HTML cargadores de documentos

Es posible cargar documentos de muchos formatos diferentes, incluidos formatos complejos como HTML.

En este ejercicio, cargarás un archivo HTML que contiene una orden ejecutiva de la Casa Blanca.

Este ejercicio forma parte del curso

Desarrollar aplicaciones LLM con LangChain

Ver curso

Instrucciones de ejercicio

Utiliza la clase UnstructuredHTMLLoader para cargar el archivo white_house_executive_order_nov_2023.html en el directorio actual.
Carga los documentos en la memoria.
Imprime el primer documento.
Imprime los metadatos del primer documento.

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

from langchain_community.document_loaders import UnstructuredHTMLLoader

# Create a document loader for unstructured HTML
loader = ____

# Load the document
data = ____

# Print the first document
print(____)

# Print the first document's metadata
print(____)

Editar y ejecutar código

Este ejercicio forma parte del curso

Desarrollar aplicaciones LLM con LangChain

IntermedioNivel de habilidad

4.8+

628 reviews

Comienza el curso gratis

¡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.

Exercise 1: El ecosistema LangChain Exercise 2: ¡Modelos OpenAI en LangChain!Exercise 3: ¡Modelos de Cara de Abrazo en LangChain!Exercise 4: Plantillas de instrucciones Exercise 5: Plantillas y encadenamiento de preguntas Exercise 6: Plantillas de mensajes de chat Exercise 7: Prompts de pocos disparos Exercise 8: Creación del conjunto de ejemplos de pocos disparos Exercise 9: Construir la plantilla de avisos de pocos disparos Exercise 10: Poner en práctica el aviso de pocos disparos

¡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.

Exercise 1: Cadenas secuenciales Exercise 2: Construir indicaciones para cadenas secuenciales Exercise 3: Cadenas secuenciales con LCEL Exercise 4: Introducción a los agentes LangChain Exercise 5: ¿Qué es un agente?Exercise 6: Agentes ReAct Exercise 7: Herramientas personalizadas para agentes Exercise 8: Definir una función para el uso de herramientas Exercise 9: Crear herramientas personalizadas Exercise 10: Integrar herramientas personalizadas con los 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!

Exercise 1: Integrar cargadores de documentos Exercise 2: PDF cargadores de documentos Exercise 3: CSV cargadores de documentos Exercise 4: HTML cargadores de documentos

Ejercicio actual

Exercise 5: Dividir datos externos para recuperarlos Exercise 6: Dividir por caracteres Exercise 7: Dividir recursivamente por caracteres Exercise 8: Dividir HTML Exercise 9: RAG almacenamiento y recuperación mediante bases de datos vectoriales Exercise 10: Preparar los documentos y la base de datos vectorial Exercise 11: Construir una plantilla de solicitud de recuperación Exercise 12: Crear una cadena RAG Exercise 13: ¡Recapitulación!