1. Aprende
    2. /
  2. Cursos
    3. /
  3. Desarrollar aplicaciones LLM con LangChain
  • 1

    Introducción a la mecánica de LangChain y Chatbot

    Gratuito

    ¡Bienvenido al marco LangChain para crear aplicaciones en 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.

  • 2

    Cadenas y agentes

    ¡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 LLMs para tomar decisiones.

  • 3

    Generación Aumentada de Recuperación (RAG)

    Una limitación de LLMs es que tienen un corte 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 LLMs. 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!

Initializing

Ejercicio

Definir una función para el uso de herramientas

Trabajas para una empresa de SaaS (software como servicio) con grandes objetivos para desplegar herramientas que ayuden a los empleados de todos los niveles de la organización a tomar decisiones basadas en datos. Estás creando una PoC para una aplicación que permite a los gestores del éxito de los clientes interactuar con los datos de la empresa utilizando lenguaje natural para recuperar datos importantes de los clientes.

Te han proporcionado un DataFrame de pandas llamado customers que contiene una pequeña muestra de datos de clientes. Tu primer paso en este proyecto es definir una función Python para extraer información de esta tabla dado el nombre de un cliente. pandas ya se ha importado como pd.

Instrucciones

100 XP
  • Define una función retrieve_customer_info() que tome un argumento de cadena, name.
  • Filtra el DataFrame customers para devolver filas con "name" igual al argumento de entrada, name.
  • Llama a la función sobre el nombre del cliente, "Peak Performance Co.".