Modelli OpenAI in LangChain!

I modelli della serie GPT di OpenAI sono tra gli LLM con le migliori prestazioni. Sono disponibili tramite le API di OpenAI, con cui puoi interagire facilmente usando LangChain.

Normalmente, l’uso dei modelli OpenAI richiede una chiave API personale per la fatturazione dei costi. In questo corso, non devi creare né fornire una chiave API di OpenAI. Il segnaposto "<OPENAI_API_TOKEN>" invierà richieste valide all’API. Se effettui un numero elevato di richieste in un breve intervallo di tempo, potresti incontrare un RateLimitError. In tal caso, metti in pausa per un momento e riprova.

La classe ChatOpenAI è già stata importata.

Questo esercizio fa parte del corso

Sviluppare applicazioni LLM con LangChain

Visualizza il corso

Istruzioni dell'esercizio

Definisci un modello di chat OpenAI usando una classe di LangChain; lascia il segnaposto della chiave API così com’è.
Invoca l’LLM che hai definito per rispondere al prompt fornito (puoi anche sperimentare con altri prompt).

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Define the LLM
llm = ____(model="gpt-4o-mini", api_key="")

# Predict the words following the text in question
prompt = 'Three reasons for using LangChain for LLM application development.'
response = ____(prompt)

print(response.content)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Sviluppare applicazioni LLM con LangChain

IntermediárioNível de habilidade

4.8+

Inizia il corso gratis

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.

Exercise 1: L'ecosistema LangChain Exercise 2: Modelli OpenAI in LangChain!

Esercizio in corso

Exercise 3: Modelli Hugging Face in LangChain!Exercise 4: Modelli di prompt Exercise 5: Prompt template e concatenazione Exercise 6: Template di prompt per chat Exercise 7: Suggerimento di pochi colpi Exercise 8: Creare un set di esempi di pochi scatti Exercise 9: Creare il template di few-shot prompting Exercise 10: Implementare il few-shot prompting

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.

Exercise 1: Sequential chains Exercise 2: Building prompts for sequential chains Exercise 3: Sequential chains with LCEL Exercise 4: Introduction to LangChain agents Exercise 5: What's an agent?Exercise 6: ReAct agents Exercise 7: Custom tools for agents Exercise 8: Defining a function for tool use Exercise 9: Creating custom tools Exercise 10: Integrating custom tools with 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!

Exercise 1: Integrating document loaders Exercise 2: PDF document loaders Exercise 3: CSV document loaders Exercise 4: HTML document loaders Exercise 5: Splitting external data for retrieval Exercise 6: Splitting by character Exercise 7: Recursively splitting by character Exercise 8: Splitting HTML Exercise 9: RAG storage and retrieval using vector databases Exercise 10: Preparing the documents and vector database Exercise 11: Building a retrieval prompt template Exercise 12: Creating a RAG chain Exercise 13: Wrap-up!