Entdecke, wie du externe Datenquellen mit LangChain in Chat-Modelle integrierst. Lerne, wie du Daten für LLM-Anwendungen lädst, aufteilst, einbettst, speicherst und abrufst.

Dokumente für RAG mit LangChain laden

PDF-Dateien für RAG laden

HTML-Dateien für RAG laden

Text-Splitting, Embeddings und Vektorspeicherung

Erste Schritte mit dem Text-Splitting

Dokumente rekursiv splitten

Dokumente einbetten und speichern

Eine LCEL-Retrieval-Chain erstellen

Den Retrieval-Prompt erstellen

Die Retrieval-Chain bauen

RAG-Anwendungen mit LangChain entwickeln

Entdecke modernste Techniken zum Laden, Aufteilen und Abrufen von Dokumenten – einschließlich Laden von Python-Dateien, semantischem Splitten sowie den Methoden MRR und Self-Query-Retrieval. Lerne, deine RAG-Architektur mit robusten Metriken und Frameworks zu evaluieren.

Code-Dateien laden und splitten

Code-Dateien laden

Python-Dateien splitten

Fortgeschrittene Methoden zum Splitten

Nach Tokens splitten

Semantisches Splitting

Dokumentenabruf optimieren

Sparse vs. Dense Retrieval

BM25 verstehen

Sparsches Retrieval mit BM25

Einführung in die RAG-Evaluierung

Ragas-Bewertung der Kontextpräzision

Ragas-"Faithfulness"-Bewertung

Stringbewertung

Die RAG-Architektur verbessern

Entdecke, wie Graphdatenbanken und deren Retrieval einige Einschränkungen der klassischen, vektorbasierte Speicherung und des Abrufs überwinden können.

Von Vektoren zu Graphen

Graph-Dokumente erstellen

Lern die Graphen kennen

Dokumente speichern und abfragen

Deine Graphdatenbank ausbauen

Abfragen deiner Graphdatenbank

Die Graph-RAG-Chain erstellen

Graph-RAG-Prozess

Eine Reise durch das Graph-RAG-System

Chaining – im Graph-RAG-Stil!

Graph-Abfrage verbessern

Graph-RAG mit Filterung

Cypher-Abfragen validieren

Erstellen eines Few-Shot-Prompts für Cypher

Glückwunsch!

Einführung in Graph RAG

RAG Academic Paper PDF

DataCamp Blog HTML

LangChain README Markdown

Chatbot Python File

RAG Workflow Python File

Large Language Models (LLMs) halten Einzug in Computer, Smartphones und Softwareanwendungen, haben aber einen Nachteil: Ihr Wissen ist auf die Trainingsdaten beschränkt – deren Aktualisierung ist langsam und teuer. Hier kommt Retrieval Augmented Generation (RAG) ins Spiel! RAG ermöglicht dir, externe Daten mit LLMs zu verbinden. In diesem Kurs lernst du modernste Techniken zum Laden, Verarbeiten und Abrufen externer Daten für LLMs kennen! Du arbeitest mit Vektordatenbanken, den neuesten LLMs, darunter GPT-4o-Mini, und dem LangChain-Framework, um RAG-Anwendungen zu erstellen. Der Kurs endet mit einem Kapitel zu Graph RAG – einer Variante des klassischen RAG, die Graphdatenbanken für verlässlicheres Retrieval nutzt.

<h2>RAG-Systeme mit LangChain erstellen</h2>Retrieval Augmented Generation (RAG) ist eine Technik, die hilft, eine der größten Einschränkungen von großen Sprachmodellen (LLMs) zu lösen: ihr begrenztes Wissen. RAG-Systeme packen externe Daten aus verschiedenen Quellen in LLMs rein. Normalerweise ist es echt nervig, mehrere verschiedene Systeme miteinander zu verbinden, aber mit LangChain ist das echt ein Kinderspiel!<br><br><h2>Lerne die neuesten Methoden zum Teilen und Abrufen von Daten</h2>Bring deine RAG-Architektur auf ein neues Level! Du lernst, wie du Code-Dateien, wie Python- und Markdown-Dateien, laden und teilen kannst, damit die Teilungen die Codesyntax „berücksichtigen“. Du teilst deine Dokumente mit Tokens statt mit Zeichen auf, damit die abgerufenen Dokumente im Kontextfenster deines Modells bleiben. Finde raus, wie semantisches Splitting dabei helfen kann, den Kontext zu behalten, indem es erkennt, wann sich das Thema im Text ändert, und an diesen Stellen eine Trennung vornimmt. Lerne schließlich, deine RAG-Architektur mit LangSmith und Ragas zuverlässig zu bewerten.<br><br><h2>Entdecke die Graph-RAG-Architektur</h2>Dreh deine RAG-Architektur mal auf den Kopf und schau dir an, wie graphbasierte statt vektorbasierte RAG-Systeme deinem System helfen können, die Entitäten und Beziehungen in deinen Dokumenten besser zu verstehen. Du lernst, wie du unstrukturierte Textdaten mithilfe von LLMs in Grafiken umwandeln kannst, um die Übersetzung zu machen! Dann speicherst du diese Graphdokumente in einer Neo4j-Graphdatenbank und integrierst sie in ein größeres RAG-System, um die Anwendung fertigzustellen.

Developing LLM Applications with LangChain

Erlernen Sie moderne Methoden zur Integration externer Daten in LLMs mit RAG und LangChain.

Retrieval Augmented Generation (RAG) mit LangChain

Dieser Kurs vermittelt moderne Methoden zur Einbindung externer Daten in LLMs mit Retrieval Augmented Generation (RAG) und LangChain.

Entwicklung von Anwendungen mit LangChain

Chaining – im Graph-RAG-Stil!

Retrieval Augmented Generation (RAG) mit LangChain

Anleitung zur Übung

Interaktive Übung