Few-shot प्रॉम्प्टिंग

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

यह अभ्यास पाठ्यक्रम का हिस्सा है

LangChain के साथ LLM एप्लिकेशन विकसित करना

SkillTag.level.intermediateSkillTag.label

4.8+

LLMs पर एप्लिकेशन बनाने के लिए LangChain फ्रेमवर्क में आपका स्वागत है! आप LangChain के मुख्य कंपोनेंट्स—मॉडल्स, चेंस, एजेंट्स, प्रॉम्प्ट्स, और पार्सर्स—के बारे में सीखेंगे। आप Hugging Face के ओपन-सोर्स मॉडल्स और OpenAI के प्रॉपर्टियरी मॉडल्स का उपयोग करके चैटबॉट बनाएँगे, प्रॉम्प्ट टेम्प्लेट्स तैयार करेंगे, और बातचीत के दौरान कॉन्टेक्स्ट और रिसोर्सेज मैनेज करने के लिए अलग-अलग चैटबॉट मेमोरी स्ट्रैटेजीज इंटीग्रेट करेंगे।

Exercise 1: LangChain इकोसिस्टम Exercise 2: LangChain में OpenAI मॉडल्स!Exercise 3: LangChain में Hugging Face मॉडल!Exercise 4: प्रॉम्प्ट टेम्पलेट्स Exercise 5: प्रॉम्प्ट टेम्पलेट्स और चेनिंग Exercise 6: चैट प्रॉम्प्ट टेम्पलेट्स Exercise 7: Few-shot प्रॉम्प्टिंग

वर्तमान अभ्यास

Exercise 8: Few-shot example सेट बनाना Exercise 9: Few-shot प्रॉम्प्ट टेम्पलेट बनाना Exercise 10: फ्यू-शॉट प्रॉम्प्टिंग लागू करना

अब LangChain चेंस को अगले स्तर पर ले जाने का समय है! आप LangChain Expression Language (LCEL) का उपयोग करना सीखेंगे ताकि चेंस को और लचीले तरीके से परिभाषित किया जा सके। आप sequential चेंस बनाएँगे, जहाँ इनपुट अलग-अलग कंपोनेंट्स के बीच पास होते हैं और अधिक एडवांस्ड एप्लिकेशन बनते हैं। आप एजेंट्स को इंटीग्रेट करना भी शुरू करेंगे, जो निर्णय लेने के लिए LLMs का उपयोग करते हैं।

Exercise 1: Sequential chains Exercise 2: Sequential chains के लिए prompts बनाना Exercise 3: LCEL के साथ Sequential chains Exercise 4: LangChain agents का परिचय Exercise 5: एजेंट क्या है?Exercise 6: ReAct एजेंट्स Exercise 7: एजेंट्स के लिए कस्टम टूल्स Exercise 8: टूल उपयोग के लिए एक फंक्शन परिभाषित करना Exercise 9: कस्टम टूल बनाना Exercise 10: एजेंट्स के साथ कस्टम टूल्स इंटीग्रेट करना

LLMs की एक सीमा यह है कि उनका नॉलेज कट-ऑफ होता है क्योंकि उन्हें एक निश्चित समय तक के डेटा पर ट्रेन किया जाता है। इस अध्याय में, आप ऐसे एप्लिकेशन बनाना सीखेंगे जो Retrieval Augmented Generation (RAG) का उपयोग करके बाहरी डेटा को LLMs के साथ जोड़ते हैं। RAG वर्कफ़्लो में कई प्रोसेसेज़ शामिल होती हैं, जैसे डेटा को स्प्लिट करना, embeddings बनाना और उन्हें vector डेटाबेस में स्टोर करना, और एप्लिकेशन में उपयोग के लिए सबसे प्रासंगिक जानकारी को रिकवर करना। आप पूरे वर्कफ़्लो में महारत हासिल करेंगे!

Exercise 1: डॉक्यूमेंट लोडर इंटीग्रेशन Exercise 2: PDF डॉक्यूमेंट लोडर्स Exercise 3: CSV डॉक्यूमेंट लोडर्स Exercise 4: HTML डॉक्यूमेंट लोडर Exercise 5: रीट्रीवल के लिए बाहरी डेटा को स्प्लिट करना Exercise 6: कैरक्टर के आधार पर स्प्लिटिंग Exercise 7: करेक्टर के आधार पर रिकर्सिव स्प्लिटिंग Exercise 8: HTML को स्प्लिट करना Exercise 9: वेक्टर डेटाबेस का उपयोग करके RAG स्टोरेज और रिट्रीवल Exercise 10: डॉक्युमेंट्स और वेक्टर डेटाबेस तैयार करना Exercise 11: रिट्रीवल प्रॉम्प्ट टेम्पलेट बनाना Exercise 12: RAG chain बनाना Exercise 13: समापन!