Een retrieval-prompt-template bouwen

Nu je documenten zijn ingeladen in de vectordatabase en klaar zijn om op te halen, moet je een chat-prompt-template ontwerpen die de opgehaalde documentfragmenten combineert met de vraag van de gebruiker.

De algemene structuur van de prompt is al gegeven; jouw doel is om de juiste inputvariabele-placeholders in de string message te zetten en de string om te zetten naar een chat-prompt-template.

Deze oefening maakt deel uit van de cursus

LLM-toepassingen ontwikkelen met LangChain

Cursus bekijken

Oefeninstructies

Maak de message-string af door een placeholder toe te voegen voor de dynamische invoeging van de opgehaalde documenten context en de gebruikersvraag question.
Maak een chat-prompt-template van message met de methode .from_messages() en de rol "human".

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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([("____", ____)])

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: 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: Documentloaders integreren Exercise 2: PDF-documentloaders Exercise 3: CSV-documentloaders Exercise 4: HTML-documentloaders Exercise 5: Externe data splitsen voor retrieval Exercise 6: Splitsen op teken Exercise 7: Recursief splitsen op teken Exercise 8: HTML splitsen Exercise 9: RAG-opslag en -opvraging met vectordatabases Exercise 10: De documenten en de vector database voorbereiden Exercise 11: Een retrieval-prompt-template bouwen

Huidige oefening

Exercise 12: Een RAG-chain maken Exercise 13: Afronding!