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.

Das LangChain-Ökosystem

OpenAI-Modelle in LangChain!

Hugging Face Modelle in LangChain!

Aufforderungsvorlagen

Aufforderungsvorlagen und Verkettung

Chat-Prompt-Vorlagen

Few-Shot Souffleur

Erstellen des Beispielsatzes mit wenigen Aufnahmen

Erstellen der Vorlage für den Souffleur mit wenigen Bildern

Implementierung von "few-shot" Prompting

Einführung in LangChain & Chatbot-Mechanik

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.

Sequentielle Ketten

Bauanleitungen für aufeinanderfolgende Ketten

Sequentielle Ketten mit LCEL

Einführung in die LangChain-Agenten

Was ist ein Agent?

ReAct-Agenten

Individuelle Tools für Agenten

Definieren einer Funktion für den Einsatz von Werkzeugen

Benutzerdefinierte Werkzeuge erstellen

Integration von benutzerdefinierten Tools mit Agenten

Ketten und 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!

Integration von Dokumentenladern

PDF Dokumentenlader

CSV Dokumentenlader

HTML Dokumentenlader

Aufteilung externer Daten für den Abruf

Aufteilung nach Zeichen

Rekursives Aufteilen nach Zeichen

Splitting HTML

RAG Speicherung und Wiederauffinden mit Vektordatenbanken

Vorbereiten der Dokumente und der Vektordatenbank

Erstellen einer Vorlage für eine Abrufaufforderung

Erstellen einer RAG Kette

Einpacken!

Retrieval Augmented Generation (RAG)

Revolutioniere deine Anwendungen, indem du die Leistungsfähigkeit des LangChain-Frameworks für die Erstellung von Anwendungen auf der Grundlage von großen Sprachmodellen (LLMs) nutzbar machst! Eine der größten Herausforderungen bei der Entwicklung von Anwendungen im Zeitalter der generativen KI ist die Integration von Modellen, Datenquellen, Prompts und anderen Komponenten von verschiedenen Anbietern in eine einzige Anwendung. Das LangChain-Framework bietet eine einzige, einheitliche Syntax, um all diese Teile zusammenzufügen, damit du LLMs nahtlos in deine Projekte integrieren kannst. Egal, ob du ein erfahrener Entwickler bist oder gerade erst anfängst, dieser Kurs wird dich mit dem Wissen und den Fähigkeiten ausstatten, dynamische und intelligente Anwendungen zu erstellen, die die grenzenlosen Möglichkeiten von LangChain nutzen. Begleite uns auf dieser transformativen Reise und definiere neu, wie du Anwendungen mit Sprachmodellen erstellst.

<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

ChatGPT Prompt Engineering for Developers

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

Entwicklung von LLM Anwendungen mit LangChain

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

Associate AI Engineer für Entwickler

Entwicklung von KI-Anwendungen

Entwicklung von Anwendungen mit LangChain

AI Engineer & LangChain Contributor

RAG storage and retrieval using vector databases

RAG development steps

What is a vector database and why do I need it?

Which vector database should I use?

Meet the documents...

Setting up a Chroma vector database

Building a prompt template

Chaining it all together!

Let's practice!

Retrieval Augmented Generation (RAG) - RAG Speicherung und Wiederauffinden mit Vektordatenbanken