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.

Caricare documenti per il RAG con LangChain

Caricare file PDF per RAG

Caricare file HTML per RAG

Suddivisione del testo, embedding e archiviazione vettoriale

Prime mosse con la suddivisione del testo

Suddividere i documenti in modo ricorsivo

Creare embedding e archiviare i documenti

Creare una retrieval chain con LCEL

Creare il prompt di retrieval

Costruire la 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.

From vectors to graphs

Creating graph documents

Getting to know graphs

Storing and querying documents

Building-up your graph database

Querying your graph database

Creating the Graph RAG chain

A journey through the Graph RAG system

Chaining, Graph RAG style!

Improving graph retrieval

Graph RAG with filtering

Validating Cypher queries

Creating a Cypher few-shot prompt

Congratulations!

Introduction to Graph RAG

RAG Academic Paper PDF

DataCamp Blog HTML

LangChain README Markdown

Chatbot Python File

RAG Workflow Python File

I Large Language Models (LLM) sono sempre più integrati in computer, smartphone e applicazioni software, ma hanno un limite: la loro conoscenza dipende dai dati di addestramento, che sono lenti e costosi da aggiornare. Entra in gioco la Retrieval Augmented Generation (RAG)! RAG ti permette di integrare dati esterni con gli LLM. In questo corso imparerai le tecniche allo stato dell’arte per caricare, elaborare e recuperare dati esterni per gli LLM! Userai database vettoriali, gli LLM più recenti, tra cui GPT-4o-Mini, e il framework LangChain per creare applicazioni RAG. Il corso si conclude con un capitolo su Graph RAG, una variante del RAG tradizionale che utilizza database a grafo per un recupero dei dati più affidabile.

<h2>Costruisci sistemi RAG con LangChain</h2>Il Retrieval Augmented Generation (RAG) è un modo per risolvere uno dei problemi principali dei modelli linguistici di grandi dimensioni (LLM): il fatto che non sanno tutto. I sistemi RAG mettono insieme dati esterni da un sacco di fonti diverse nei modelli di linguaggio grande (LLM). Questo processo di collegamento di più sistemi diversi di solito è noioso, ma LangChain lo rende un gioco da ragazzi!<br><br><h2>Scopri i metodi più avanzati di suddivisione e recupero</h2>Migliora la tua architettura RAG! Imparerai come caricare e dividere i file di codice, compresi quelli Python e Markdown, per assicurarti che le divisioni "riconoscano" la sintassi del codice. Dividerai i tuoi documenti usando token invece che caratteri per assicurarti che i documenti recuperati rimangano nella finestra di contesto del tuo modello. Scopri come la divisione semantica può aiutarti a mantenere il contesto, individuando i punti in cui cambia l'argomento nel testo e dividendo il testo in questi punti. Infine, impara a valutare bene la tua architettura RAG con LangSmith e Ragas.<br><br><h2>Scopri l'architettura Graph RAG</h2>Ribalta la tua architettura RAG e scopri come i sistemi RAG basati su grafici, invece che su vettori, possono migliorare la comprensione del tuo sistema delle entità e delle relazioni nei tuoi documenti. Imparerai come trasformare dati di testo non strutturati in grafici usando gli LLM per fare la traduzione! Poi, salverai questi documenti grafici in un database grafico Neo4j e li integrerai in un sistema RAG più ampio per completare l'applicazione.

Developing LLM Applications with LangChain

Scopri metodi avanzati per integrare dati esterni con LLM usando RAG con LangChain.

Retrieval Augmented Generation (RAG) con LangChain

Scopri i metodi più innovativi per integrare dati esterni con gli LLM usando Retrieval Augmented Generation (RAG) con LangChain.

Creare una retrieval chain con LCEL

Create Your Free Account