "rb") as f:
result = flow.load_document(
document=f.read(),
id="research-001",
user="trustgraph",
collection="papers"
)
```
### `load_text(self, text, id=None, metadata=None, charset='utf-8', user=None, collection=None)`
İşlenmek üzere metin içeriğini yükleyin.
Metin içeriğini, akı ı ı ı ı ı ı
**Argümanlar:**
`text` : Metin içeriği (bayt olarak)
`id` : İsteğe bağlı ı ı ı ı
`metadata` : İsteğe bağlı
`charset` : Karakter kodlaması ı
`user` : Kullanı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı ı
**Döndürür:** dict: İşleme yanı ı
**Hatalar:**
`RuntimeError` : Meta veri sağlanmı
**Örnek:**
```python
flow = api.flow().id("default")
# Load text content
text_content = b"This is the document content..."
result = flow.load_text(
text=text_content,
id="text-001",
charset="utf-8",
user="trustgraph",
collection="documents"
)
```
### `mcp_tool(self, name, parameters={})`
Bir Model Bağlam Protokolü (MCP) aracı ı ı ı ı
MCP araçları ı ı
ve harici sistemler ve hizmetlerle entegrasyon imkanı
**Argümanlar:**
`name` : Araç adı ı ı ı
`parameters` : Araç parametreleri sözlüğü (varsayı
**Döndürür:** str veya dict: Aracı ı ı
**Hatalar:**
`ProtocolException` : Yanı ı
**Örnek:**
```python
flow = api.flow().id("default")
# Execute a tool
result = flow.mcp_tool(
name="search-web",
parameters={"query": "latest AI news", "limit": 5}
)
```
### `nlp_query(self, question, max_results=100)`
Doğal bir dil sorusunu GraphQL sorgusuna dönüştürün.
**Argümanlar:**
`question` : Doğal dil sorusu
`max_results` : Döndürülecek maksimum sonuç sayı ı ı
**Döndürür:** graphql_query, variables, detected_schemas, confidence alanları ı
### `prompt(self, id, variables)`
Değişken yerleştirmesiyle bir istem şablonunu çalı ı ı
İstek şablonları ı ı ı ı ı ı ı ı
**Argümanlar:**
`id` : İstek şablonu tanı ı ı ı
`variables` : Değişken adı
**Döndürür:** str veya dict: Oluşturulmuş istek sonucu (metin veya yapı ı ı ı
**Hatalar:**
`ProtocolException` : Yanı ı
**Örnek:**
```python
flow = api.flow().id("default")
# Text template
result = flow.prompt(
id="summarize-template",
variables={"topic": "quantum computing", "length": "brief"}
)
# Structured template
result = flow.prompt(
id="extract-entities",
variables={"text": "Marie Curie won Nobel Prizes"}
)
```
### `request(self, path, request)`
Bu işlem örneği üzerinden bir hizmet isteği oluşturun.
**Parametreler:**
`path` : Hizmet yolu (örneğin, "service/text-completion")
`request` : İstek yükü sözlüğü
**Dönüş:** dict: Hizmet yanı ı
### `row_embeddings_query(self, text, schema_name, user='trustgraph', collection='default', index_name=None, limit=10)`
İndekslenmiş alanlar üzerinde semantik benzerlik kullanarak satı ı
İndeksli alan değerlerinin, vektör gömüler kullanı ı ı ı ı ı ı ı
**Argümanlar:**
`text` : Anlamsal arama için sorgu metni
`schema_name` : İçinde arama yapı ı
`user` : Kullanı ı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı ı
`index_name` : Aramayı ı ı ı ı
`limit` : Maksimum sonuç sayı ı ı
**Döndürür:** dict: Eşleşmeleri içeren, index_name, index_value, text ve score alanları ı ı
**Örnek:**
```python
flow = api.flow().id("default")
# Search for customers by name similarity
results = flow.row_embeddings_query(
text="John Smith",
schema_name="customers",
user="trustgraph",
collection="sales",
limit=5
)
# Filter to specific index
results = flow.row_embeddings_query(
text="machine learning engineer",
schema_name="employees",
index_name="job_title",
limit=10
)
```
### `rows_query(self, query, user='trustgraph', collection='default', variables=None, operation_name=None)`
Bilgi grafiğindeki yapı ı ı ı ı ı ı ı ı
GraphQL sözdizimini kullanarak yapı ı ı ı ı ı
mümkün hale gelir.
**Parametreler:**
`query` : GraphQL sorgu dizesi
`user` : Kullanı ı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı ı
`variables` : İsteğe bağlı
`operation_name` : Çoklu işlem belgeleri için isteğe bağlı ı
**Döndürür:** dict: 'data', 'errors' ve/veya 'extensions' alanları ı ı
**Hatalar:**
`ProtocolException` : Sistem düzeyinde bir hata oluşursa
**Örnek:**
```python
flow = api.flow().id("default")
# Simple query
query = '''
{
scientists(limit: 10) {
name
field
discoveries
}
}
'''
result = flow.rows_query(
query=query,
user="trustgraph",
collection="scientists"
)
# Query with variables
query = '''
query GetScientist($name: String!) {
scientists(name: $name) {
name
nobelPrizes
}
}
'''
result = flow.rows_query(
query=query,
variables={"name": "Marie Curie"}
)
```
### `schema_selection(self, sample, options=None)`
Bir veri örneği için, istem analizi kullanarak eşleşen şemaları
**Argümanlar:**
`sample` : Analiz edilecek veri örneği (metin içeriği)
`options` : İsteğe bağlı
**Döndürür:** schema_matches dizisi ve meta veriler içeren bir sözlük.
### `structured_query(self, question, user='trustgraph', collection='default')`
Yapı ı ı ı ı
NLP sorgu dönüşümü ve GraphQL yürütmeyi birleştirir.
**Argümanlar:**
`question` : Doğal dil sorgusu
`user` : Cassandra keyspace tanı ı ı ı ı
`collection` : Veri koleksiyonu tanı ı ı ı ı
**Döndürür:** veri ve isteğe bağlı ı
### `text_completion(self, system, prompt)`
İş akı ı ı
**Argümanlar:**
`system` : Yardı ı ı ı ı ı ı
`prompt` : Kullanı ı
**Döndürür:** str: Oluşturulan yanı
**Örnek:**
```python
flow = api.flow().id("default")
response = flow.text_completion(
system="You are a helpful assistant",
prompt="What is quantum computing?"
)
print(response)
```
### `triples_query(self, s=None, p=None, o=None, user=None, collection=None, limit=10000)`
Desen eşleştirme kullanarak bilgi grafiği üçlülerini sorgulayı
Belirtilen konu, yüklem ve/veya
nesne desenlerine uyan RDF üçlülerini arar. Belirtilmemiş parametreler, joker karakter olarak işlev görür.
**Argümanlar:**
`s` : Konu URI'si (isteğe bağlı ı
`p` : Yüklem URI'si (isteğe bağlı ı
`o` : Nesne URI'si veya Literal (isteğe bağlı ı
`user` : Kullanı ı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı ı
`limit` : Döndürülecek maksimum sonuç sayı ı ı
**Döndürür:** list[Triple]: Eşleşen Triple nesnelerinin listesi
**Hatalar:**
`RuntimeError` : s veya p bir Uri değilse veya o bir Uri/Literal değilse
**Örnek:**
```python
from trustgraph.knowledge import Uri, Literal
flow = api.flow().id("default")
# Find all triples about a specific subject
triples = flow.triples_query(
s=Uri("http://example.org/person/marie-curie"),
user="trustgraph",
collection="scientists"
)
# Find all instances of a specific relationship
triples = flow.triples_query(
p=Uri("http://example.org/ontology/discovered"),
limit=100
)
```
--
## `AsyncFlow`
```python
from trustgraph.api import AsyncFlow
```
REST API'sini kullanan asenkron akı
Listeleme,
akı ı ı ı ı ı ı ı ı ı ı ı ı ı ı ı ı ı
Not: Akı ı ı
### Yöntemler
### Yöntemler
### `__init__(self, url: str, timeout: int, token: str | None) -> None`
Asenkron akı
**Argümanlar:**
`url` : TrustGraph API'si için temel URL
`timeout` : İstek zaman aşı ı
`token` : Kimlik doğrulama için isteğe bağlı ı ı ı
### `aclose(self) -> None`
Asenkron istemciyi kapatı ı
Not: Temizleme, aiohttp oturum bağlam yöneticileri tarafı ı ı
Bu yöntem, diğer asenkron istemcilerle tutarlı ı ı ı
### `delete_class(self, class_name: str)`
Bir akı ı ı ı ı ı
Sistemden bir akı ı ı ı ı ı ı
**Argümanlar:**
`class_name` : Silinecek akı ı ı ı
**Örnek:**
```python
async_flow = await api.async_flow()
# Delete a flow class
await async_flow.delete_class("old-flow-class")
```
### `get(self, id: str) -> Dict[str, Any]`
Akı ı ı ı
Sı ı ı
açı ı ı ı ı ı ı ı
**Argümanlar:**
`id` : Akı ı ı ı ı
**Döndürür:** dict: Akı ı ı
**Örnek:**
```python
async_flow = await api.async_flow()
# Get flow definition
flow_def = await async_flow.get("default")
print(f"Flow class: {flow_def.get('class-name')}")
print(f"Description: {flow_def.get('description')}")
```
### `get_class(self, class_name: str) -> Dict[str, Any]`
Akı ı ı ı ı ı ı ı
Bir akı ı ı ı ı ı ı ı ı ı ı ı ı ı
**Parametreler:**
`class_name` : Akı ı ı ı ı
**Döndürür:** dict: Akı ı ı ı ı
**Örnek:**
```python
async_flow = await api.async_flow()
# Get flow class definition
class_def = await async_flow.get_class("default")
print(f"Services: {class_def.get('services')}")
```
### `id(self, flow_id: str)`
Asenkron akı ı
Belirli bir akı ı
(ajan, RAG, sorgular, gömme vb.).
