Discover how to integrate external data sources into chat models with LangChain. Learn how to load, split, embed, store, and retrieve data for use in LLM applications.

Loading Documents for RAG with LangChain

Loading PDF files for RAG

Loading HTML files for RAG

Text splitting, embeddings, and vector storage

Getting started with text splitting

Recursively splitting documents

Embedding and storing documents

Building an LCEL retrieval chain

Creating the retrieval prompt

Building the retrieval chain

Building RAG Applications with LangChain

Discover state-of-the-art techniques for loading, splitting, and retrieving documents, including loading Python files, splitting semantically, and using MRR and self-query retrieval methods. Learn to evaluate your RAG architecture using robust metrics and frameworks.

Charger et découper des fichiers de code

Charger des fichiers de code

Découper des fichiers Python

Méthodes de découpage avancées

Découper par tokens

Découpage sémantique

Optimiser la récupération de documents

Options

Sparse

Dense

Recherche sparse vs. dense

Comprendre BM25

Recherche parcimonieuse avec BM25

Introduction à l’évaluation de RAG

Évaluation de la précision du contexte avec Ragas

Évaluation de la fidélité avec Ragas

Évaluation de chaînes

Improving the RAG Architecture

Discover how graph databases and retrieval can overcome some of the limitations of traditional vector-based storage and retrieval.

From vectors to graphs

Creating graph documents

Getting to know graphs

Storing and querying documents

Building-up your graph database

Querying your graph database

Creating the Graph RAG chain

A journey through the Graph RAG system

Chaining, Graph RAG style!

Improving graph retrieval

Graph RAG with filtering

Validating Cypher queries

Creating a Cypher few-shot prompt

Congratulations!

Introduction to Graph RAG

RAG Academic Paper PDF

DataCamp Blog HTML

LangChain README Markdown

Chatbot Python File

RAG Workflow Python File

Les Large Language Models (LLMs) sont intégrés aux ordinateurs, aux téléphones et aux applications, mais ils ont une limite : leurs connaissances dépendent de leurs données d’entraînement, coûteuses et mises à jour lentement. C’est là qu’intervient la Retrieval Augmented Generation (RAG) ! RAG vous permet d’intégrer des données externes aux LLMs. Dans ce cours, vous apprendrez des techniques de pointe pour charger, traiter et récupérer des données externes pour des LLMs. Vous utiliserez des bases de données vectorielles, les LLMs les plus récents, dont GPT-4o-Mini, et le framework LangChain pour créer des applications RAG. Le cours se termine par un chapitre sur Graph RAG, une variante de RAG qui utilise des bases de données graphe pour une récupération d’informations plus fiable.

<h2>Construisez des systèmes RAG avec LangChain</h2>La génération augmentée par la récupération (RAG) est une technique utilisée pour surmonter l'une des principales limites des grands modèles linguistiques (LLM) : leurs connaissances restreintes. Les systèmes RAG intègrent des données externes provenant de diverses sources dans les LLM. Ce processus de connexion de plusieurs systèmes différents est généralement fastidieux, mais LangChain le rend extrêmement simple.<br><br><h2>Découvrez les méthodes de pointe en matière de fractionnement et de récupération</h2>Améliorez votre architecture RAG ! Vous apprendrez à charger et à diviser des fichiers de code, y compris des fichiers Python et Markdown, afin de garantir que les divisions tiennent compte de la syntaxe du code. Vous diviserez vos documents à l'aide de jetons plutôt que de caractères afin de garantir que les documents récupérés restent dans la fenêtre contextuelle de votre modèle. Découvrez comment le fractionnement sémantique peut aider à conserver le contexte en détectant les changements de sujet dans le texte et en effectuant des fractionnements à ces endroits. Enfin, veuillez apprendre à évaluer de manière rigoureuse votre architecture RAG à l'aide de LangSmith et Ragas.<br><br><h2>Découvrez l'architecture Graph RAG</h2>Réorganisez votre architecture RAG et découvrez comment les systèmes RAG basés sur des graphes, plutôt que sur des vecteurs, peuvent améliorer la compréhension par votre système des entités et des relations présentes dans vos documents. Vous apprendrez à convertir des données textuelles non structurées en graphiques à l'aide de modèles linguistiques à grande échelle (LLM) pour effectuer la traduction. Ensuite, vous stockerez ces documents graphiques dans une base de données graphique Neo4j et les intégrerez dans un système RAG plus large afin de finaliser l'application.

Developing LLM Applications with LangChain

Découvrez comment intégrer des données externes avec les LLMs via RAG et LangChain.

Retrieval Augmented Generation (RAG) avec LangChain

Découvrez des méthodes d’intégration de data externes à des LLM à l'aide de la Génération à enrichissement contextuel (RAG) avec LangChain.

Développement d’applications avec LangChain

La plupart des éléments du vecteur sont nuls

La plupart des éléments du vecteur sont non nuls

Recherche sparse vs. dense

Exercice interactif pratique