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.

The LangChain ecosystem

OpenAI models in LangChain!

Hugging Face models in LangChain!

Prompt templates

Prompt templates and chaining

Chat prompt templates

Few-shot prompting

Creating the few-shot example set

Building the few-shot prompt template

Implementing few-shot prompting

Introduction to LangChain & Chatbot Mechanics

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.

Sequential chains

Building prompts for sequential chains

Sequential chains with LCEL

Introduction to LangChain agents

What's an agent?

ReAct agents

Custom tools for agents

Defining a function for tool use

Creating custom tools

Integrating custom tools with agents

Chains and 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!

Documentloaders integreren

PDF-documentloaders

CSV-documentloaders

HTML-documentloaders

Externe data splitsen voor retrieval

Splitsen op teken

Recursief splitsen op teken

HTML splitsen

RAG-opslag en -opvraging met vectordatabases

De documenten en de vector database voorbereiden

Een retrieval-prompt-template bouwen

Een RAG-chain maken

Afronding!

Retrieval Augmented Generation (RAG)

Vernieuw je applicaties met de kracht van het LangChain-framework voor het bouwen van toepassingen op basis van large language models (LLM’s)! Een van de grootste uitdagingen bij het ontwikkelen in het tijdperk van generative AI is het samenbrengen van modellen, gegevensbronnen, prompts en andere componenten van verschillende aanbieders in één applicatie. Het LangChain-framework biedt één uniforme syntaxis om al deze onderdelen te koppelen, zodat je LLM’s naadloos kunt integreren in je projecten. Of je nu een ervaren ontwikkelaar bent of net begint, deze cursus geeft je de kennis en vaardigheden om dynamische en slimme applicaties te bouwen die de ongekende mogelijkheden van LangChain benutten. Ga met ons mee op deze leerreis en geef een nieuwe draai aan hoe je applicaties bouwt die worden aangestuurd door taalmodellen.

De video’s bevatten live-transcripten die je kunt tonen via "Show transcript" linksonder in de video’s.
De begrippenlijst van de cursus vind je rechts bij de sectie met bronnen.
Om CPE-credits te behalen, moet je de cursus afronden en minimaal 70% scoren op de kwalificerende toets. Je kunt naar de toets navigeren door rechts op de callout voor CPE-credits te klikken.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

Ontdek hoe je AI-apps bouwt met LLM's, prompts, ketens en agents in LangChain.

LLM-toepassingen ontwikkelen met LangChain

Ontdek hoe je AI-gedreven applicaties bouwt met behulp van LLM's, prompts, ketens en agents in LangChain.

Associate AI Engineer voor ontwikkelaars

AI-toepassingen ontwikkelen

Apps maken met LangChain

HTML-documentloaders

LLM-toepassingen ontwikkelen met LangChain

Oefeninstructies

Praktische interactieve oefening