**Argümanlar:**
`flow_id` : Akı ı ı ı ı
**Döndürür:** AsyncFlowInstance: Akı
**Örnek:**
```python
async_flow = await api.async_flow()
# Get flow instance
flow = async_flow.id("default")
# Use flow services
result = await flow.graph_rag(
query="What is TrustGraph?",
user="trustgraph",
collection="default"
)
```
### `list(self) -> List[str]`
Tüm akı ı ı ı ı ı
Sistemde şu anda dağı ı ı ı ı ı
**Döndürür:** list[str]: Akı ı ı ı ı ı
**Örnek:**
```python
async_flow = await api.async_flow()
# List all flows
flows = await async_flow.list()
print(f"Available flows: {flows}")
```
### `list_classes(self) -> List[str]`
Tüm akı ı ı ı ı ı
Sistemdeki mevcut tüm akı ı ı ı ı ı ı
**Döndürür:** list[str]: Akı ı ı ı ı ı
**Örnek:**
```python
async_flow = await api.async_flow()
# List available flow classes
classes = await async_flow.list_classes()
print(f"Available flow classes: {classes}")
```
### `put_class(self, class_name: str, definition: Dict[str, Any])`
Bir akı ı ı ı ı ı
Akı ı ı ı ı ı
**Argümanlar:**
`class_name` : Akı ı ı ı
`definition` : Akı ı ı ı ı
**Örnek:**
```python
async_flow = await api.async_flow()
# Create a custom flow class
class_def = {
"services": {
"agent": {"module": "agent", "config": {...}},
"graph-rag": {"module": "graph-rag", "config": {...}}
}
}
await async_flow.put_class("custom-flow", class_def)
```
### `request(self, path: str, request_data: Dict[str, Any]) -> Dict[str, Any]`
Gateway API'sine asenkron HTTP POST isteği gönderin.
TrustGraph API'sine kimlik doğrulaması ı ı ı
**Argümanlar:**
`path` : API uç noktası
`request_data` : İstek yükü sözlüğü
**Döndürür:** dict: API'den gelen yanı
**Hatalar:**
`ProtocolException` : HTTP durum kodu 200 değilse veya yanı
`ApplicationException` : API bir hata yanı ı
### `start(self, class_name: str, id: str, description: str, parameters: Dict | None = None)`
Yeni bir akı ı
Belirtilen parametrelerle, bir akı ı ı ı ı ı ı
**Argümanlar:**
`class_name` : Oluşturulacak akı ı ı ı ı ı
`id` : Yeni akı ı ı ı
`description` : Akı ı ı ı ı
`parameters` : Akı ı ı ı
**Örnek:**
```python
async_flow = await api.async_flow()
# Start a flow from a class
await async_flow.start(
class_name="default",
id="my-flow",
description="Custom flow instance",
parameters={"model": "claude-3-opus"}
)
```
### `stop(self, id: str)`
Çalı ı ı
Bir akı ı ı ı ı ı ı
**Argümanlar:**
`id` : Durdurulacak akı ı ı ı ı
**Örnek:**
```python
async_flow = await api.async_flow()
# Stop a flow
await async_flow.stop("my-flow")
```
--
## `AsyncFlowInstance`
```python
from trustgraph.api import AsyncFlowInstance
```
Asenkron akı
Ajanlar,
RAG sorguları ı ı ı
yanı ı ı ı
Not: Akı ı ı
### Yöntemler
### `__init__(self, flow: trustgraph.api.async_flow.AsyncFlow, flow_id: str)`
Asenkron akı ı
**Argümanlar:**
`flow` : Üst düzey AsyncFlow istemcisi
`flow_id` : Akı ı ı ı ı
### `agent(self, question: str, user: str, state: Dict | None = None, group: str | None = None, history: List | None = None, **kwargs: Any) -> Dict[str, Any]`
Bir ajan işlemini (akı ı
Bir soruyu yanı ı ı ı ı
geçmişi ile. Ajan işleme işlemini tamamladı ı ı
Not: Bu yöntem akı ı ı
gözlemler için, AsyncSocketFlowInstance.agent() yöntemini kullanı
**Argümanlar:**
`question` : Kullanı ı ı
`user` : Kullanı ı ı ı ı ı
`state` : İsteğe bağlı ı
`group` : İsteğe bağlı ı ı ı ı
`history` : İsteğe bağlı
`**kwargs` : Ek, hizmete özgü parametreler
**Döndürür:** dict: Cevap ve meta verileri içeren eksiksiz ajan yanı ı
**Örnek:**
```python
async_flow = await api.async_flow()
flow = async_flow.id("default")
# Execute agent
result = await flow.agent(
question="What is the capital of France?",
user="trustgraph"
)
print(f"Answer: {result.get('response')}")
```
### `document_rag(self, query: str, user: str, collection: str, doc_limit: int = 10, **kwargs: Any) -> str`
Belge tabanlı ı ı ı ı ı
Belge gömüler kullanarak, bilgi artı ı ı
Anlamsal arama yoluyla ilgili belge parçaları ı ı ı ı
ilişkili bir yanı ı ı
Not: Bu yöntem akı ı ı ı ı ı
bunun yerine AsyncSocketFlowInstance.document_rag() yöntemini kullanı
**Argümanlar:**
`query` : Kullanı ı
`user` : Kullanı ı
`collection` : Belgeleri içeren koleksiyon kimliği
`doc_limit` : Alı ı ı ı ı
`**kwargs` : Ek hizmete özgü parametreler
**Döndürür:** str: Belge verilerine dayalı ı
**Örnek:**
```python
async_flow = await api.async_flow()
flow = async_flow.id("default")
# Query documents
response = await flow.document_rag(
query="What does the documentation say about authentication?",
user="trustgraph",
collection="docs",
doc_limit=5
)
print(response)
```
### `embeddings(self, texts: list, **kwargs: Any)`
Girdi metinleri için gömme (embedding) oluşturur.
Metinleri, akı ı ı ı ı ı ı
karşı ı ı ı ı ı
**Argümanlar:**
`texts` : Gömülecek girdi metinlerinin listesi
`**kwargs` : Ek hizmete özgü parametreler
**Döndürür:** dict: Gömme vektörlerini içeren yanı
**Örnek:**
```python
async_flow = await api.async_flow()
flow = async_flow.id("default")
# Generate embeddings
result = await flow.embeddings(texts=["Sample text to embed"])
vectors = result.get("vectors")
print(f"Embedding dimension: {len(vectors[0][0])}")
```
### `graph_embeddings_query(self, text: str, user: str, collection: str, limit: int = 10, **kwargs: Any)`
Anlamsal varlı ı
Varlı ı ı ı ı ı ı ı ı ı ı
**Argümanlar:**
`text` : Anlamsal arama için sorgu metni
`user` : Kullanı ı
`collection` : Grafik gömmelerini içeren koleksiyon kimliği
`limit` : Döndürülecek maksimum sonuç sayı ı ı
`**kwargs` : Ek hizmete özel parametreler
**Döndürür:** dict: Sı ı ı ı ı ı
**Örnek:**
```python
async_flow = await api.async_flow()
flow = async_flow.id("default")
# Find related entities
results = await flow.graph_embeddings_query(
text="machine learning algorithms",
user="trustgraph",
collection="tech-kb",
limit=5
)
for entity in results.get("entities", []):
print(f"{entity['name']}: {entity['score']}")
```
### `graph_rag(self, query: str, user: str, collection: str, max_subgraph_size: int = 1000, max_subgraph_count: int = 5, max_entity_distance: int = 3, **kwargs: Any) -> str`
Grafik tabanlı ı ı ı ı ı
Bilgi grafi veri kullanarak, bilgiyle zenginleştirilmiş metin üretimi gerçekleştirir.
