OpenAI-Modelle in LangChain!

Die Modelle der GPT-Reihe von OpenAI gehören zu den leistungsstärksten LLMs überhaupt. Sie sind über die API von OpenAI verfügbar, mit der du ganz einfach über LangChain interagieren kannst.

Normalerweise wird für die Nutzung der Modelle von OpenAI ein persönlicher API-Schlüssel benötigt, mit dem die Kosten für die Modelle abgerechnet werden. In diesem Kurs musst du keinen OpenAI-API-Schlüssel erstellen oder angeben. Der Platzhalter "<OPENAI_API_TOKEN>" wird gültige Anfragen an die API senden. Wenn du in kurzer Zeit eine große Anzahl von Anfragen stellst, kann es sein, dass du auf eine RateLimitError stößt. Wenn du das siehst, halte bitte einen Moment inne und versuche es noch einmal.

Die Klasse ChatOpenAI ist bereits importiert worden.

Diese Übung ist Teil des Kurses

Entwicklung von LLM Anwendungen mit LangChain

Anleitung zur Übung

Definiere ein OpenAI-Chatmodell mit einer LangChain-Klasse; belasse den API-Schlüssel-Platzhalter so wie er ist.
Rufe die LLM auf, die du definiert hast, um auf die prompt zu antworten (du kannst hier gerne mit anderen Aufforderungen experimentieren).

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Define the LLM
llm = ____(model="gpt-4o-mini", api_key="")

# Predict the words following the text in question
prompt = 'Three reasons for using LangChain for LLM application development.'
response = ____(prompt)

print(response.content)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Entwicklung von LLM Anwendungen mit LangChain

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Willkommen beim LangChain-Framework für die Entwicklung von Anwendungen auf LLMs! Du wirst die wichtigsten Komponenten von LangChain kennenlernen, darunter Modelle, Ketten, Agenten, Prompts und Parser. Du erstellst Chatbots mit den Open-Source-Modellen von Hugging Face und den proprietären Modellen von OpenAI, erstellst Prompt-Vorlagen und integrierst verschiedene Chatbot-Speicherstrategien, um Kontext und Ressourcen während der Konversation zu verwalten.

Exercise 1: Das LangChain-Ökosystem Exercise 2: OpenAI-Modelle in LangChain!

Aktuelle Übung

Exercise 3: Hugging Face Modelle in LangChain!Exercise 4: Aufforderungsvorlagen Exercise 5: Aufforderungsvorlagen und Verkettung Exercise 6: Chat-Prompt-Vorlagen Exercise 7: Few-Shot Souffleur Exercise 8: Erstellen des Beispielsatzes mit wenigen Aufnahmen Exercise 9: Erstellen der Vorlage für den Souffleur mit wenigen Bildern Exercise 10: Implementierung von "few-shot" Prompting

Zeit, deine LangChain-Ketten aufzustocken! Du lernst, die LangChain Expression Language (LCEL) zu verwenden, um Ketten mit größerer Flexibilität zu definieren. Du erstellst sequentielle Ketten, bei denen Eingaben zwischen Komponenten weitergegeben werden, um fortgeschrittenere Anwendungen zu erstellen. Du wirst auch anfangen, Agenten zu integrieren, die LLMs für die Entscheidungsfindung nutzen.

Exercise 1: Sequentielle Ketten Exercise 2: Bauanleitungen für aufeinanderfolgende Ketten Exercise 3: Sequentielle Ketten mit LCEL Exercise 4: Einführung in die LangChain-Agenten Exercise 5: Was ist ein Agent?Exercise 6: ReAct-Agenten Exercise 7: Individuelle Tools für Agenten Exercise 8: Definieren einer Funktion für den Einsatz von Werkzeugen Exercise 9: Benutzerdefinierte Werkzeuge erstellen Exercise 10: Integration von benutzerdefinierten Tools mit Agenten

Eine Einschränkung der LLMs ist, dass sie eine Wissensgrenze haben, weil sie bis zu einem bestimmten Punkt auf Daten trainiert werden. In diesem Kapitel lernst du, wie du Anwendungen erstellst, die Retrieval Augmented Generation (RAG) nutzen, um externe Daten in LLMs zu integrieren. Der Arbeitsablauf von RAG umfasst einige verschiedene Prozesse, darunter die Aufteilung der Daten, die Erstellung und Speicherung der Einbettungen in einer Vektordatenbank und das Abrufen der wichtigsten Informationen für die Anwendung. Du wirst lernen, den gesamten Arbeitsablauf zu meistern!

Exercise 1: Integration von Dokumentenladern Exercise 2: PDF Dokumentenlader Exercise 3: CSV Dokumentenlader Exercise 4: HTML Dokumentenlader Exercise 5: Aufteilung externer Daten für den Abruf Exercise 6: Aufteilung nach Zeichen Exercise 7: Rekursives Aufteilen nach Zeichen Exercise 8: Splitting HTML Exercise 9: RAG Speicherung und Wiederauffinden mit Vektordatenbanken Exercise 10: Vorbereiten der Dokumente und der Vektordatenbank Exercise 11: Erstellen einer Vorlage für eine Abrufaufforderung Exercise 12: Erstellen einer RAG Kette Exercise 13: Einpacken!