Vítej ve frameworku LangChain pro tvorbu aplikací na LLM! Seznámíš se s hlavními komponentami LangChain – modely, chains, agenty, prompty a parsery. Vytvoříš chatboty s využitím open-source modelů z Hugging Face i proprietárních modelů od OpenAI, naučíš se vytvářet šablony promptů a zapojíš různé strategie paměti chatbotů pro správu kontextu a zdrojů během konverzace.

Ekosystém LangChain

Modely OpenAI v LangChainu!

Modely z Hugging Face v LangChainu!

Prompt templates

Prompt templates a řetězení

Šablony pro chat prompt

Few-shot prompting

Vytvoření sady příkladů pro few-shot prompting

Sestavení few-shot šablony promptu

Implementace few-shot promptingu

Úvod do LangChain a mechaniky chatbotů

Čas posunout své LangChain chains o úroveň výš! Naučíš se používat LangChain Expression Language (LCEL) pro definování chains s větší flexibilitou. Vytvoříš sekvenční chains, kde se vstupy předávají mezi komponentami pro tvorbu pokročilejších aplikací. Začneš také pracovat s agenty, kteří využívají LLM k rozhodování.

Sekvenční řetězce

Tvorba promptů pro sekvenční řetězce

Sekvenční řetězce s LCEL

Úvod do agentů v LangChainu

Co je to agent?

ReAct agenti

Vlastní nástroje pro agenty

Definování funkce pro použití s nástrojem

Vytváření vlastních nástrojů

Integrace vlastních nástrojů s agenty

Chains a agenti

Jedním z omezení LLM je, že jejich znalosti mají hranici danou daty, na kterých byly trénovány. V této kapitole se naučíš vytvářet aplikace využívající Retrieval Augmented Generation (RAG) pro integraci externích dat s LLM. Workflow RAG zahrnuje několik procesů – rozdělování dat, tvorbu a ukládání embeddingů pomocí vektorové databáze a vyhledávání nejrelevantnějších informací pro použití v aplikaci. Zvládneš celý tento proces!

Integrace načítačů dokumentů

Načítání PDF dokumentů

Načítání CSV dokumentů

Loadery HTML dokumentů

Rozdělování externích dat pro vyhledávání

Rozdělování podle znaků

Rekurzivní dělení podle znaků

Rozdělování HTML

RAG – ukládání a vyhledávání pomocí vektorových databází

Příprava dokumentů a vektorové databáze

Vytvoření šablony promptu pro vyhledávání

Vytvoření RAG řetězce

Závěr!

Retrieval Augmented Generation (RAG)

Posuň své aplikace na novou úroveň s frameworkem LangChain pro tvorbu aplikací postavených na velkých jazykových modelech (LLM)! Jednou z největších výzev při vývoji aplikací v éře generativní AI je propojení modelů, datových zdrojů, promptů a dalších komponent od různých poskytovatelů do jediné aplikace. Framework LangChain nabízí jednotnou syntaxi, která ti umožní poskládat všechny tyto části dohromady a hladce integrovat LLM do svých projektů. Ať už jsi zkušený vývojář, nebo teprve začínáš, tento kurz ti dá znalosti a dovednosti potřebné k vytváření dynamických a inteligentních aplikací využívajících plný potenciál LangChain. Vydej se s námi na tuto cestu a přepiš pravidla tvorby aplikací poháněných jazykovými modely.

Videa obsahují živé přepisy, které zobrazíš kliknutím na „Show transcript" vlevo dole u videa.
Glosář kurzu najdeš vpravo v sekci zdrojů.
Pro získání kreditů CPE musíš kurz dokončit a dosáhnout skóre alespoň 70 % v závěrečném hodnocení. K hodnocení se dostaneš kliknutím na upozornění na kredity CPE vpravo.

<h2>Základy vývoje v ekosystému LangChain</h2>
Rozšiřte svou sadu nástrojů pro LLM o ekosystém LangChain, který umožňuje bezproblémovou integraci s modely OpenAI a Hugging Face.  Objevte open-source framework, který optimalizuje reálné aplikace a umožňuje vám vytvářet sofistikované systémy pro vyhledávání informací jedinečné pro váš konkrétní případ použití.<br><br>
<h2>Metodiky tvorby chatbotů pomocí LangChain</h2>
Využijte nástroje LangChain k vývoji chatbotů a porovnejte nuance mezi open-source modely HuggingFace a uzavřenými modely OpenAI. Využijte šablony promptů pro složité konverzace a položte základy pokročilého vývoje chatbotů.<br><br>
<h2>Zpracování dat a Retrieval Augmentation Generation (RAG) pomocí LangChain</h2>
Zvládněte tokenizaci a vektorové databáze pro optimalizované vyhledávání dat a obohaťte interakce s chatbotem o množství externích informací.  Využijte funkce paměti RAG k optimalizaci různých případů použití.<br><br>
<h2>Pokročilé integrace řetězců, nástrojů a agentů</h2>
Využijte sílu řetězců, nástrojů, agentů, API a inteligentního rozhodování k řešení kompletních end-to-end use cases a pokročilého zpracování výstupů LLM.<br><br>
<h2>Ladění chyb a metriky výkonu</h2>
Nakonec si osvojíte ladění, optimalizaci a vyhodnocování výkonu, abyste zajistili, že vaše chatboty budou vyvíjeny s ohledem na zpracování chyb.  Přidejte vrstvy transparentnosti pro řešení problémů.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

Objevte, jak vytvářet aplikace s AI pomocí LLM, promptů, řetězců a agentů v LangChain.

Vývoj LLM aplikací s LangChain

Asociovaný AI inženýr pro vývojáře

Vývoj aplikací s umělou inteligencí

Vývoj aplikací s LangChain

AI Engineer & LangChain Contributor

Rozdělení externích dat pro vyhledávání

Kroky vývoje RAG

Přemýšlíme o rozdělování...

Překryv chunků

Jaká je nejlepší strategie rozdělování dokumentů?

Ukázkový text pro porovnání velikosti chunků

CharacterTextSplitter pro rozdělení dokumentů

RecursiveCharacterTextSplitter

RecursiveCharacterTextSplitter s HTML

Pojďme si procvičit!

Retrieval Augmented Generation (RAG) - Rozdělování externích dat pro vyhledávání

Rozdělování externích dat pro vyhledávání

Create Your Free Account