İlgili varlı ı ı ı ı ı ı
yanı ı ı
Not: Bu yöntem akı ı ı ı ı ı ı
**Argümanlar:**
`query` : Kullanı ı
`user` : Kullanı ı
`collection` : Bilgi grafiğini içeren koleksiyon kimliği
`max_subgraph_size` : Her alt grafik için maksimum üçlü sayı ı ı
`max_subgraph_count` : Alı ı ı ı
`max_entity_distance` : Varlı ı
`**kwargs` : Ek hizmete özgü parametreler
**Döndürür:** str: Grafik verilerine dayalı ı
**Örnek:**
```python
async_flow = await api.async_flow()
flow = async_flow.id("default")
# Query knowledge graph
response = await flow.graph_rag(
query="What are the relationships between these entities?",
user="trustgraph",
collection="medical-kb",
max_subgraph_count=3
)
print(response)
```
### `request(self, service: str, request_data: Dict[str, Any]) -> Dict[str, Any]`
Bir akı ı
Bu akı ı ı
**Argümanlar:**
`service` : Hizmet adı
`request_data` : Hizmet isteği yükü
**Döndürür:** dict: Hizmet yanı
**Hatalar:**
`ProtocolException` : İstek başarı ı ı
`ApplicationException` : Hizmet bir hata döndürürse
### `row_embeddings_query(self, text: str, schema_name: str, user: str = 'trustgraph', collection: str = 'default', index_name: str | None = None, limit: int = 10, **kwargs: Any)`
Yapı ı ı ı ı
Satı ı ı ı ı ı ı ı
**Argümanlar:**
`text` : Semantik arama için sorgu metni
`schema_name` : Arama yapı ı
`user` : Kullanı ı ı
`collection` : Koleksiyon kimliği (varsayı
`index_name` : Aramayı ı ı ı ı
`limit` : Döndürülecek maksimum sonuç sayı ı ı
`**kwargs` : Ek hizmete özgü parametreler
**Döndürür:** dict: index_name, index_value, text ve score ile eşleşmeleri içeren yanı
**Örnek:**
```python
async_flow = await api.async_flow()
flow = async_flow.id("default")
# Search for customers by name similarity
results = await flow.row_embeddings_query(
text="John Smith",
schema_name="customers",
user="trustgraph",
collection="sales",
limit=5
)
for match in results.get("matches", []):
print(f"{match['index_name']}: {match['index_value']} (score: {match['score']})")
```
### `rows_query(self, query: str, user: str, collection: str, variables: Dict | None = None, operation_name: str | None = None, **kwargs: Any)`
Saklanan satı ı ı ı ı
GraphQL sözdizimini kullanarak yapı ı ı ı ı ı ı ı ı ı ı
sorguları
**Argümanlar:**
`query` : GraphQL sorgu dizesi
`user` : Kullanı ı ı ı ı ı
`collection` : Satı ı ı ı ı ı
`variables` : İsteğe bağlı
`operation_name` : Çoklu işlem sorguları ı ı
`**kwargs` : Ek hizmete özgü parametreler
**Döndürür:** dict: Veri ve/veya hataları ı ı
**Örnek:**
```python
async_flow = await api.async_flow()
flow = async_flow.id("default")
# Execute GraphQL query
query = '''
query GetUsers($status: String!) {
users(status: $status) {
id
name
email
}
}
'''
result = await flow.rows_query(
query=query,
user="trustgraph",
collection="users",
variables={"status": "active"}
)
for user in result.get("data", {}).get("users", []):
print(f"{user['name']}: {user['email']}")
```
### `text_completion(self, system: str, prompt: str, **kwargs: Any) -> str`
Metin tamamlama oluşturun (akı
Bir sistem istemi ve kullanı ı ı ı
Tam yanı
Not: Bu yöntem akı ı ı ı
bunun yerine AsyncSocketFlowInstance.text_completion() yöntemini kullanı
**Argümanlar:**
`system` : LLM'nin davranı ı ı ı
`prompt` : Kullanı ı
`**kwargs` : Ek hizmete özgü parametreler
**Döndürür:** str: Tam oluşturulmuş metin yanı ı
**Örnek:**
```python
async_flow = await api.async_flow()
flow = async_flow.id("default")
# Generate text
response = await flow.text_completion(
system="You are a helpful assistant.",
prompt="Explain quantum computing in simple terms."
)
print(response)
```
### `triples_query(self, s=None, p=None, o=None, user=None, collection=None, limit=100, **kwargs: Any)`
Desen eşleştirme kullanarak RDF üçlülerini sorgulayı
Belirtilen konu, yüklem ve/veya
nesne desenlerine uyan üçlüleri arar. Desenler, herhangi bir değeri eşleştirmek için "None" değerini joker karakter olarak kullanı
**Argümanlar:**
`s` : Konu deseni (joker karakter için "None")
`p` : Yüklem deseni (joker karakter için "None")
`o` : Nesne deseni (joker karakter için "None")
`user` : Kullanı ı ı ı
`collection` : Koleksiyon kimliği (tüm koleksiyonlar için "None")
`limit` : Döndürülecek maksimum üçlü sayı ı ı
`**kwargs` : Ek hizmete özgü parametreler
**Döndürür:** dict: Eşleşen üçlüleri içeren yanı
**Örnek:**
```python
async_flow = await api.async_flow()
flow = async_flow.id("default")
# Find all triples with a specific predicate
results = await flow.triples_query(
p="knows",
user="trustgraph",
collection="social",
limit=50
)
for triple in results.get("triples", []):
print(f"{triple['s']} knows {triple['o']}")
```
--
## `SocketClient`
```python
from trustgraph.api import SocketClient
```
Akı
WebSocket tabanlı
kullanı ı ı
Ajanlardan gelen akı ı ı ı ı ı
Not: Bu, asenkron WebSocket işlemlerinin etrafı ı
Gerçek asenkron destek için AsyncSocketClient'ı ı
### Yöntemler
### `__init__(self, url: str, timeout: int, token: str | None) -> None`
Senkron WebSocket istemcisini başlatı
**Argümanlar:**
`url` : TrustGraph API'si için temel URL (HTTP/HTTPS, WS/WSS'ye dönüştürülecektir)
`timeout` : Saniyeler cinsinden WebSocket zaman aşı ı
`token` : İsteğe bağlı ı ı ı
### `close(self) -> None`
WebSocket bağlantı ı ı ı
Not: Temizleme, asenkron kodda bağlam yöneticileri tarafı ı ı
### `flow(self, flow_id: str) -> 'SocketFlowInstance'`
WebSocket akı ı ı
**Argümanlar:**
`flow_id` : Akı ı ı ı ı
**Döndürür:** SocketFlowInstance: Akı ı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
# Stream agent responses
for chunk in flow.agent(question="Hello", user="trustgraph", streaming=True):
print(chunk.content, end='', flush=True)
```
--
## `SocketFlowInstance`
```python
from trustgraph.api import SocketFlowInstance
```
Akı ı ı
REST FlowInstance ile aynı ı ı ı
akı ı
`streaming` parametresini destekler.
### Yöntemler
### `__init__(self, client: trustgraph.api.socket_client.SocketClient, flow_id: str) -> None`
Soket akı ı ı
**Argümanlar:**
`client` : Üst SoketClient
`flow_id` : Akı ı ı ı ı
### `agent(self, question: str, user: str, state: Dict[str, Any] | None = None, group: str | None = None, history: List[Dict[str, Any]] | None = None, streaming: bool = False, **kwargs: Any) -> Dict[str, Any] | Iterator[trustgraph.api.types.StreamingChunk]`
Akı
Ajanlar, araç kullanı ı ı ı
akı ı ı ı
**Argümanlar:**
`question` : Kullanı ı ı
`user` : Kullanı ı
`state` : Durumlu konuşmalar için isteğe bağlı
`group` : Çok kullanı ı ı ı
`history` : İsteğe bağlı
`streaming` : Akı ı
`**kwargs` : Ajan hizmetine iletilen ek parametreler
**Döndürür:** Iterator[StreamingChunk]: Ajanı ı ı ı ı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
# Stream agent reasoning
for chunk in flow.agent(
question="What is quantum computing?",
user="trustgraph",
streaming=True
):
if isinstance(chunk, AgentThought):
print(f"[Thinking] {chunk.content}")
elif isinstance(chunk, AgentObservation):
print(f"[Observation] {chunk.content}")
elif isinstance(chunk, AgentAnswer):
print(f"[Answer] {chunk.content}")
```
### `agent_explain(self, question: str, user: str, collection: str, state: Dict[str, Any] | None = None, group: str | None = None, history: List[Dict[str, Any]] | None = None, **kwargs: Any) -> Iterator[trustgraph.api.types.StreamingChunk | trustgraph.api.types.ProvenanceEvent]`
Açı
Hem içerik parçaları ı
ve kaynak olayları ı ı ı ı ı ı ı
almak için ExplainabilityClient kullanı ı
ve ajanı ı ı
Ajan izi şunlardan oluşur:
Oturum: Başlangı
Yinelemeler: Her düşünce/eylem/gözlem döngüsü
Sonuç: Nihai cevap
**Argümanlar:**
`question` : Kullanı ı ı
`user` : Kullanı ı ı ı ı ı
`collection` : Kaynak depolama için koleksiyon tanı ı ı ı
`state` : Durumlu konuşmalar için isteğe bağlı
`group` : Çoklu kullanı ı ı ı ı ı ı ı
`history` : İsteğe bağlı
`**kwargs` : Ajan hizmetine iletilen ek parametreler
`Yields` :
`Union[StreamingChunk, ProvenanceEvent]` : Ajan parçaları ı
**Örnek:**
```python
from trustgraph.api import Api, ExplainabilityClient, ProvenanceEvent
from trustgraph.api import AgentThought, AgentObservation, AgentAnswer
socket = api.socket()
flow = socket.flow("default")
explain_client = ExplainabilityClient(flow)
provenance_ids = []
for item in flow.agent_explain(
question="What is the capital of France?",
