Creare un set di esempi di pochi scatti

PromptTemplate e ChatPromptTemplate sono ottimi per integrare le variabili, ma faticano a integrare i set di dati contenenti molti esempi. È qui che entra in gioco FewShotPromptTemplate! In questo esercizio creerai un set di dati, sotto forma di elenco di dizionari, che conterrà le seguenti coppie domanda-risposta.

Domanda: How many DataCamp courses has Jack completed?
Risposta: 36
Domanda: How much XP does Jack have on DataCamp?
Risposta: 284,320XP
Domanda: What technology does Jack learn about most on DataCamp?
Risposta: Python

Nel prossimo esercizio, convertirai queste informazioni in un modello di prompt di pochi colpi.

Questo esercizio fa parte del corso

Sviluppare applicazioni LLM con LangChain

Visualizza corso

Istruzioni dell'esercizio

Crea un elenco di dizionari per le domande e le risposte fornite, utilizzando le chiavi "question" e "answer".

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Create the examples list of dicts
examples = [
  {
    "question": "____",
    "answer": "____"
  },
  {
    "question": "____",
    "answer": "____"
  },
  {
    "question": "____",
    "answer": "____"
  }
]

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Sviluppare applicazioni LLM con LangChain

IntermediárioNível de habilidade

4.8+

Inizia il corso gratuitamente

Benvenuto nel framework LangChain per creare applicazioni con LLM! Imparerai i componenti principali di LangChain, tra cui modelli, chain, agenti, prompt e parser. Creerai chatbot usando sia modelli open source da Hugging Face sia modelli proprietari di OpenAI, realizzerai template di prompt e integrerai diverse strategie di memoria per chatbot per gestire contesto e risorse durante le conversazioni.

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

Esercizio attuale

Exercise 9: Creare il template di few-shot prompting Exercise 10: Implementare il few-shot prompting

È il momento di migliorare le tue chain in LangChain! Imparerai a usare il LangChain Expression Language (LCEL) per definire chain con maggiore flessibilità. Creerai chain sequenziali, in cui gli input passano tra i componenti per costruire applicazioni più avanzate. Inizierai anche a integrare agenti, che utilizzano gli LLM per prendere decisioni.

Exercise 1: Catene sequenziali Exercise 2: Costruire suggerimenti per catene sequenziali Exercise 3: Chain sequenziali con LCEL Exercise 4: Introduzione agli agenti LangChain Exercise 5: Cos'è un agent?Exercise 6: Agenti ReAct Exercise 7: Strumenti personalizzati per gli agenti Exercise 8: Definizione di una funzione per l'utilizzo degli strumenti Exercise 9: Creare tool personalizzati Exercise 10: Integrare strumenti personalizzati con gli agenti

Una limitazione degli LLM è avere un knowledge cut-off, perché sono addestrati su dati fino a un certo momento. In questo capitolo imparerai a creare applicazioni che usano la Retrieval Augmented Generation (RAG) per integrare dati esterni con gli LLM. Il flusso di lavoro RAG include vari passaggi: suddivisione dei dati, creazione e archiviazione degli embedding usando un database vettoriale e recupero delle informazioni più rilevanti da usare nell’applicazione. Imparerai a padroneggiare l’intero workflow!

Exercise 1: Integrazione di caricatori di documenti Exercise 2: PDF caricatori di documenti Exercise 3: CSV caricatori di documenti Exercise 4: HTML caricatori di documenti Exercise 5: Suddivisione dei dati esterni per il recupero Exercise 6: Suddivisione per carattere Exercise 7: Divisione ricorsiva per carattere Exercise 8: Suddividere HTML Exercise 9: RAG archiviazione e recupero con database vettoriali Exercise 10: Preparazione dei documenti e del database vettoriale Exercise 11: Creare un prompt template per il retrieval Exercise 12: Creare una chain RAG Exercise 13: Conclusione!