Pelajari cara mengintegrasikan sumber data eksternal ke dalam model chat dengan LangChain. Ketahui cara memuat, membagi, melakukan embedding, menyimpan, dan mengambil data untuk digunakan dalam aplikasi LLM.

Memuat Dokumen untuk RAG dengan LangChain

Memuat file PDF untuk RAG

Memuat berkas HTML untuk RAG

Pemotongan teks, embedding, dan penyimpanan vektor

Mulai membagi teks

Membagi dokumen secara rekursif

Membuat embedding dan menyimpan dokumen

Membangun rantai pengambilan LCEL

Membuat retrieval prompt

Membangun rantai retrieval

Membangun Aplikasi RAG dengan LangChain

Pelajari teknik mutakhir untuk memuat, membagi, dan mengambil dokumen, termasuk memuat berkas Python, pembagian semantik, serta penggunaan metode retrieval MRR dan self-query. Ketahui cara mengevaluasi arsitektur RAG Anda menggunakan metrik dan kerangka kerja yang andal.

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

Meningkatkan Arsitektur RAG

Pelajari bagaimana basis data graf dan teknik retrieval dapat mengatasi beberapa keterbatasan penyimpanan dan pengambilan berbasis vektor tradisional.

Dari vektor ke graf

Membuat dokumen graf

Mengenal graf

Menyimpan dan mengkueri dokumen

Membangun basis data grafik Anda

Mengkueri basis data graf Anda

Membuat rantai Graph RAG

Menjelajahi sistem Graph RAG

Chaining, gaya Graph RAG!

Meningkatkan pengambilan graf

Graph RAG dengan penyaringan

Memvalidasi kueri Cypher

Membuat prompt few-shot untuk Cypher

Selamat!

Pengantar 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.

<h2>Bangun Sistem RAG dengan LangChain</h2>Retrieval Augmented Generation (RAG) adalah teknik yang digunakan untuk mengatasi salah satu keterbatasan utama large language models (LLM): pengetahuan mereka yang terbatas. Sistem RAG mengintegrasikan data eksternal dari berbagai sumber ke dalam LLM. Proses menghubungkan beberapa sistem yang berbeda ini biasanya melelahkan, tetapi LangChain membuatnya menjadi sangat mudah!<br><br><h2>Pelajari Metode Pemisahan dan Pengambilan Terkini</h2>Tingkatkan arsitektur RAG Anda! Anda akan belajar cara memuat dan membagi file kode, termasuk file Python dan Markdown, untuk memastikan bahwa pembagian tersebut "menyadari" sintaks kode. Anda akan membagi dokumen Anda menggunakan token alih-alih karakter untuk memastikan bahwa dokumen yang diambil tetap berada dalam jendela konteks model Anda. Temukan bagaimana pemisahan semantik dapat membantu mempertahankan konteks dengan mendeteksi kapan subjek dalam teks berubah dan membagi pada titik-titik tersebut. Akhirnya, pelajari cara mengevaluasi arsitektur RAG Anda secara andal dengan LangSmith dan Ragas.<br><br><h2>Temukan Arsitektur Graph RAG</h2>Balikkan arsitektur RAG Anda dan temukan bagaimana sistem RAG berbasis graph, bukan berbasis vektor, dapat meningkatkan pemahaman sistem Anda terhadap entitas dan hubungan dalam dokumen Anda. Anda akan belajar cara mengubah data teks tidak terstruktur menjadi grafik menggunakan LLM untuk melakukan translasi! Kemudian, Anda akan menyimpan dokumen graf ini di database graf Neo4j dan mengintegrasikannya ke dalam sistem RAG yang lebih luas untuk melengkapi aplikasi tersebut.

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 langsung