user="trustgraph",
collection="default"
):
if isinstance(item, AgentThought):
print(f"[Thought] {item.content}")
elif isinstance(item, AgentObservation):
print(f"[Observation] {item.content}")
elif isinstance(item, AgentAnswer):
print(f"[Answer] {item.content}")
elif isinstance(item, ProvenanceEvent):
provenance_ids.append(item.explain_id)
# Fetch session trace after completion
if provenance_ids:
trace = explain_client.fetch_agent_trace(
provenance_ids[0], # Session URI is first
graph="urn:graph:retrieval",
user="trustgraph",
collection="default"
)
```
### `document_embeddings_query(self, text: str, user: str, collection: str, limit: int = 10, **kwargs: Any) -> Dict[str, Any]`
Anlamlı ı ı ı
**Argümanlar:**
`text` : Anlamlı
`user` : Kullanı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
`limit` : Maksimum sonuç sayı ı ı
`**kwargs` : Hizmete iletilen ek parametreler
**Dönüş:** dict: Eşleşen belge parçaları ı ı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
results = flow.document_embeddings_query(
text="machine learning algorithms",
user="trustgraph",
collection="research-papers",
limit=5
)
# results contains {"chunks": [{"chunk_id": "...", "score": 0.95}, ...]}
```
### `document_rag(self, query: str, user: str, collection: str, doc_limit: int = 10, streaming: bool = False, **kwargs: Any) -> str | Iterator[str]`
Belge tabanlı ı ı ı ı ı
İlgili belge parçaları ı ı ı
bir yanı ı ı
**Argümanlar:**
`query` : Doğal dil sorgusu
`user` : Kullanı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
`doc_limit` : Alı ı ı ı ı
`streaming` : Akı ı
`**kwargs` : Hizmete iletilen ek parametreler
**Döndürür:** Union[str, Iterator[str]]: Tam yanı ı ı ı ı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
# Streaming document RAG
for chunk in flow.document_rag(
query="Summarize the key findings",
user="trustgraph",
collection="research-papers",
doc_limit=5,
streaming=True
):
print(chunk, end='', flush=True)
```
### `document_rag_explain(self, query: str, user: str, collection: str, doc_limit: int = 10, **kwargs: Any) -> Iterator[trustgraph.api.types.RAGChunk | trustgraph.api.types.ProvenanceEvent]`
Açı ı ı ı ı
Hem içerik parçaları ı ı ı ı ı
Kaynak olayları ı ı ı ı ı ı ı ı
Belge RAG izi şunlardan oluşur:
Soru: Kullanı ı ı
Keşif: Belge deposundan alı ı ı
Sentez: Oluşturulan yanı
**Argümanlar:**
`query` : Doğal dil sorgusu
`user` : Kullanı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
`doc_limit` : Alı ı ı ı ı
`**kwargs` : Hizmete iletilen ek parametreler
`Yields` :
`Union[RAGChunk, ProvenanceEvent]` : İçerik parçaları ı
**Örnek:**
```python
from trustgraph.api import Api, ExplainabilityClient, RAGChunk, ProvenanceEvent
socket = api.socket()
flow = socket.flow("default")
explain_client = ExplainabilityClient(flow)
for item in flow.document_rag_explain(
query="Summarize the key findings",
user="trustgraph",
collection="research-papers",
doc_limit=5
):
if isinstance(item, RAGChunk):
print(item.content, end='', flush=True)
elif isinstance(item, ProvenanceEvent):
# Fetch entity details
entity = explain_client.fetch_entity(
item.explain_id,
graph=item.explain_graph,
user="trustgraph",
collection="research-papers"
)
print(f"Event: {entity}", file=sys.stderr)
```
### `embeddings(self, texts: list, **kwargs: Any) -> Dict[str, Any]`
Bir veya daha fazla metin için vektör gömme işlemleri gerçekleştirin.
**Argümanlar:**
`texts` : Gömülecek giriş metinlerinin listesi
`**kwargs` : Hizmete iletilen ek parametreler
**Döndürür:** dict: Vektörleri içeren (her giriş metni için bir set) yanı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
result = flow.embeddings(["quantum computing"])
vectors = result.get("vectors", [])
```
### `graph_embeddings_query(self, text: str, user: str, collection: str, limit: int = 10, **kwargs: Any) -> Dict[str, Any]`
Anlamsal benzerlik kullanarak bilgi grafiği varlı ı ı ı
**Argümanlar:**
`text` : Anlamsal arama için sorgu metni
`user` : Kullanı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
`limit` : Maksimum sonuç sayı ı ı
`**kwargs` : Hizmete iletilen ek parametreler
**Dönüş:** dict: Benzer varlı ı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
results = flow.graph_embeddings_query(
text="physicist who discovered radioactivity",
user="trustgraph",
collection="scientists",
limit=5
)
```
### `graph_rag(self, query: str, user: str, collection: str, max_subgraph_size: int = 1000, max_subgraph_count: int = 5, max_entity_distance: int = 3, streaming: bool = False, **kwargs: Any) -> str | Iterator[str]`
İsteğe bağlı ı ı ı ı ı
İlgili bağlamı ı ı ı ı ı
bir LLM kullanarak bir yanı ı ı
**Argümanlar:**
`query` : Doğal dil sorgusu
`user` : Kullanı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
`max_subgraph_size` : Alt grafikteki maksimum toplam üçlü sayı ı ı
`max_subgraph_count` : Maksimum alt grafik sayı ı ı
`max_entity_distance` : Maksimum gezinme derinliği (varsayı
`streaming` : Akı ı
`**kwargs` : Hizmete iletilen ek parametreler
**Döndürür:** Union[str, Iterator[str]]: Tam yanı ı ı ı ı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
# Streaming graph RAG
for chunk in flow.graph_rag(
query="Tell me about Marie Curie",
user="trustgraph",
collection="scientists",
streaming=True
):
print(chunk, end='', flush=True)
```
### `graph_rag_explain(self, query: str, user: str, collection: str, max_subgraph_size: int = 1000, max_subgraph_count: int = 5, max_entity_distance: int = 3, **kwargs: Any) -> Iterator[trustgraph.api.types.RAGChunk | trustgraph.api.types.ProvenanceEvent]`
Açı ı ı ı ı
Hem içerik parçaları ı ı ı
Kaynak olayları ı ı ı ı ı ı ı ı
**Argümanlar:**
`query` : Doğal dil sorgusu
`user` : Kullanı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
`max_subgraph_size` : Alt grafik içindeki maksimum toplam üçlü sayı ı ı
`max_subgraph_count` : Maksimum alt grafik sayı ı ı
`max_entity_distance` : Maksimum gezinme derinliği (varsayı
`**kwargs` : Hizmete iletilen ek parametreler
`Yields` :
`Union[RAGChunk, ProvenanceEvent]` : İçerik parçaları ı
**Örnek:**
```python
from trustgraph.api import Api, ExplainabilityClient, RAGChunk, ProvenanceEvent
socket = api.socket()
flow = socket.flow("default")
explain_client = ExplainabilityClient(flow)
provenance_ids = []
response_text = ""
for item in flow.graph_rag_explain(
query="Tell me about Marie Curie",
user="trustgraph",
collection="scientists"
):
if isinstance(item, RAGChunk):
response_text += item.content
print(item.content, end='', flush=True)
elif isinstance(item, ProvenanceEvent):
provenance_ids.append(item.provenance_id)
# Fetch explainability details
for prov_id in provenance_ids:
entity = explain_client.fetch_entity(
prov_id,
graph="urn:graph:retrieval",
user="trustgraph",
collection="scientists"
)
print(f"Entity: {entity}")
```
### `mcp_tool(self, name: str, parameters: Dict[str, Any], **kwargs: Any) -> Dict[str, Any]`
Bir Model Bağlam Protokolü (MCP) aracı ı ı ı ı
**Argümanlar:**
`name` : Araç adı ı ı ı
`parameters` : Araç parametreleri sözlüğü
`**kwargs` : Hizmete iletilen ek parametreler
**Döndürür:** dict: Aracı ı ı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
result = flow.mcp_tool(
name="search-web",
parameters={"query": "latest AI news", "limit": 5}
)
```
### `prompt(self, id: str, variables: Dict[str, str], streaming: bool = False, **kwargs: Any) -> str | Iterator[str]`
İsteğe bağlı ı
**Argümanlar:**
`id` : İstem şablonu tanı ı ı ı
`variables` : Değişken adı
`streaming` : Akı ı
`**kwargs` : Hizmete iletilen ek parametreler
**Döndürür:** Union[str, Iterator[str]]: Tam yanı ı ı ı ı ı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
# Streaming prompt execution
for chunk in flow.prompt(
id="summarize-template",
variables={"topic": "quantum computing", "length": "brief"},
streaming=True
):
print(chunk, end='', flush=True)
```
### `row_embeddings_query(self, text: str, schema_name: str, user: str = 'trustgraph', collection: str = 'default', index_name: str | None = None, limit: int = 10, **kwargs: Any) -> Dict[str, Any]`
İndekslenmiş alanlar üzerinde semantik benzerlik kullanarak sorgu satı ı
Giriş metnine semantik olarak benzer olan, indekslenmiş alan değerlerine sahip satı ı ı ı ı ı ı ı
sağlar.
