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.

Catene sequenziali

Costruire suggerimenti per catene sequenziali

Chain sequenziali con LCEL

Introduzione agli agenti LangChain

Cos'è un agent?

Agenti ReAct

Strumenti personalizzati per gli agenti

Definizione di una funzione per l'utilizzo degli strumenti

Creare tool personalizzati

Integrare strumenti personalizzati con gli agenti

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!

Integrating document loaders

PDF document loaders

CSV document loaders

HTML document loaders

Splitting external data for retrieval

Splitting by character

Recursively splitting by character

Splitting HTML

RAG storage and retrieval using vector databases

Preparing the documents and vector database

Building a retrieval prompt template

Creating a RAG chain

Wrap-up!

Retrieval Augmented Generation (RAG)

Rivoluziona le tue applicazioni sfruttando la potenza del framework LangChain per creare applicazioni basate su Large Language Models (LLM)! Una delle grandi sfide nello sviluppo nell’era della generative AI è integrare modelli, fonti dati, prompt e altri componenti di diversi provider in un’unica applicazione. Il framework LangChain offre una sintassi unica e unificata per mettere insieme tutti questi elementi, permettendoti di integrare gli LLM nei tuoi progetti in modo più fluido. Che tu sia uno sviluppatore esperto o agli inizi, questo corso ti fornirà conoscenze e competenze per creare applicazioni dinamiche e intelligenti che sfruttano le capacità illimitate di LangChain. Unisciti a noi in questo percorso trasformativo e ridefinisci il modo in cui crei applicazioni basate su modelli linguistici.

I video includono trascrizioni in tempo reale che puoi visualizzare facendo clic su "Show transcript" in basso a sinistra nei video.
Il glossario del corso si trova a destra nella sezione delle risorse.
Per ottenere i crediti CPE, devi completare il corso e raggiungere un punteggio del 70% nella valutazione qualificata. Puoi accedere alla valutazione facendo clic sull’avviso dei crediti CPE sulla destra.

<h2>Fondamenti per lo sviluppo nell’ecosistema LangChain</h2>
Arricchisci il tuo kit di strumenti LLM con l’ecosistema LangChain, che consente un’integrazione fluida con i modelli OpenAI e Hugging Face.  Scopri un framework open-source che ottimizza le applicazioni reali e ti permette di creare sistemi sofisticati di reperimento delle informazioni, su misura per il tuo caso d’uso.<br><br>
<h2>Metodologie di creazione di chatbot con LangChain</h2>
Utilizza gli strumenti LangChain per sviluppare chatbot, confrontando le differenze tra i modelli open-source di HuggingFace e quelli closed-source di OpenAI. Utilizza modelli di prompt per conversazioni complesse, gettando le basi per lo sviluppo di chatbot avanzati.<br><br>
<h2>Gestione dei dati e Retrieval Augmented Generation (abbreviato RAG; in italiano “generazione potenziata da recupero dati”) con LangChain</h2>
Padroneggia la tokenizzazione e i database vettoriali per ottimizzare il recupero dei dati, arricchendo le interazioni dei chatbot con una grande quantità di informazioni esterne.  Utilizza le funzioni di memoria RAG per ottimizzare diversi casi d'uso.<br><br>
<h2>Integrazioni avanzate di catene, strumenti e agenti</h2>
Utilizza la potenza di catene, strumenti, agenti, API e processi decisionali intelligenti per gestire casi d'uso end-to-end e ottimizzare la gestione avanzata degli output LLM.<br><br>
<h2>Debug e metriche delle prestazioni</h2>
Infine, acquisirai competenze in debugging, ottimizzazione e valutazione delle prestazioni, assicurandoti che i tuoi chatbot siano pronti a gestire gli errori.  Aggiungi livelli di trasparenza per la risoluzione dei problemi.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

Scopri come creare app AI con LLM, prompt, catene e agenti in LangChain.

Sviluppare applicazioni LLM con LangChain

Scopri come costruire applicazioni basate sull'intelligenza artificiale utilizzando LLM, prompt, catene e agenti in LangChain.

Ingegnere AI associato per sviluppatori

Sviluppare applicazioni AI

Sviluppare applicazioni con LangChain

Cos'è un agent?

Sviluppare applicazioni LLM con LangChain

Esercizio pratico interattivo