Bienvenido al marco LangChain para crear aplicaciones en LLM Aprenderás los componentes principales de LangChain, incluidos los modelos, las cadenas, los agentes, los prompts y los analizadores sintácticos. Crearás chatbots utilizando tanto modelos de código abierto de Hugging Face como modelos nativos de OpenAI, crearás plantillas de prompts e integrarás diferentes estrategias de memoria para chatbots con el fin de gestionar el contexto y los recursos durante las conversaciones.

El ecosistema de LangChain

Modelos OpenAI en LangChain

Modelos Hugging Face en LangChain

Plantillas de prompts

Plantillas de prompt y cadenas

Plantillas de prompts de chat

Prompts de pocos disparos

Creación del conjunto de ejemplos con pocos disparos

Creación de la plantilla de prompt de pocos disparos

Implementación de prompts de pocos disparos

Introducción a LangChain y al funcionamiento de los chatbots

Es hora de mejorar 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 la toma de decisiones.

Cadenas secuenciales

Creación de prompts para cadenas secuenciales

Cadenas secuenciales con LCEL

Introducción a los agentes de LangChain

¿Qué es un agente?

Agentes ReAct

Herramientas personalizadas para agentes

Definición de una función para el uso de herramientas

Creación de herramientas personalizadas

Integración de herramientas personalizadas con agentes

Cadenas y agentes

Una limitación de los LLM es que tienen un límite de conocimientos debido a que se entrenan con datos hasta un punto determinado. En este capítulo, aprenderás a crear aplicaciones que utilizan la generación aumentada por recuperación (RAG) para integrar datos externos con los LLM. El flujo de trabajo de RAG contiene varios procesos diferentes, entre los que se incluyen la división de datos, la creación y el almacenamiento de las incrustaciones mediante una base de datos vectorial y la recuperación de la información más relevante para su uso en la aplicación. ¡Aprenderás a dominar todo el flujo de trabajo!

Integración de cargadores de documentos

Cargadores de documentos PDF

Cargadores de documentos CSV

Cargadores de documentos HTML

División de datos externos para su recuperación

División por caracteres

División recursiva por caracteres

Dividir HTML

Almacenamiento y recuperación RAG mediante bases de datos vectoriales

Preparación de los documentos y la base de datos vectorial

Creación de una plantilla de prompt de recuperación

Creación de una cadena RAG

Resumimos.

Generación aumentada por recuperación (RAG)

Revoluciona tus aplicaciones y aprovecha la potencia del marco LangChain para crear aplicaciones basadas en modelos de lenguaje grandes (LLM). Uno de los principales retos para desarrollar aplicaciones en la era de la IA generativa es integrar modelos, fuentes de datos, prompts y otros componentes de diferentes proveedores en una sola aplicación. El marco LangChain proporciona una sintaxis única y unificada para unir todas estas piezas y permitirte integrar los LLM de forma más fluida en tus proyectos. Tanto si eres un programador experimentado como si acabas de empezar, este curso te proporcionará 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 la forma en que creas aplicaciones basadas en modelos de lenguaje.

<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

Prompt Engineering with the OpenAI API

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

Desarrollo de aplicaciones LLM con LangChain

Descubre cómo construir aplicaciones potenciadas por IA utilizando LLMs, prompts, cadenas y agentes en LangChain.

Associate AI Engineer para desarrolladores

Desarrollo de aplicaciones de IA

Desarrollar aplicaciones con LangChain

AI Engineer & LangChain Contributor

Pasos del desarrollo de RAG

Hablando de separar...

Superposición de fragmentos

¿Cuál es la mejor estrategia para dividir documentos?

Texto de ejemplo para comparar el tamaño de los fragmentos

CharacterTextSplitter para dividir documentos

RecursiveCharacterTextSplitter

RecursiveCharacterTextSplitter con HTML

¡Vamos a practicar!

Generación aumentada por recuperación (RAG) - División de datos externos para su recuperación

División de datos externos para su recuperación

Create Your Free Account