**Argümanlar:**
`text` : Anlamsal arama için sorgu metni
`schema_name` : İçinde arama yapı ı
`user` : Kullanı ı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı ı
`index_name` : Aramayı ı ı ı ı
`limit` : Maksimum sonuç sayı ı ı
`**kwargs` : Hizmete iletilen ek parametreler
**Döndürür:** dict: Eşleşmeleri içeren, index_name, index_value, text ve score alanları ı ı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
# Search for customers by name similarity
results = flow.row_embeddings_query(
text="John Smith",
schema_name="customers",
user="trustgraph",
collection="sales",
limit=5
)
# Filter to specific index
results = flow.row_embeddings_query(
text="machine learning engineer",
schema_name="employees",
index_name="job_title",
limit=10
)
```
### `rows_query(self, query: str, user: str, collection: str, variables: Dict[str, Any] | None = None, operation_name: str | None = None, **kwargs: Any) -> Dict[str, Any]`
Yapı ı ı ı ı ı ı ı ı
**Argümanlar:**
`query` : GraphQL sorgu dizesi
`user` : Kullanı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
`variables` : İsteğe bağlı
`operation_name` : Çoklu işlem belgeleri için isteğe bağlı ı
`**kwargs` : Hizmete iletilen ek parametreler
**Döndürür:** dict: Veri, hatalar ve/veya uzantı ı ı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
query = '''
{
scientists(limit: 10) {
name
field
discoveries
}
}
'''
result = flow.rows_query(
query=query,
user="trustgraph",
collection="scientists"
)
```
### `text_completion(self, system: str, prompt: str, streaming: bool = False, **kwargs) -> str | Iterator[str]`
İsteğe bağlı ı
**Argümanlar:**
`system` : Asistanı ı ı ı ı
`prompt` : Kullanı ı
`streaming` : Akı ı
`**kwargs` : Hizmete iletilen ek parametreler
**Dönüş:** Union[str, Iterator[str]]: Tamamlanmı ı ı ı ı ı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
# Non-streaming
response = flow.text_completion(
system="You are helpful",
prompt="Explain quantum computing",
streaming=False
)
print(response)
# Streaming
for chunk in flow.text_completion(
system="You are helpful",
prompt="Explain quantum computing",
streaming=True
):
print(chunk, end='', flush=True)
```
### `triples_query(self, s: str | Dict[str, Any] | None = None, p: str | Dict[str, Any] | None = None, o: str | Dict[str, Any] | None = None, g: str | None = None, user: str | None = None, collection: str | None = None, limit: int = 100, **kwargs: Any) -> List[Dict[str, Any]]`
Desen eşleştirme kullanarak bilgi grafiği üçlülerini sorgulayı
**Argümanlar:**
`s` : Konu filtresi - URI dizesi, Terim sözlüğü veya joker karakter için None
`p` : Özne filtresi - URI dizesi, Terim sözlüğü veya joker karakter için None
`o` : Nesne filtresi - URI/literal dizesi, Terim sözlüğü veya joker karakter için None
`g` : Adlandı ı ı
`user` : Kullanı ı ı ı ı ı ı
`collection` : Koleksiyon kimlik tanı ı ı ı ı
`limit` : Döndürülecek maksimum sonuç sayı ı ı
`**kwargs` : Hizmete geçirilecek ek parametreler
**Döndürür:** List[Dict]: Tel formatı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
# Find all triples about a specific subject
triples = flow.triples_query(
s="http://example.org/person/marie-curie",
user="trustgraph",
collection="scientists"
)
# Query with named graph filter
triples = flow.triples_query(
s="urn:trustgraph:session:abc123",
g="urn:graph:retrieval",
user="trustgraph",
collection="default"
)
```
### `triples_query_stream(self, s: str | Dict[str, Any] | None = None, p: str | Dict[str, Any] | None = None, o: str | Dict[str, Any] | None = None, g: str | None = None, user: str | None = None, collection: str | None = None, limit: int = 100, batch_size: int = 20, **kwargs: Any) -> Iterator[List[Dict[str, Any]]]`
Akı ı ı
Üçlüleri geldikleri gibi toplu olarak döndürür, böylece ilk sonuç alma süresini ve büyük sonuç kümeleri için bellek yükünü azaltı
**Parametreler:**
`s` : Konu filtresi - URI dizesi, Terim sözlüğü veya joker karakter için None
`p` : Özne filtresi - URI dizesi, Terim sözlüğü veya joker karakter için None
`o` : Nesne filtresi - URI/literal dizesi, Terim sözlüğü veya joker karakter için None
`g` : Adlandı ı ı
`user` : Kullanı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı ı
`limit` : Döndürülecek maksimum sonuç sayı ı ı
`batch_size` : Toplu işlemdeki üçlü sayı ı ı
`**kwargs` : Hizmete geçirilecek ek parametreler
`Yields` :
`List[Dict]` : Tel formatı ı
**Örnek:**
```python
socket = api.socket()
flow = socket.flow("default")
for batch in flow.triples_query_stream(
user="trustgraph",
collection="default"
):
for triple in batch:
print(triple["s"], triple["p"], triple["o"])
```
--
## `AsyncSocketClient`
```python
from trustgraph.api import AsyncSocketClient
```
Asenkron WebSocket istemcisi
### Yöntemler
### `__init__(self, url: str, timeout: int, token: str | None)`
Kendini başlat. Doğru imza için help(type(self))'e bakı
### `aclose(self)`
WebSocket bağlantı ı ı
### `flow(self, flow_id: str)`
WebSocket işlemleri için asenkron akı
--
## `AsyncSocketFlowInstance`
```python
from trustgraph.api import AsyncSocketFlowInstance
```
Asenkron WebSocket akı ı
### Yöntemler
### `__init__(self, client: trustgraph.api.async_socket_client.AsyncSocketClient, flow_id: str)`
Kendini başlat. Doğru imza için help(type(self))'e bakı
### `agent(self, question: str, user: str, state: Dict[str, Any] | None = None, group: str | None = None, history: list | None = None, streaming: bool = False, **kwargs) -> Dict[str, Any] | AsyncIterator`
İsteğe bağlı ı
### `document_rag(self, query: str, user: str, collection: str, doc_limit: int = 10, streaming: bool = False, **kwargs)`
İsteğe bağlı ı ı
### `embeddings(self, texts: list, **kwargs)`
Metin gömülmelerini oluştur
### `graph_embeddings_query(self, text: str, user: str, collection: str, limit: int = 10, **kwargs)`
Anlamsal arama için grafik gömülmelerini sorgula
### `graph_rag(self, query: str, user: str, collection: str, max_subgraph_size: int = 1000, max_subgraph_count: int = 5, max_entity_distance: int = 3, streaming: bool = False, **kwargs)`
İsteğe bağlı ı
### `mcp_tool(self, name: str, parameters: Dict[str, Any], **kwargs)`
MCP aracı ı ı ı
### `prompt(self, id: str, variables: Dict[str, str], streaming: bool = False, **kwargs)`
İsteğe bağlı ı ı ı
### `row_embeddings_query(self, text: str, schema_name: str, user: str = 'trustgraph', collection: str = 'default', index_name: str | None = None, limit: int = 10, **kwargs)`
Yapı ı ı ı ı
### `rows_query(self, query: str, user: str, collection: str, variables: Dict | None = None, operation_name: str | None = None, **kwargs)`
Yapı ı ı ı ı ı
### `text_completion(self, system: str, prompt: str, streaming: bool = False, **kwargs)`
İsteğe bağlı ı
### `triples_query(self, s=None, p=None, o=None, user=None, collection=None, limit=100, **kwargs)`
Üçlü desen sorgusu
--
### `build_term(value: Any, term_type: str | None = None, datatype: str | None = None, language: str | None = None) -> Dict[str, Any] | None`
Bir değerden tel formatlı
Otomatik algı ı
Zaten 't' anahtarı
http://, https://, urn: ile başlı
< > (örneğin, < http: / / . . . > ) içinde ise -> IRI (köşeli parantezler kaldı ı ı
Başka bir şey -> literal
**Argümanlar:**
`value` : Term değeri (string, sözlük veya None)
`term_type` : 'iri', 'literal' veya otomatik algı
`datatype` : Literal nesneler için veri türü (örneğin, xsd:integer)
`language` : Literal nesneler için dil etiketi (örneğin, en)
**Döndürür:** sözlük: Tel formatlı
--
## `BulkClient`
```python
from trustgraph.api import BulkClient
```
İçe/dı ı
Büyük veri kümeleri için WebSocket üzerinden verimli toplu veri aktarı ı
Kullanı ı ı
Not: Gerçek asenkron destek için, AsyncBulkClient'ı ı
### Yöntemler
### `__init__(self, url: str, timeout: int, token: str | None) -> None`
Senkron toplu istemciyi başlatı
**Argümanlar:**
`url` : TrustGraph API'si için temel URL (HTTP/HTTPS, WS/WSS'ye dönüştürülecektir).
`timeout` : WebSocket zaman aşı ı
`token` : İsteğe bağlı ı ı ı
### `close(self) -> None`
Bağlantı ı ı
### `export_document_embeddings(self, flow: str, **kwargs: Any) -> Iterator[Dict[str, Any]]`
Bir akı ı ı ı ı ı ı
Tüm belge parçası ı ı
**Argümanlar:**
`flow` : Akı ı ı ı ı
`**kwargs` : Ek parametreler (gelecekteki kullanı ı ı ı
**Döndürür:** Iterator[Dict[str, Any]]: Gömme sözlüklerinin akı ı
**Örnek:**
```python
bulk = api.bulk()
# Export and process document embeddings
for embedding in bulk.export_document_embeddings(flow="default"):
chunk_id = embedding.get("chunk_id")
vector = embedding.get("embedding")
print(f"{chunk_id}: {len(vector)} dimensions")
```
### `export_entity_contexts(self, flow: str, **kwargs: Any) -> Iterator[Dict[str, Any]]`
Bir akı ı ı ı ı ı
Tüm varlı ı ı ı ı ı ı
**Argümanlar:**
`flow` : Akı ı ı ı ı
`**kwargs` : Ek parametreler (gelecekteki kullanı ı ı ı
**Döndürür:** Iterator[Dict[str, Any]]: Bağlam sözlüklerinin akı ı
**Örnek:**
```python
bulk = api.bulk()
# Export and process entity contexts
for context in bulk.export_entity_contexts(flow="default"):
entity = context.get("entity")
text = context.get("context")
print(f"{entity}: {text[:100]}...")
