Discover how to integrate external data sources into chat models with LangChain. Learn how to load, split, embed, store, and retrieve data for use in LLM applications.

Loading Documents for RAG with LangChain

Loading PDF files for RAG

Loading HTML files for RAG

Text splitting, embeddings, and vector storage

Getting started with text splitting

Recursively splitting documents

Embedding and storing documents

Building an LCEL retrieval chain

Creating the retrieval prompt

Building the retrieval chain

Building RAG Applications with LangChain

Discover state-of-the-art techniques for loading, splitting, and retrieving documents, including loading Python files, splitting semantically, and using MRR and self-query retrieval methods. Learn to evaluate your RAG architecture using robust metrics and frameworks.

Memuat dan membagi berkas kode

Memuat berkas kode

Memecah file Python

Metode pemisahan lanjutan

Pemecahan berdasarkan token

Pemisahan secara semantik

Mengoptimalkan pengambilan dokumen

Opsi

Sparse

Dense

Sparse vs. dense retrieval

Memahami BM25

Pengambilan sparse dengan BM25

Pengantar evaluasi RAG

Evaluasi context precision dengan Ragas

Evaluasi faithfulness dengan Ragas

Evaluasi string

Improving the RAG Architecture

Discover how graph databases and retrieval can overcome some of the limitations of traditional vector-based storage and retrieval.

From vectors to graphs

Creating graph documents

Getting to know graphs

Storing and querying documents

Building-up your graph database

Querying your graph database

Creating the Graph RAG chain

A journey through the Graph RAG system

Chaining, Graph RAG style!

Improving graph retrieval

Graph RAG with filtering

Validating Cypher queries

Creating a Cypher few-shot prompt

Congratulations!

Introduction to Graph RAG

RAG Academic Paper PDF

DataCamp Blog HTML

LangChain README Markdown

Chatbot Python File

RAG Workflow Python File

Large Language Models (LLM) kini terintegrasi ke komputer, ponsel, dan aplikasi perangkat lunak, tetapi ada satu kelemahan: pengetahuannya dibatasi oleh data pelatihan yang lambat dan mahal. Di sinilah Retrieval Augmented Generation (RAG)! RAG memungkinkan Anda mengintegrasikan data eksternal dengan LLM. Di kursus ini, Anda akan mempelajari teknik terkini untuk memuat, memroses, dan mengambil data eksternal untuk LLM! Anda akan menggunakan basis data vektor, LLM terbaru termasuk GPT-4o-Mini, serta kerangka kerja LangChain untuk membuat aplikasi RAG. Kursus ini ditutup dengan bab tentang Graph RAG, varian dari RAG tradisional yang menggunakan basis data graf untuk pengambilan data yang lebih andal.

Developing LLM Applications with LangChain

Pelajari metode mutakhir integrasi data eksternal dengan LLM menggunakan RAG dengan LangChain.

Retrieval Augmented Generation (RAG) dengan LangChain

Pelajari metode mutakhir untuk mengintegrasikan data eksternal dengan LLM menggunakan Retrieval Augmented Generation (RAG) dengan LangChain.

Mengembangkan Aplikasi dengan LangChain

Sebagian besar elemen vektor bernilai nol

Sebagian besar elemen vektor bernilai non-nol

Sparse vs. dense retrieval

Retrieval Augmented Generation (RAG) dengan LangChain

Latihan interaktif praktis