Prompts bouwen voor sequentiële chains

In de komende oefeningen bouw je een systeem dat mensen helpt nieuwe vaardigheden te leren. Dit systeem moet sequentieel worden opgebouwd, zodat leerlingen plannen kunnen aanpassen op basis van hun voorkeuren en beperkingen. Je zet je LangChain LCEL-vaardigheden in om een sequentiële chain te maken voor dit systeem, en de eerste stap is het ontwerpen van de prompttemplates die door dit systeem worden gebruikt.

Deze oefening maakt deel uit van de cursus

LLM-toepassingen ontwikkelen met LangChain

Cursus bekijken

Oefeninstructies

Maak een prompttemplate met de naam learning_prompt die een input "activity" aanneemt en een leerplan maakt.
Maak een prompttemplate met de naam time_prompt die een input "learning_plan" aanneemt en dit aanpast zodat het binnen één week past.
Roep de learning_prompt aan met een activiteit naar keuze (probeer "play golf" als je geen inspiratie hebt).

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Create a prompt template that takes an input activity
learning_prompt = PromptTemplate(
    input_variables=["____"],
    template="I want to learn how to {activity}. Can you suggest how I can learn this step-by-step?"
)

# Create a prompt template that places a time constraint on the output
time_prompt = PromptTemplate(
    ____,
    template="I only have one week. Can you create a plan to help me hit this goal: {learning_plan}."
)

# Invoke the learning_prompt with an activity
print(learning_prompt.____({"activity": "____"}))

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

LLM-toepassingen ontwikkelen met LangChain

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus 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: Sequentiële chains Exercise 2: Prompts bouwen voor sequentiële chains

Huidige oefening

Exercise 3: Sequentiële chains met LCEL Exercise 4: Introductie tot LangChain-agents Exercise 5: Wat is een agent?Exercise 6: ReAct-agents Exercise 7: Aangepaste tools voor agents Exercise 8: Een functie definiëren voor toolgebruik Exercise 9: Eigen tools maken Exercise 10: Aangepaste tools integreren met 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!