```
### `export_graph_embeddings(self, flow: str, **kwargs: Any) -> Iterator[Dict[str, Any]]`
Bir akı ı ı
Tüm grafik varlı
**Parametreler:**
`flow` : Akı ı ı ı ı
`**kwargs` : Ek parametreler (gelecekteki kullanı ı ı ı
**Döndürür:** Iterator[Dict[str, Any]]: Gömme sözlüklerinin akı ı
**Örnek:**
```python
bulk = api.bulk()
# Export and process embeddings
for embedding in bulk.export_graph_embeddings(flow="default"):
entity = embedding.get("entity")
vector = embedding.get("embedding")
print(f"{entity}: {len(vector)} dimensions")
```
### `export_triples(self, flow: str, **kwargs: Any) -> Iterator[trustgraph.api.types.Triple]`
Bir akı ı ı
Tüm üçlüleri WebSocket akı ı ı ı ı
**Argümanlar:**
`flow` : Akı ı ı ı ı
`**kwargs` : Ek parametreler (gelecekteki kullanı ı ı ı
**Döndürür:** Iterator[Triple]: Triple nesnelerinin akı ı
**Örnek:**
```python
bulk = api.bulk()
# Export and process triples
for triple in bulk.export_triples(flow="default"):
print(f"{triple.s} -> {triple.p} -> {triple.o}")
```
### `import_document_embeddings(self, flow: str, embeddings: Iterator[Dict[str, Any]], **kwargs: Any) -> None`
Bir akı ı
Belge parçası ı ı ı ı ı ı ı
**Argümanlar:**
`flow` : Akı ı ı ı ı
`embeddings` : Gömme sözlükleri üreten yineleyici
`**kwargs` : Ek parametreler (gelecekteki kullanı ı ı ı
**Örnek:**
```python
bulk = api.bulk()
# Generate document embeddings to import
def doc_embedding_generator():
yield {"chunk_id": "doc1/p0/c0", "embedding": [0.1, 0.2, ...]}
yield {"chunk_id": "doc1/p0/c1", "embedding": [0.3, 0.4, ...]}
# ... more embeddings
bulk.import_document_embeddings(
flow="default",
embeddings=doc_embedding_generator()
)
```
### `import_entity_contexts(self, flow: str, contexts: Iterator[Dict[str, Any]], metadata: Dict[str, Any] | None = None, batch_size: int = 100, **kwargs: Any) -> None`
Bir akı ı ı ı ı
Varlı ı ı ı ı ı ı
Varlı ı ı ı ı
ve geliştirilmiş RAG performansı ı ı
**Argümanlar:**
`flow` : Akı ı ı ı ı
`contexts` : Bağlam sözlükleri üreten yineleyici
`metadata` : id, metadata, kullanı ı
`batch_size` : Toplu iş başı ı ı ı
`**kwargs` : Ek parametreler (gelecekteki kullanı ı ı ı
**Örnek:**
```python
bulk = api.bulk()
# Generate entity contexts to import
def context_generator():
yield {"entity": {"v": "entity1", "e": True}, "context": "Description..."}
yield {"entity": {"v": "entity2", "e": True}, "context": "Description..."}
# ... more contexts
bulk.import_entity_contexts(
flow="default",
contexts=context_generator(),
metadata={"id": "doc1", "metadata": [], "user": "user1", "collection": "default"}
)
```
### `import_graph_embeddings(self, flow: str, embeddings: Iterator[Dict[str, Any]], **kwargs: Any) -> None`
Bir akı ı
Grafik varlı
**Parametreler:**
`flow` : Akı ı ı ı ı
`embeddings` : Gömme sözlükleri üreten yineleyici
`**kwargs` : Ek parametreler (gelecekteki kullanı ı ı ı
**Örnek:**
```python
bulk = api.bulk()
# Generate embeddings to import
def embedding_generator():
yield {"entity": "entity1", "embedding": [0.1, 0.2, ...]}
yield {"entity": "entity2", "embedding": [0.3, 0.4, ...]}
# ... more embeddings
bulk.import_graph_embeddings(
flow="default",
embeddings=embedding_generator()
)
```
### `import_rows(self, flow: str, rows: Iterator[Dict[str, Any]], **kwargs: Any) -> None`
Bir akı ı ı ı ı ı ı ı
Yapı ı ı ı ı ı ı ı ı ı ı ı ı ı
**Argümanlar:**
`flow` : Akı ı ı ı ı
`rows` : Satı
`**kwargs` : Ek parametreler (gelecekteki kullanı ı ı ı
**Örnek:**
```python
bulk = api.bulk()
# Generate rows to import
def row_generator():
yield {"id": "row1", "name": "Row 1", "value": 100}
yield {"id": "row2", "name": "Row 2", "value": 200}
# ... more rows
bulk.import_rows(
flow="default",
rows=row_generator()
)
```
### `import_triples(self, flow: str, triples: Iterator[trustgraph.api.types.Triple], metadata: Dict[str, Any] | None = None, batch_size: int = 100, **kwargs: Any) -> None`
Bir akı ı
Büyük miktarlarda üçlü verisini WebSocket akı ı ı ı ı
**Parametreler:**
`flow` : Akı ı ı ı ı
`triples` : Triple nesneleri üreten yineleyici
`metadata` : id, metadata, kullanı ı
`batch_size` : Her topluluktaki üçlü sayı ı ı
`**kwargs` : Ek parametreler (gelecekteki kullanı ı ı ı
**Örnek:**
```python
from trustgraph.api import Triple
bulk = api.bulk()
# Generate triples to import
def triple_generator():
yield Triple(s="subj1", p="pred", o="obj1")
yield Triple(s="subj2", p="pred", o="obj2")
# ... more triples
# Import triples
bulk.import_triples(
flow="default",
triples=triple_generator(),
metadata={"id": "doc1", "metadata": [], "user": "user1", "collection": "default"}
)
```
--
## `AsyncBulkClient`
```python
from trustgraph.api import AsyncBulkClient
```
Asenkron toplu işlemler istemcisi
### Yöntemler
### `__init__(self, url: str, timeout: int, token: str | None) -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
### `aclose(self) -> None`
Bağlantı ı
### `export_document_embeddings(self, flow: str, **kwargs: Any) -> AsyncIterator[Dict[str, Any]]`
WebSocket üzerinden belge gömme verilerini toplu olarak dı
### `export_entity_contexts(self, flow: str, **kwargs: Any) -> AsyncIterator[Dict[str, Any]]`
WebSocket üzerinden varlı ı ı ı
### `export_graph_embeddings(self, flow: str, **kwargs: Any) -> AsyncIterator[Dict[str, Any]]`
WebSocket üzerinden grafik gömme verilerini toplu olarak dı
### `export_triples(self, flow: str, **kwargs: Any) -> AsyncIterator[trustgraph.api.types.Triple]`
WebSocket üzerinden üçlüleri toplu olarak dı
### `import_document_embeddings(self, flow: str, embeddings: AsyncIterator[Dict[str, Any]], **kwargs: Any) -> None`
WebSocket üzerinden belge gömme verilerini toplu olarak içe aktar
### `import_entity_contexts(self, flow: str, contexts: AsyncIterator[Dict[str, Any]], **kwargs: Any) -> None`
WebSocket üzerinden varlı ı ı
### `import_graph_embeddings(self, flow: str, embeddings: AsyncIterator[Dict[str, Any]], **kwargs: Any) -> None`
WebSocket üzerinden grafik gömme verilerini toplu olarak içe aktar
### `import_rows(self, flow: str, rows: AsyncIterator[Dict[str, Any]], **kwargs: Any) -> None`
WebSocket üzerinden satı ı
### `import_triples(self, flow: str, triples: AsyncIterator[trustgraph.api.types.Triple], **kwargs: Any) -> None`
WebSocket üzerinden üçlüleri toplu olarak içe aktar
--
## `Metrics`
```python
from trustgraph.api import Metrics
```
Senkron ölçüm istemcisi
### Yöntemler
### `__init__(self, url: str, timeout: int, token: str | None) -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
### `get(self) -> str`
Prometheus ölçümlerini metin olarak al
--
## `AsyncMetrics`
```python
from trustgraph.api import AsyncMetrics
```
Asenkron metrik istemcisi
### Yöntemler
### `__init__(self, url: str, timeout: int, token: str | None) -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
### `aclose(self) -> None`
Bağlantı ı
### `get(self) -> str`
Prometheus metriklerini metin olarak al
--
## `ExplainabilityClient`
```python
from trustgraph.api import ExplainabilityClient
```
Açı ı ı ı ı ı ı
Aşağı ı ı ı ı
Sonuçlar aynı ı ı
### Yöntemler
### `__init__(self, flow_instance, retry_delay: float = 0.2, max_retries: int = 10)`
Açı
**Argümanlar:**
`flow_instance` : Üçlüleri sorgulamak için bir SocketFlowInstance.
