or
यह अभ्यास पाठ्यक्रम का हिस्सा है
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।
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।
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!
वर्तमान अभ्यास