Bienvenue dans le framework LangChain pour concevoir des applications sur les LLM. Vous découvrirez les principaux composants de LangChain, notamment les modèles, les chaînes, les agents, les prompts et les analyseurs syntaxiques. Vous créerez des chatbots à l'aide de modèles open source de Hugging Face et de modèles propriétaires d'OpenAI, vous créerez des modèles de prompts instantanés et intégrerez différentes stratégies de mémoire pour les chatbots afin de gérer le contexte et les ressources pendant les conversations.

L'écosystème LangChain

Modèles OpenAI dans LangChain !

Modèles Hugging Face dans LangChain !

Modèles de prompts

Modèles de prompts et chaînage

Modèles de prompts instantanés

Prompts few-shot

Création d'un ensemble d'exemple few-shot

Création du modèle de prompt few-shot

Mise en œuvre du prompt few-shot

Introduction à LangChain et au fonctionnement des chatbots

Il est temps de passer au niveau supérieur avec vos chaînes LangChain ! Vous apprendrez à utiliser le LangChain Expression Language (LCEL) pour définir des chaînes avec plus de flexibilité. Vous allez créer des chaînes séquentielles, dans lesquelles les entrées sont transmises entre les composants afin de créer des applications plus avancées. Vous commencerez également à intégrer des agents qui utilisent les LLM pour la prise de décision.

Chaînes séquentielles

Création de prompts pour des chaînes séquentielles

Chaînes séquentielles avec LCEL

Présentation des agents LangChain

Qu'est-ce qu'un agent ?

Agents ReAct

Outils personnalisés pour les agents

Définir une fonction pour l'utilisation d'un outil

Création d'outils personnalisés

Intégration d'outils personnalisés avec des agents

Chaînes et agents

Une des limites des LLM réside dans le fait qu'ils ont une connaissance limitée, car ils ont été entraînés à partir de données collectées jusqu'à un certain point. Dans ce chapitre, vous apprendrez à créer des applications qui utilisent la Génération à enrichissement contextuel (RAG) pour intégrer des données externes à des modèles de langage naturel (LLM). Le flux de travail RAG comprend plusieurs processus différents, notamment la division des données, la création et le stockage des intégrations à l'aide d'une base de données vectorielle, ainsi que la récupération des informations les plus pertinentes pour une utilisation dans l'application. Vous apprendrez à maîtriser l'ensemble du processus de travail.

Intégration de chargeurs de documents

Chargeurs de documents PDF

Chargeurs de documents CSV

Chargeurs de documents HTML

Fractionnement des données externes pour la récupération

Division par caractère

Division récursive par caractère

Fractionnement du code HTML

Stockage et récupération RAG à l'aide de bases de données vectorielles

Préparation des documents et de la base de données vectorielle

Création d'un modèle de prompt de récupération

Création d'une chaîne RAG

Conclusion !

Génération à enrichissement contextuel (RAG)

Transformez vos applications en exploitant la puissance du framework LangChain pour créer des applications basées sur des modèles linguistiques à grande échelle (LLM) ! L'un des principaux défis liés au développement d'applications à l'ère de l'IA générative consiste à intégrer des modèles, des sources de données, des prompts et d'autres composants provenant de différents fournisseurs dans une seule application. Le framework LangChain fournit une syntaxe unique et unifiée pour assembler tous ces éléments afin de vous permettre d'intégrer plus facilement les LLM dans vos projets. Que vous soyez un développeur expérimenté ou débutant, ce cours vous permettra d'acquérir les connaissances et les compétences nécessaires pour créer des applications dynamiques et intelligentes qui exploitent les capacités illimitées de LangChain. Rejoignez-nous dans cette aventure transformatrice et redéfinissez la manière dont vous créez des applications basées sur des modèles linguistiques.

<h2>Les bases du développement de l'écosystème LangChain</h2>
Augmentez votre boîte à outils LLM avec l'écosystème de LangChain, permettant une intégration transparente avec les modèles OpenAI et Hugging Face.  Découvrez un framework open-source qui optimise les applications du monde réel et vous permet de créer des systèmes de recherche d'information sophistiqués et uniques en leur genre.<br><br>
<h2>Méthodologies de création de chatbot à l'aide de LangChain</h2>
Utilisez les outils LangChain pour développer des chatbots, en comparant les nuances entre les modèles open-source de HuggingFace et les modèles fermés d'OpenAI. Utilisez des modèles d'invite pour des conversations complexes, en jetant les bases d'un développement avancé du chatbot.<br><br>
<h2>Traitement des données et génération d'augmentation de la recherche (RAG) à l'aide de LangChain</h2>
Maîtrisez la tokenisation et les bases de données vectorielles pour optimiser la récupération des données, en enrichissant les interactions du chatbot d'une multitude d'informations externes.  Utilisez les fonctions de mémoire de RAG pour optimiser divers cas d'utilisation.<br><br>
<h2>Intégrations avancées de chaînes, d'outils et d'agents</h2>
Utilisez la puissance des chaînes, des outils, des agents, des API et de la prise de décision intelligente pour gérer les cas d'utilisation de bout en bout et le traitement avancé des sorties LLM.<br><br>
<h2>Débogage et mesures de performance</h2>
Enfin, devenez compétent en matière de débogage, d'optimisation et d'évaluation des performances, en veillant à ce que vos chatbots soient développés pour gérer les erreurs.  Ajoutez des couches de transparence pour résoudre les problèmes.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

Découvrez comment créer des applications IA avec LLMs, invites, chaînes et agents dans LangChain.

Développement d'applications LLM avec LangChain

Découvrez comment créer des applications alimentées par l'IA en utilisant des LLM, des invites, des chaînes et des agents dans LangChain.

Associate AI Engineer pour développeurs

Développer des applications d'IA

Développement d’applications avec LangChain

AI Engineer & LangChain Contributor

Étapes du développement RAG

Qu'est-ce qu'une base de données vectorielle et pourquoi en ai-je besoin ?

Quelle base de données vectorielle dois-je utiliser ?

Veuillez trouver ci-dessous les documents...

Création d'une base de données de vecteurs Chroma

Création d'un modèle de prompts

Enchaînons tout cela !

Passons à la pratique !

Génération à enrichissement contextuel (RAG) - Stockage et récupération RAG à l'aide de bases de données vectorielles

Stockage et récupération RAG à l'aide de bases de données vectorielles

Create Your Free Account