`retry_delay` : Tekrar denemeler arası ı
`max_retries` : Maksimum tekrar deneme sayı ı ı
### `detect_session_type(self, session_uri: str, graph: str | None = None, user: str | None = None, collection: str | None = None) -> str`
Bir oturumun GraphRAG veya Agent türünde olup olmadı ı ı
**Argümanlar:**
`session_uri` : Oturum/soru URI'si.
`graph` : Adlandı ı ı
`user` : Kullanı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
**Döndürür:** "graphrag" veya "agent".
### `fetch_agent_trace(self, session_uri: str, graph: str | None = None, user: str | None = None, collection: str | None = None, api: Any = None, max_content: int = 10000) -> Dict[str, Any]`
Bir oturum URI'sinden başlayarak, tamamlanmı ı
Aşağı
**Argümanlar:**
`session_uri` : Agent oturum/soru URI'si.
`graph` : Adlandı ı ı ı
`user` : Kullanı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
`api` : Kütüphaneci erişimi için TrustGraph Api örneği (isteğe bağlı
`max_content` : Sonuç için maksimum içerik uzunluğu.
**Döndürür:** Soru, yinelemeler (Analiz listesi), sonuç varlı ı
### `fetch_docrag_trace(self, question_uri: str, graph: str | None = None, user: str | None = None, collection: str | None = None, api: Any = None, max_content: int = 10000) -> Dict[str, Any]`
Bir soru URI'sinden başlayarak, tamamlanmı ı
Aşağı
Soru -> Yerleştirme -> Keşif -> Sentez.
**Argümanlar:**
`question_uri` : Soru varlı
`graph` : Adlandı ı ı ı
`user` : Kullanı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
`api` : Kütüphaneci erişimi için TrustGraph Api örneği (isteğe bağlı
`max_content` : Sentez için maksimum içerik uzunluğu.
**Döndürür:** Soru, yerleştirme, keşif, sentez varlı ı
### `fetch_document_content(self, document_uri: str, api: Any, user: str | None = None, max_content: int = 10000) -> str`
Bir belge URI'si tarafı ı
**Argümanlar:**
`document_uri` : Kütüphanecideki belge URI'si.
`api` : Kütüphaneci erişimi için TrustGraph Api örneği.
`user` : Kütüphaneci için kullanı ı ı ı ı ı
`max_content` : Döndürülecek maksimum içerik uzunluğu.
**Döndürür:** Belge içeriğini bir dize olarak.
### `fetch_edge_selection(self, uri: str, graph: str | None = None, user: str | None = None, collection: str | None = None) -> trustgraph.api.explainability.EdgeSelection | None`
Bir kenar seçimi varlı ı ı ı ı ı
**Argümanlar:**
`uri` : Kenar seçimi URI'si.
`graph` : Sorgulanacak adlandı ı ı
`user` : Kullanı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
**Döndürür:** EdgeSelection veya bulunamazsa None.
### `fetch_entity(self, uri: str, graph: str | None = None, user: str | None = None, collection: str | None = None) -> trustgraph.api.explainability.ExplainEntity | None`
Bir URI'yi, olası ı ı ı ı ı ı
Aşağı ı
1. URI için üçlüleri alı
2. Sı ı
3. Sı ı ı
4. Aynı ı ı ı ı ı
5. Farklı ı ı
**Argümanlar:**
`uri` : Alı ı
`graph` : Sorgulanacak adlandı ı ı
`user` : Kullanı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
**Döndürür:** Açı ı ı ı ı
### `fetch_focus_with_edges(self, uri: str, graph: str | None = None, user: str | None = None, collection: str | None = None) -> trustgraph.api.explainability.Focus | None`
Bir Focus varlı ı ı ı
**Argümanlar:**
`uri` : Focus varlı
`graph` : Sorgulanacak adlandı ı ı
`user` : Kullanı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
**Döndürür:** Doldurulmuş kenar_seçimleri ile Focus veya bulunamazsa None
### `fetch_graphrag_trace(self, question_uri: str, graph: str | None = None, user: str | None = None, collection: str | None = None, api: Any = None, max_content: int = 10000) -> Dict[str, Any]`
Bir soru URI'sinden başlayarak, tamamlanmı ı
Aşağı
**Argümanlar:**
`question_uri` : Soru varlı
`graph` : Adlandı ı ı ı
`user` : Kullanı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
`api` : Kütüphaneci erişimi için TrustGraph Api örneği (isteğe bağlı
`max_content` : Sentez için maksimum içerik uzunluğu
**Döndürür:** Soru, yerleştirme, keşif, focus, sentez varlı ı
### `list_sessions(self, graph: str | None = None, user: str | None = None, collection: str | None = None, limit: int = 50) -> List[trustgraph.api.explainability.Question]`
Bir koleksiyondaki tüm açı ı ı ı
**Argümanlar:**
`graph` : Adlandı ı ı ı
`user` : Kullanı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
`limit` : Döndürülecek maksimum oturum sayı ı
**Döndürür:** Zaman damgası ı ı ı ı
### `resolve_edge_labels(self, edge: Dict[str, str], user: str | None = None, collection: str | None = None) -> Tuple[str, str, str]`
Bir kenar üçlüsünün tüm bileşenleri için etiketleri çözün.
**Argümanlar:**
`edge` : "s", "p", "o" anahtarları
`user` : Kullanı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
**Döndürür:** (s_etiketi, p_etiketi, o_etiketi) tuple'ı
### `resolve_label(self, uri: str, user: str | None = None, collection: str | None = None) -> str`
Bir URI için rdfs:label'i, önbellekleme ile çözün.
**Argümanlar:**
`uri` : Etiketi alı
`user` : Kullanı ı ı ı ı ı ı
`collection` : Koleksiyon tanı ı ı ı
**Döndürür:** Bulunursa etiketi, aksi takdirde URI'yi kendisi
--
## `ExplainEntity`
```python
from trustgraph.api import ExplainEntity
```
Açı ı ı ı ı
**Alanlar:**
`uri` : < class ' str ' >
`entity_type` : < class ' str ' >
### Yöntemler
### `__init__(self, uri: str, entity_type: str = '') -> None`
Kendini başlatı ı
--
## `Question`
```python
from trustgraph.api import Question
```
Soru varlı ı ı ı ı
**Alanlar:**
`uri` : < class ' str ' >
`entity_type` : < class ' str ' >
`query` : < class ' str ' >
`timestamp` : < class ' str ' >
`question_type` : < class ' str ' >
### Yöntemler
### `__init__(self, uri: str, entity_type: str = '', query: str = '', timestamp: str = '', question_type: str = '') -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `Exploration`
```python
from trustgraph.api import Exploration
```
Keşif varlı ı ı
**Alanlar:**
`uri` : < class ' str ' >
`entity_type` : < class ' str ' >
`edge_count` : < class ' int ' >
`chunk_count` : < class ' int ' >
`entities` : typing.List[str]
### Yöntemler
### `__init__(self, uri: str, entity_type: str = '', edge_count: int = 0, chunk_count: int = 0, entities: List[str] = <factory>) -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `Focus`
```python
from trustgraph.api import Focus
```
Odak varlı ı ı ı
**Alanlar:**
`uri` : < class ' str ' >
`entity_type` : < class ' str ' >
`selected_edge_uris` : typing.List[str]
`edge_selections` : typing.List[trustgraph.api.explainability.EdgeSelection]
### Yöntemler
### `__init__(self, uri: str, entity_type: str = '', selected_edge_uris: List[str] = <factory>, edge_selections: List[trustgraph.api.explainability.EdgeSelection] = <factory>) -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `Synthesis`
```python
from trustgraph.api import Synthesis
```
Sentez varlı ı
**Alanlar:**
`uri` : < class ' str ' >
`entity_type` : < class ' str ' >
`document` : < class ' str ' >
### Yöntemler
### `__init__(self, uri: str, entity_type: str = '', document: str = '') -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `Analysis`
```python
from trustgraph.api import Analysis
```
Analiz varlı ı
**Alanlar:**
`uri` : < class ' str ' >
`entity_type` : < class ' str ' >
`action` : < class ' str ' >
`arguments` : < class ' str ' >
`thought` : < class ' str ' >
`observation` : < class ' str ' >
### Yöntemler
### `__init__(self, uri: str, entity_type: str = '', action: str = '', arguments: str = '', thought: str = '', observation: str = '') -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `Conclusion`
```python
from trustgraph.api import Conclusion
```
Sonuç varlı ı
**Alanlar:**
`uri` : < class ' str ' >
`entity_type` : < class ' str ' >
`document` : < class ' str ' >
### Yöntemler
### `__init__(self, uri: str, entity_type: str = '', document: str = '') -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `EdgeSelection`
```python
from trustgraph.api import EdgeSelection
```
GraphRAG Odak adı ı ı ı
**Alanlar:**
`uri` : < class ' str ' >
`edge` : typing.Dict[str, str] | None
`reasoning` : < class ' str ' >
### Yöntemler
### `__init__(self, uri: str, edge: Dict[str, str] | None = None, reasoning: str = '') -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
### `wire_triples_to_tuples(wire_triples: List[Dict[str, Any]]) -> List[Tuple[str, str, Any]]`
Kablolu üçlüleri (s, p, o) demetlerine dönüştürün.
