Willkommen beim LangChain-Framework zum Erstellen von Anwendungen mit LLMs! Du lernst die wichtigsten Komponenten von LangChain kennen, wie Modelle, Ketten, Agenten, Eingabeaufforderungen (Prompts) und Parser. Du wirst Chatbots mit Open-Source-Modellen von Hugging Face und proprietären Modellen von OpenAI erstellen, Prompt-Vorlagen erstellen und verschiedene Chatbot-Speicherstrategien integrieren, um den Kontext des Modells und die Ressourcen während der Unterhaltungen zu verwalten.

Das LangChain-Ökosystem

OpenAI-Modelle in LangChain!

Hugging Face-Modelle in LangChain!

Prompt-Vorlagen

Prompt-Vorlagen und Verkettung

Vorlagen für Chat-Prompts

Few-Shot (wenige Beispiele) Prompting

Einen Few-Shot-Beispieldatensatzes erstellen

Erstellen der Few-Shot-Prompt-Vorlage

Implementierung von Few-Shot-Prompting

Einführung in LangChain und Chatbot-Mechaniken

Zeit, deine LangChain-Ketten auf ein neues Niveau zu bringen! Du lernst, wie du die LangChain Expression Language (LCEL) nutzen kannst, um Ketten flexibler zu definieren. Du erstellst sequenzielle Ketten, in denen Eingaben zwischen Komponenten weitergegeben werden, um komplexere Anwendungen zu erstellen. Durch die Integration von Agenten wirst du LLMs für die Entscheidungsfindung nutzen.

Sequenzielle Ketten

Bauanleitung für sequenzielle Ketten

Sequenzielle Ketten mit LCEL

Einführung in LangChain-Agenten

Was ist ein Agent?

ReAct-Agenten

Individuelle Werkzeug für Agenten

Eine Funktion für den Werkzeuggebrauch definieren

Individuelle Werkzeuge erstellen

Integration von individuellen Werkzeugen mit Agenten

Ketten und Agenten

Eine Einschränkung von LLMs ist, dass sie nur mit Informationen bis zu einem bestimmten Datum trainiert werden können und daher ihr Wissen begrenzt ist. In diesem Kapitel lernst du, wie du Anwendungen erstellst, die Retrieval Augmented Generation (RAG) nutzen, um externe Daten LLMs zugänglich zu machen. Der RAG-Workflow besteht aus verschiedenen Prozessen, wie zum Beispiel das Aufteilen von Daten, das Erstellen und Speichern der Vektoreinbettungen mit einer Vektordatenbank und das Abrufen der relevantesten Infos für die Anwendung. Du lernst den ganzen Ablauf zu meistern!

Document Loader integrieren

PDF Document Loader

CSV Document Loader

HTM Document Loader

Aufteilen externer Daten für den Abruf

Aufteilen nach Zeichen

Rekursives Aufteilen nach Zeichen

HTML teilen

RAG-Speicherung und -Abruf mit Vektordatenbanken

Vorbereitung der Dokumente und der Vektordatenbank

Erstellen einer Vorlage für Abfrage-Prompts

Eine RAG-Kette erstellen

Zusammenfassung

Retrieval Augmented Generation (RAG)

Revolutioniere dein Apps, indem du die Power des LangChain-Frameworks nutzt, um Anwendungen auf Basis großer Sprachmodelle (LLMs) zu entwickeln! Eine der größten Herausforderungen bei der Entwicklung von Anwendungen im Zeitalter der generativen KI ist die Integration von Modellen, Datenquellen, Prompts und anderen Komponenten verschiedener Anbieter in eine einzige Anwendung. Das LangChain-Framework bietet eine einheitliche Syntax, um all diese Teile zusammenzufügen, damit du LLMs nahtloser in deine Projekte integrieren kannst. Egal, ob du ein erfahrener Entwickler bist oder gerade erst anfängst; dieser Kurs gibt dir das Wissen und die Fähigkeiten an die Hand, um dynamische und intelligente Anwendungen zu erstellen, welche die unbegrenzten Möglichkeiten von LangChain nutzen. Komm mit auf diese spannende Reise und finde heraus, wie du mit Sprachmodellen Anwendungen auf ganz neue Art und Weise entwickeln kannst.

<h2>Grundlage für die Entwicklung im LangChain-Ökosystem</h2>
Ergänze dein LLM-Toolkit mit dem Ökosystem von LangChain, das eine nahtlose Integration mit OpenAI und Hugging Face-Modellen ermöglicht.  Entdecke ein Open-Source-Framework, das reale Anwendungen optimiert und es dir ermöglicht, ausgefeilte Information Retrieval Systeme zu erstellen, die genau auf deinen Anwendungsfall zugeschnitten sind.<br><br>
<h2>Chatbot-Erstellungsmethoden mit LangChain</h2>
Nutze LangChain-Tools zur Entwicklung von Chatbots und vergleiche die Unterschiede zwischen den Open-Source-Modellen von HuggingFace und den Closed-Source-Modellen von OpenAI. Nutze Prompt-Vorlagen für komplizierte Konversationen und lege damit den Grundstein für die fortgeschrittene Chatbot-Entwicklung.<br><br>
<h2>Datenverarbeitung und Retrieval Augmentation Generation (RAG) mit LangChain</h2>
Beherrsche die Tokenisierung und Vektordatenbanken für eine optimierte Datenabfrage und bereichere Chatbot-Interaktionen mit einer Fülle von externen Informationen.  Nutze die RAG-Speicherfunktionen, um verschiedene Anwendungsfälle zu optimieren.<br><br>
<h2>Erweiterte Ketten-, Werkzeug- und Agentenintegration</h2>
Nutze die Leistungsfähigkeit von Ketten, Tools, Agenten, APIs und intelligenter Entscheidungsfindung, um vollständige End-to-End-Anwendungsfälle und fortschrittliche LLM-Output-Verarbeitung zu bewältigen.<br><br>
<h2>Fehlersuche und Leistungsmetriken</h2>
Schließlich musst du dich mit Debugging, Optimierung und Leistungsbewertung befassen und sicherstellen, dass deine Chatbots für die Fehlerbehandlung entwickelt werden.  Füge zur Fehlerbehebung Transparenzschichten hinzu.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

Erfahren Sie, wie Sie KI-gestützte Apps mit LLMs, Prompts, Chains und Agents in LangChain erstellen.

Entwickeln von LLM-Anwendungen mit LangChain

Erstelle KI-gestützte Anwendungen mithilfe von LLMs, Prompts, Verkettungen und Agents in LangChain.

Associate AI Engineer für Entwickler

Entwicklung von KI-Anwendungen

Entwicklung von Anwendungen mit LangChain

Was ist ein Agent?

Entwickeln von LLM-Anwendungen mit LangChain

Interaktive Übung