Creare un prompt template per il retrieval

Ora che i tuoi documenti sono stati inseriti nel database vettoriale e sono pronti per il recupero, devi progettare un chat prompt template per combinare i blocchi di documento recuperati con la domanda inserita dall'utente.

La struttura generale del prompt è già stata fornita; il tuo obiettivo è inserire i segnaposto corretti delle variabili di input nella stringa message e convertire la stringa in un chat prompt template.

Questo esercizio fa parte del corso

Sviluppare applicazioni LLM con LangChain

Visualizza il corso

Istruzioni dell'esercizio

Completa la stringa message per aggiungere un segnaposto per l'inserimento dinamico dei documenti recuperati chiamato context e della domanda dell'utente question.
Crea un chat prompt template a partire da message usando il metodo .from_messages() con il ruolo "human".

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Add placeholders to the message string
message = """
Answer the following question using the context provided:

Context:
____

Question:
____

Answer:
"""

# Create a chat prompt template from the message string
prompt_template = ChatPromptTemplate.from_messages([("____", ____)])

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: The LangChain ecosystem Exercise 2: OpenAI models in LangChain!Exercise 3: Hugging Face models in LangChain!Exercise 4: Prompt templates Exercise 5: Prompt templates and chaining Exercise 6: Chat prompt templates Exercise 7: Few-shot prompting Exercise 8: Creating the few-shot example set Exercise 9: Building the few-shot prompt template Exercise 10: Implementing 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: 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

Esercizio in corso

Exercise 12: Creare una chain RAG Exercise 13: Conclusione!