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.

The LangChain ecosystem

OpenAI models in LangChain!

Hugging Face models in LangChain!

Prompt templates

Prompt templates and chaining

Chat prompt templates

Few-shot prompting

Creating the few-shot example set

Building the few-shot prompt template

Implementing few-shot prompting

Introduction to LangChain & Chatbot Mechanics

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.

Sequential chains

Building prompts for sequential chains

Sequential chains with LCEL

Introduction to LangChain agents

What's an agent?

ReAct agents

Custom tools for agents

Defining a function for tool use

Creating custom tools

Integrating custom tools with agents

Chains and 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!

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.

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

AI Engineer & LangChain Contributor

Memecah data eksternal untuk penelusuran

Langkah pengembangan RAG

Memikirkan pemecahan...

Tumpang tindih chunk

Strategi pemecahan dokumen yang terbaik?

Teks contoh untuk membandingkan ukuran chunk

CharacterTextSplitter untuk membagi dokumen

RecursiveCharacterTextSplitter

RecursiveCharacterTextSplitter untuk HTML

Ayo berlatih!

Retrieval Augmented Generation (RAG) - Memecah data eksternal untuk pengambilan kembali

Memecah data eksternal untuk pengambilan kembali

Create Your Free Account