Pemuatan dokumen PDF

Untuk mulai mengimplementasikan Retrieval Augmented Generation (RAG), Anda terlebih dahulu perlu memuat dokumen yang akan diakses oleh model. Dokumen-dokumen ini dapat berasal dari berbagai sumber, dan LangChain mendukung pemuat dokumen untuk banyak di antaranya.

Dalam latihan ini, Anda akan menggunakan pemuat dokumen untuk memuat dokumen PDF yang berisi makalah berjudul RAG VS Fine-Tuning: Pipelines, Tradeoffs, and a Case Study on Agriculture oleh Balaguer dkk. (2024).

Catatan: pypdf, dependensi untuk memuat dokumen PDF di LangChain, telah diinstal untuk Anda.

Latihan ini adalah bagian dari kursus

Mengembangkan Aplikasi LLM dengan LangChain

Petunjuk latihan

Impor kelas yang sesuai untuk memuat dokumen PDF di LangChain.
Buat pemuat dokumen untuk dokumen 'rag_vs_fine_tuning.pdf', yang tersedia di direktori saat ini.
Muat dokumen ke memori untuk melihat konten dokumen atau halaman pertama.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Import library
from langchain_community.document_loaders import ____

# Create a document loader for rag_vs_fine_tuning.pdf
loader = ____

# Load the document
data = ____
print(data[0])

Edit dan Jalankan Kode

Latihan ini adalah bagian dari kursus

Mengembangkan Aplikasi LLM dengan LangChain

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

Welcome to the LangChain framework for building applications on LLMs! You'll learn about the main components of LangChain, including models, chains, agents, prompts, and parsers. You'll create chatbots using both open-source models from Hugging Face and proprietary models from OpenAI, create prompt templates, and integrate different chatbot memory strategies to manage context and resources during conversations.

Exercise 1: The LangChain ecosystem Exercise 2: OpenAI models in LangChain!Exercise 3: Hugging Face models in LangChain!Exercise 4: Prompt templates Exercise 5: Prompt templates and chaining Exercise 6: Chat prompt templates Exercise 7: Few-shot prompting Exercise 8: Creating the few-shot example set Exercise 9: Building the few-shot prompt template Exercise 10: Implementing few-shot prompting

Time to level up your LangChain chains! You'll learn to use the LangChain Expression Language (LCEL) for defining chains with greater flexibility. You'll create sequential chains, where inputs are passed between components to create more advanced applications. You'll also begin to integrate agents, which use LLMs for decision-making.

Exercise 1: Sequential chains Exercise 2: Building prompts for sequential chains Exercise 3: Sequential chains with LCEL Exercise 4: Introduction to LangChain agents Exercise 5: What's an agent?Exercise 6: ReAct agents Exercise 7: Custom tools for agents Exercise 8: Defining a function for tool use Exercise 9: Creating custom tools Exercise 10: Integrating custom tools with agents

One limitation of LLMs is that they have a knowledge cut-off due to being trained on data up to a certain point. In this chapter, you'll learn to create applications that use Retrieval Augmented Generation (RAG) to integrate external data with LLMs. The RAG workflow contains a few different processes, including splitting data, creating and storing the embeddings using a vector database, and retrieving the most relevant information for use in the application. You'll learn to master the entire workflow!

Exercise 1: Mengintegrasikan pemuat dokumen Exercise 2: Pemuatan dokumen PDF

Latihan Saat Ini

Exercise 3: Pemuat dokumen CSV Exercise 4: Pemuat dokumen HTML Exercise 5: Memecah data eksternal untuk pengambilan kembali Exercise 6: Memisah berdasarkan karakter Exercise 7: Memecah secara rekursif berdasarkan karakter Exercise 8: Membagi HTML Exercise 9: Penyimpanan dan pengambilan RAG menggunakan basis data vektor Exercise 10: Menyiapkan dokumen dan basis data vektor Exercise 11: Membangun templat prompt retrieval Exercise 12: Membuat rantai RAG Exercise 13: Penutup!