Selamat datang di kerangka kerja LangChain untuk membangun aplikasi di atas LLM! Anda akan mempelajari komponen utama LangChain, termasuk model, chains, agents, prompt, dan parser. Anda akan membuat chatbot menggunakan model open-source dari Hugging Face dan model proprietari dari OpenAI, membuat templat prompt, serta mengintegrasikan berbagai strategi memori chatbot untuk mengelola konteks dan sumber daya selama percakapan.

Ekosistem LangChain

Model OpenAI di LangChain!

Model Hugging Face di LangChain!

Templat prompt

Templat prompt dan perangkaian

Templat prompt chat

Few-shot prompting

Membuat himpunan contoh few-shot

Membangun templat prompt few-shot

Menerapkan few-shot prompting

Pengantar LangChain & Mekanisme Chatbot

Saatnya meningkatkan kemampuan chains Anda di LangChain! Anda akan belajar menggunakan LangChain Expression Language (LCEL) untuk mendefinisikan chains dengan fleksibilitas lebih tinggi. Anda akan membuat sequential chains, di mana input diteruskan antar komponen untuk membangun aplikasi yang lebih canggih. Anda juga akan mulai mengintegrasikan agents, yang memanfaatkan LLM untuk pengambilan keputusan.

Rantai berurutan

Menyusun prompt untuk sequential chains

Sequential chain dengan LCEL

Pengantar agent LangChain

Apa itu agent?

Agen ReAct

Alat kustom untuk agen

Mendefinisikan fungsi untuk penggunaan tool

Membuat tool kustom

Mengintegrasikan alat kustom dengan agent

Chains dan Agents

Salah satu keterbatasan LLM adalah memiliki knowledge cut-off karena dilatih pada data hingga titik waktu tertentu. Pada bab ini, Anda akan belajar membuat aplikasi yang menggunakan Retrieval Augmented Generation (RAG) untuk mengintegrasikan data eksternal dengan LLM. Alur kerja RAG mencakup beberapa proses, termasuk memecah data, membuat dan menyimpan embeddings menggunakan basis data vektor, serta mengambil informasi paling relevan untuk digunakan dalam aplikasi. Anda akan mempelajari seluruh alur kerja ini secara menyeluruh!

Mengintegrasikan pemuat dokumen

Pemuatan dokumen PDF

Pemuat dokumen CSV

Pemuat dokumen HTML

Memecah data eksternal untuk pengambilan kembali

Memisah berdasarkan karakter

Memecah secara rekursif berdasarkan karakter

Membagi HTML

Penyimpanan dan pengambilan RAG menggunakan basis data vektor

Menyiapkan dokumen dan basis data vektor

Membangun templat prompt retrieval

Membuat rantai RAG

Penutup!

Retrieval Augmented Generation (RAG)

Revolusikan aplikasi Anda dengan memanfaatkan kekuatan kerangka kerja LangChain untuk membangun aplikasi berbasis large language models (LLMs)! Salah satu tantangan utama dalam pengembangan aplikasi di era AI generatif adalah mengintegrasikan model, sumber data, prompt, dan komponen lain dari berbagai penyedia ke dalam satu aplikasi. Kerangka kerja LangChain menyediakan sintaks tunggal dan terpadu untuk menyatukan semua bagian ini sehingga Anda dapat mengintegrasikan LLM ke dalam proyek dengan lebih mulus. Baik Anda seorang pengembang berpengalaman maupun baru memulai, kursus ini akan membekali Anda dengan pengetahuan dan keterampilan untuk membangun aplikasi yang dinamis dan cerdas yang memanfaatkan kemampuan tanpa batas dari LangChain. Bergabunglah dalam perjalanan transformatif ini dan redefinisikan cara Anda membuat aplikasi yang didukung oleh model bahasa.

Video dilengkapi transkrip langsung yang dapat Anda tampilkan dengan mengklik "Show transcript" di kiri bawah video.
Glosarium kursus dapat ditemukan di sebelah kanan pada bagian sumber daya.
Untuk memperoleh kredit CPE, Anda perlu menuntaskan kursus dan mencapai skor 70% pada asesmen yang memenuhi syarat. Anda dapat menuju ke asesmen dengan mengklik panggilan kredit CPE di sebelah kanan.

<h2>Fondasi untuk Pengembangan di Ekosistem LangChain</h2>
Tingkatkan perangkat LLM Anda dengan ekosistem LangChain, memungkinkan integrasi tanpa hambatan dengan model OpenAI dan Hugging Face.  Temukan kerangka kerja open-source yang mengoptimalkan aplikasi dunia nyata dan memungkinkan Anda membuat sistem pengambilan informasi canggih yang unik untuk kasus penggunaan Anda.<br><br>
<h2>Metodologi Pembuatan Chatbot menggunakan LangChain</h2>
Manfaatkan alat LangChain untuk mengembangkan chatbot, membandingkan nuansa antara model open-source dari HuggingFace dan model closed-source dari OpenAI. Gunakan template prompt untuk percakapan yang rumit, meletakkan dasar bagi pengembangan chatbot tingkat lanjut.<br><br>
<h2>Penanganan Data dan Retrieval Augmentation Generation (RAG) menggunakan LangChain</h2>
Kuasai tokenisasi dan basis data vektor untuk pengambilan data yang optimal, memperkaya interaksi chatbot dengan beragam informasi eksternal.  Gunakan fungsi memori RAG untuk mengoptimalkan berbagai kasus penggunaan.<br><br>
<h2>Integrasi Rantai, Alat, dan Agen Tingkat Lanjut</h2>
Manfaatkan kekuatan rantai, alat, agen, API, dan pengambilan keputusan cerdas untuk menangani kasus penggunaan end-to-end secara penuh dan penanganan output LLM tingkat lanjut.<br><br>
<h2>Debugging dan Metrik Kinerja</h2>
Akhirnya, kuasai debugging, optimasi, dan evaluasi kinerja, memastikan chatbot Anda dikembangkan untuk penanganan error.  Tambahkan lapisan transparansi untuk pemecahan masalah.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

Pelajari cara membangun aplikasi bertenaga AI dengan LLM, prompt, rantai, dan agen di LangChain.

Mengembangkan Aplikasi LLM dengan LangChain

Temukan cara membangun aplikasi bertenaga AI menggunakan LLM, prompt, chain, dan agent di LangChain.

Insinyur Kecerdasan Buatan (AI) untuk Pengembang

Pengembangan Aplikasi Kecerdasan Buatan

Mengembangkan Aplikasi dengan LangChain

Apa itu agent?

Mengembangkan Aplikasi LLM dengan LangChain

Latihan interaktif langsung