¡Bienvenido al marco LangChain para construir aplicaciones sobre LLMs! Conocerás los principales componentes de LangChain, como los modelos, las cadenas, los agentes, los avisos y los analizadores sintácticos. Crearás chatbots utilizando modelos de código abierto de Hugging Face y modelos propios de OpenAI, crearás plantillas de avisos e integrarás distintas estrategias de memoria de chatbot para gestionar el contexto y los recursos durante las conversaciones.

El ecosistema LangChain

¡Modelos OpenAI en LangChain!

¡Modelos de Cara de Abrazo en LangChain!

Plantillas de instrucciones

Plantillas y encadenamiento de preguntas

Plantillas de mensajes de chat

Prompts de pocos disparos

Creación del conjunto de ejemplos de pocos disparos

Construir la plantilla de avisos de pocos disparos

Poner en práctica el aviso de pocos disparos

Introducción a la mecánica de LangChain y Chatbot

¡Es hora de subir de nivel tus cadenas LangChain! Aprenderás a utilizar el Lenguaje de Expresión LangChain (LCEL) para definir cadenas con mayor flexibilidad. Crearás cadenas secuenciales, en las que las entradas se pasan entre componentes para crear aplicaciones más avanzadas. También empezarás a integrar agentes, que utilizan LLM para tomar decisiones.

Cadenas secuenciales

Construir indicaciones para cadenas secuenciales

Cadenas secuenciales con LCEL

Introducción a los agentes LangChain

¿Qué es un agente?

Agentes ReAct

Herramientas personalizadas para agentes

Definir una función para el uso de herramientas

Crear herramientas personalizadas

Integrar herramientas personalizadas con los agentes

Cadenas y agentes

Una limitación de los LLM es que tienen un límite de conocimiento debido a que se entrenan con datos hasta cierto punto. En este capítulo aprenderás a crear aplicaciones que utilicen la Generación Aumentada de Recuperación (RAG) para integrar datos externos con los LLM. El flujo de trabajo de RAG contiene algunos procesos diferentes, como dividir los datos, crear y almacenar las incrustaciones utilizando una base de datos vectorial, y recuperar la información más relevante para utilizarla en la aplicación. ¡Aprenderás a dominar todo el flujo de trabajo!

Integrar cargadores de documentos

PDF cargadores de documentos

CSV cargadores de documentos

HTML cargadores de documentos

Dividir datos externos para recuperarlos

Dividir por caracteres

Dividir recursivamente por caracteres

Dividir HTML

RAG almacenamiento y recuperación mediante bases de datos vectoriales

Preparar los documentos y la base de datos vectorial

Construir una plantilla de solicitud de recuperación

Crear una cadena RAG

¡Recapitulación!

Generación Aumentada de Recuperación (RAG)

¡Revoluciona tus aplicaciones aprovechando la potencia del marco LangChain para crear aplicaciones basadas en grandes modelos lingüísticos (LLM)! Uno de los principales retos para desarrollar aplicaciones en la era de la IA generativa es integrar modelos, fuentes de datos, avisos y otros componentes de distintos proveedores en una sola aplicación. El marco LangChain proporciona una sintaxis única y unificada para juntar todas estas piezas y permitirte integrar los LLM más fácilmente en tus proyectos. Tanto si eres un desarrollador experimentado como si acabas de empezar, este curso te dotará de los conocimientos y habilidades necesarios para crear aplicaciones dinámicas e inteligentes que aprovechen las capacidades ilimitadas de LangChain. Únete a nosotros en este viaje transformador y redefine tu forma de crear aplicaciones basadas en modelos lingüísticos.

<h2>Bases para desarrollarse en el ecosistema LangChain</h2>
Aumenta tu conjunto de herramientas LLM con el ecosistema de LangChain, permitiendo una integración perfecta con los modelos OpenAI y Hugging Face.  Descubre un marco de trabajo de código abierto que optimiza las aplicaciones del mundo real y te permite crear sofisticados sistemas de recuperación de información exclusivos para tu caso de uso.<br><br>
<h2>Metodologías de Creación de Chatbot utilizando LangChain</h2>
Utiliza las herramientas LangChain para desarrollar chatbots, comparando los matices entre los modelos de código abierto de HuggingFace y los modelos de código cerrado de OpenAI. Utiliza plantillas de avisos para conversaciones intrincadas, sentando las bases para el desarrollo avanzado de chatbot.<br><br>
<h2>Manejo de Datos y Generación de Aumento de la Recuperación (RAG) mediante LangChain</h2>
Domina la tokenización y las bases de datos vectoriales para una recuperación de datos optimizada, enriqueciendo las interacciones del chatbot con una gran cantidad de información externa.  Utiliza las funciones de memoria RAG para optimizar diversos casos de uso.<br><br>
<h2>Integraciones avanzadas de cadenas, herramientas y agentes</h2>
Utiliza la potencia de las cadenas, las herramientas, los agentes, las API y la toma de decisiones inteligente para manejar casos de uso completos de extremo a extremo y la gestión avanzada de la salida LLM.<br><br>
<h2>Depuración y métricas de rendimiento</h2>
Por último, hazte experto en depuración, optimización y evaluación del rendimiento, asegurándote de que tus chatbots están desarrollados para la gestión de errores.  Añade capas de transparencia para solucionar problemas.

Introduction to Embeddings with the OpenAI API

ChatGPT Prompt Engineering for Developers

Descubre cómo crear aplicaciones con IA usando LLMs, prompts, cadenas y agentes en LangChain.

Desarrollar aplicaciones LLM con LangChain

Ingeniero asociado de IA para desarrolladores

Desarrollo de aplicaciones de IA

Desarrollar aplicaciones con LangChain

¿Qué es un agente?

Desarrollar aplicaciones LLM con LangChain

Ejercicio interactivo práctico