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.

Loading and splitting code files

Loading code files

Splitting Python files

Advanced splitting methods

Splitting by tokens

Splitting semantically

Optimizing document retrieval

Sparse vs. dense retrieval

Understanding BM25

Sparse retrieval with BM25

Introduction to RAG evaluation

Ragas context precision evaluation

Ragas faithfulness evaluation

String evaluation

Improving the RAG Architecture

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

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

Proses 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!

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

Membangun basis data grafik Anda

Retrieval Augmented Generation (RAG) dengan LangChain

Petunjuk latihan

Latihan interaktif praktis