--
### `extract_term_value(term: Dict[str, Any]) -> Any`
Bir kablolu Term sözlüğünden değer çı ı
--
## `Triple`
```python
from trustgraph.api import Triple
```
Bilgi grafiği ifadesini temsil eden RDF üçlüsü.
**Alanlar:**
`s` : < class ' str ' >
`p` : < class ' str ' >
`o` : < class ' str ' >
### Yöntemler
### `__init__(self, s: str, p: str, o: str) -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `Uri`
```python
from trustgraph.api import Uri
```
str(nesne='') -> str
str(bayt_veya_tampon[, kodlama[, hatalar]]) -> str
Verilen nesneden yeni bir dize nesnesi oluşturur. Eğer kodlama veya
hatalar belirtildiyse, nesne, belirtilen kodlama ve hata işleyicisi kullanı
çözümlenecek bir veri tamponu içermelidir.
Aksi takdirde, object.__str__()'nin sonucunu (eğer tanı ı
veya repr(object)'in sonucunu döndürür.
kodlama varsayı
hatalar varsayı
### Metotlar
### `is_literal(self)`
### `is_triple(self)`
### `is_uri(self)`
--
## `Literal`
```python
from trustgraph.api import Literal
```
str(nesne='') -> str
str(bayt_veya_tampon[, kodlama[, hatalar]]) -> str
Verilen nesneden yeni bir dize nesnesi oluşturur. Eğer kodlama veya
hatalar belirtildiyse, nesne, belirtilen kodlama ve hata işleyici kullanı
çözümlenecek bir veri tamponu içermelidir.
Aksi takdirde, nesnenin object.__str__() (eğer tanı ı
veya repr(nesne) sonucunu döndürür.
kodlama varsayı
hatalar varsayı
### Yöntemler
### `is_literal(self)`
### `is_triple(self)`
### `is_uri(self)`
--
## `ConfigKey`
```python
from trustgraph.api import ConfigKey
```
Yapı ı ı ı ı ı
**Alanlar:**
`type` : < class ' str ' >
`key` : < class ' str ' >
### Yöntemler
### `__init__(self, type: str, key: str) -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `ConfigValue`
```python
from trustgraph.api import ConfigValue
```
Yapı ı
**Alanlar:**
`type` : < class ' str ' >
`key` : < class ' str ' >
`value` : < class ' str ' >
### Metotlar
### `__init__(self, type: str, key: str, value: str) -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `DocumentMetadata`
```python
from trustgraph.api import DocumentMetadata
```
Kütüphanedeki bir belge için meta veri.
**Özellikler:**
`parent_id: Parent document ID for child documents (empty for top` : level docs)
**Alanlar:**
`id` : < class ' str ' >
`time` : < class ' datetime . datetime ' >
`kind` : < class ' str ' >
`title` : < class ' str ' >
`comments` : < class ' str ' >
`metadata` : typing.List[trustgraph.api.types.Triple]
`user` : < class ' str ' >
`tags` : typing.List[str]
`parent_id` : < class ' str ' >
`document_type` : < class ' str ' >
### Yöntemler
### `__init__(self, id: str, time: datetime.datetime, kind: str, title: str, comments: str, metadata: List[trustgraph.api.types.Triple], user: str, tags: List[str], parent_id: str = '', document_type: str = 'source') -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `ProcessingMetadata`
```python
from trustgraph.api import ProcessingMetadata
```
Etkin bir belge işleme işi için meta veriler.
**Alanlar:**
`id` : < class ' str ' >
`document_id` : < class ' str ' >
`time` : < class ' datetime . datetime ' >
`flow` : < class ' str ' >
`user` : < class ' str ' >
`collection` : < class ' str ' >
`tags` : typing.List[str]
### Yöntemler
### `__init__(self, id: str, document_id: str, time: datetime.datetime, flow: str, user: str, collection: str, tags: List[str]) -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `CollectionMetadata`
```python
from trustgraph.api import CollectionMetadata
```
Bir veri koleksiyonu için meta veri.
Koleksiyonlar, belgeler ve
bilgi grafiği verileri için mantı
**Özellikler:**
`name: Human` : okunabilir koleksiyon adı
**Alanlar:**
`user` : < class ' str ' >
`collection` : < class ' str ' >
`name` : < class ' str ' >
`description` : < class ' str ' >
`tags` : typing.List[str]
### Yöntemler
### `__init__(self, user: str, collection: str, name: str, description: str, tags: List[str]) -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `StreamingChunk`
```python
from trustgraph.api import StreamingChunk
```
Akı ı ı ı ı ı ı
Yanı ı ı ı ı ı
**Alanlar:**
`content` : < class ' str ' >
`end_of_message` : < class ' bool ' >
### Yöntemler
### `__init__(self, content: str, end_of_message: bool = False) -> None`
Kendini başlatı ı
--
## `AgentThought`
```python
from trustgraph.api import AgentThought
```
Ajanı ı
Ajanı ı ı ı ı ı ı ı
Bu parçalar, ajanı ı
**Alanlar:**
`content` : < class ' str ' >
`end_of_message` : < class ' bool ' >
`chunk_type` : < class ' str ' >
### Yöntemler
### `__init__(self, content: str, end_of_message: bool = False, chunk_type: str = 'thought') -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `AgentObservation`
```python
from trustgraph.api import AgentObservation
```
Ajan aracı ı
Bir aracı
Bu parçalar, ajanı ı
**Alanlar:**
`content` : < class ' str ' >
`end_of_message` : < class ' bool ' >
`chunk_type` : < class ' str ' >
### Yöntemler
### `__init__(self, content: str, end_of_message: bool = False, chunk_type: str = 'observation') -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `AgentAnswer`
```python
from trustgraph.api import AgentAnswer
```
Ajanı ı ı
Kullanı ı ı ı ı ı ı ı ı ı ı
**Özellikler:**
`chunk_type: Always "final` : answer"
**Alanlar:**
`content` : < class ' str ' >
`end_of_message` : < class ' bool ' >
`chunk_type` : < class ' str ' >
`end_of_dialog` : < class ' bool ' >
### Yöntemler
### `__init__(self, content: str, end_of_message: bool = False, chunk_type: str = 'final-answer', end_of_dialog: bool = False) -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `RAGChunk`
```python
from trustgraph.api import RAGChunk
```
RAG (Retrieval-Augmented Generation) akı ı ı
Grafik RAG, belge RAG, metin tamamlama,
ve diğer üretken hizmetlerden gelen yanı ı ı ı ı
**Alanlar:**
`content` : < class ' str ' >
`end_of_message` : < class ' bool ' >
`chunk_type` : < class ' str ' >
`end_of_stream` : < class ' bool ' >
`error` : typing.Dict[str, str] | None
### Yöntemler
### `__init__(self, content: str, end_of_message: bool = False, chunk_type: str = 'rag', end_of_stream: bool = False, error: Dict[str, str] | None = None) -> None`
Kendini başlatı ı
--
## `ProvenanceEvent`
```python
from trustgraph.api import ProvenanceEvent
```
Açı ı
Açı ı ı ı ı ı
Her olay, sorgu işleme sı ı
**Alanlar:**
`explain_id` : < class ' str ' >
`explain_graph` : < class ' str ' >
`event_type` : < class ' str ' >
### Yöntemler
### `__init__(self, explain_id: str, explain_graph: str = '', event_type: str = '') -> None`
Kendini başlat. Doğru imza için help(type(self))'e bakı
--
## `ProtocolException`
```python
from trustgraph.api import ProtocolException
```
WebSocket protokolü hataları
--
## `TrustGraphException`
```python
from trustgraph.api import TrustGraphException
```
Tüm TrustGraph hizmeti hataları ı ı
--
## `AgentError`
```python
from trustgraph.api import AgentError
```
Ajan hizmeti hatası
--
## `ConfigError`
```python
from trustgraph.api import ConfigError
```
Yapı ı ı
--
## `DocumentRagError`
```python
from trustgraph.api import DocumentRagError
```
Belge RAG (Retrieval-Augmented Generation) alma hatası
--
## `FlowError`
```python
from trustgraph.api import FlowError
```
Akı ı
--
## `GatewayError`
```python
from trustgraph.api import GatewayError
```
API Ağ Geçidi hatası
--
## `GraphRagError`
```python
from trustgraph.api import GraphRagError
```
Grafik RAG geri alma hatası
--
## `LLMError`
```python
from trustgraph.api import LLMError
```
LLM hizmeti hatası
--
## `LoadError`
```python
from trustgraph.api import LoadError
```
Veri yükleme hatası
--
## `LookupError`
```python
from trustgraph.api import LookupError
```
Arama/ara hata
--
## `NLPQueryError`
```python
from trustgraph.api import NLPQueryError
```
NLP sorgu hizmeti hatası
--
## `RowsQueryError`
```python
from trustgraph.api import RowsQueryError
```
Satı ı
--
## `RequestError`
```python
from trustgraph.api import RequestError
```
İstek işleme hatası
--
## `StructuredQueryError`
```python
from trustgraph.api import StructuredQueryError
```
Yapı ı ı ı ı
--
## `UnexpectedError`
```python
from trustgraph.api import UnexpectedError
```
Beklenmedik/bilinmeyen hata
--
## `ApplicationException`
```python
from trustgraph.api import ApplicationException
```
Tüm TrustGraph hizmeti hataları ı ı
--
