Chargeurs de documents PDF

Pour commencer à mettre en place la génération augmentée par la recherche (RAG), vous devez d'abord charger les documents auxquels le modèle aura accès. Ces documents peuvent provenir de plusieurs sources, et LangChain prend en charge des chargeurs de documents pour bon nombre d'entre elles.

Dans cet exercice, vous utiliserez un chargeur de documents pour charger un fichier PDF contenant l'article « RAG VS Fine-Tuning: Pipelines, Tradeoffs, and a Case Study on Agriculture » de Balaguer et coll. (2024).

Remarque : pypdf, une dépendance utilisée pour charger des documents PDF dans LangChain, est déjà installée pour vous.

Cette activité fait partie du cours

Développer des applications LLM avec LangChain

Instructions de l’exercice

Importez la classe appropriée pour charger des documents PDF dans LangChain.
Créez un chargeur de document pour le fichier 'rag_vs_fine_tuning.pdf', disponible dans le répertoire courant.
Chargez le document en mémoire pour afficher le contenu du premier document, ou de la première page.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import library
from langchain_community.document_loaders import ____

# Create a document loader for rag_vs_fine_tuning.pdf
loader = ____

# Load the document
data = ____
print(data[0])

Modifier et exécuter le code

Cette activité fait partie du cours

Développer des applications LLM avec LangChain

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Bienvenue dans le cadre LangChain pour créer des applications avec des LLMs ! Vous apprendrez les principaux composants de LangChain, dont les modèles, chaînes, agents, invites et analyseurs. Vous créerez des assistants conversationnels à l'aide de modèles ouverts de Hugging Face et de modèles propriétaires d'OpenAI, vous concevrez des gabarits d'invite et vous intégrerez différentes stratégies de mémoire d'assistant pour gérer le contexte et les ressources pendant les conversations.

Exercise 1: L'écosystème de LangChain Exercise 2: Les modèles OpenAI dans LangChain!Exercise 3: Des modèles Hugging Face dans LangChain!Exercise 4: Modèles d'invite Exercise 5: Gabarits d'invite et chaînage Exercise 6: Gabarits d'invite pour clavardage Exercise 7: Invite de type few-shot Exercise 8: Créer l'ensemble d'exemples few-shot Exercise 9: Créer le g gabarit de sollicitation few-shot Exercise 10: Mettre en œuvre le few-shot prompting

Il est temps d'élever vos chaînes LangChain ! Vous apprendrez à utiliser le LangChain Expression Language (LCEL) pour définir des chaînes plus flexibles. Vous créerez des chaînes séquentielles, où les entrées sont transmises entre composants pour bâtir des applications plus avancées. Vous commencerez aussi à intégrer des agents, qui utilisent des LLMs pour la prise de décision.

Exercise 1: Chaînes séquentielles Exercise 2: Créer des invites pour des chaînes séquentielles Exercise 3: Chaînes séquentielles avec LCEL Exercise 4: Introduction aux agents LangChain Exercise 5: Qu'est-ce qu'un agent ?Exercise 6: Agents ReAct Exercise 7: Outils personnalisés pour les agents Exercise 8: Définir une fonction pour l'utilisation d'un outil Exercise 9: Créer des outils personnalisés Exercise 10: Intégrer des outils personnalisés aux agents

Une limite des LLMs est leur date de connaissance, puisqu'ils sont entraînés sur des données jusqu'à un certain moment. Dans ce chapitre, vous apprendrez à créer des applications qui utilisent la génération augmentée par la recherche (RAG) pour intégrer des données externes aux LLMs. Le flux de travail RAG comporte plusieurs étapes, dont le découpage des données, la création et l'entreposage des plongements à l'aide d'une base de données vectorielle, puis la récupération des informations les plus pertinentes pour l'application. Vous apprendrez à maîtriser l'ensemble du flux de travail !

Exercise 1: Intégrer des chargeurs de documents Exercise 2: Chargeurs de documents PDF

Exercice en cours

Exercise 3: Chargeurs de documents CSV Exercise 4: Chargeurs de documents HTML Exercise 5: Fractionner les données externes pour la recherche Exercise 6: Découpage par caractère Exercise 7: Découpage récursif par caractère Exercise 8: Découper du HTML Exercise 9: Stockage et recherche RAG à l'aide de bases de données vectorielles Exercise 10: Préparer les documents et la base vectorielle Exercise 11: Créer un gabarit d'invite pour la recherche Exercise 12: Créer une chaîne RAG Exercise 13: En résumé !