Dowiedz się, jak integrować zewnętrzne źródła danych z modelami czatu przy użyciu LangChain. Naucz się ładować, dzielić, osadzać, przechowywać i pobierać dane na potrzeby aplikacji LLM.

Wczytywanie dokumentów do RAG z LangChain

Wczytywanie plików PDF do RAG

Wczytywanie plików HTML do RAG

Podział tekstu, osadzenia i przechowywanie wektorów

Pierwsze kroki z podziałem tekstu

Rekurencyjne dzielenie dokumentów

Osadzanie i przechowywanie dokumentów

Tworzenie łańcucha pobierania danych LCEL

Tworzenie promptu do pobierania danych

Budowanie łańcucha wyszukiwania

Tworzenie aplikacji RAG z LangChain

Poznaj najnowocześniejsze techniki ładowania, dzielenia i pobierania dokumentów — w tym ładowanie plików Pythona, semantyczne dzielenie tekstu oraz metody pobierania MRR i self-query. Naucz się oceniać architekturę RAG za pomocą solidnych metryk i narzędzi ewaluacyjnych.

Wczytywanie i dzielenie plików z kodem

Wczytywanie plików z kodem

Podział plików Python

Zaawansowane metody podziału

Podział według tokenów

Podział semantyczny

Optymalizacja wyszukiwania dokumentów

Opcje

Rzadkie (Sparse)

Gęste (Dense)

Wyszukiwanie rzadkie a gęste

Zrozumieć BM25

Rzadkie wyszukiwanie z BM25

Wprowadzenie do ewaluacji RAG

Ewaluacja context precision za pomocą Ragas

Ocena wierności przy użyciu Ragas

Ewaluacja łańcuchów tekstowych

Ulepszanie architektury RAG

Dowiedz się, jak grafowe bazy danych i pobieranie oparte na grafach pozwalają pokonać ograniczenia tradycyjnego przechowywania i wyszukiwania wektorowego.

Od wektorów do grafów

Tworzenie dokumentów grafowych

Poznaj grafy

Przechowywanie i wyszukiwanie dokumentów

Budowanie bazy danych grafu

Odpytywanie bazy danych grafu

Tworzenie łańcucha Graph RAG

Podróż przez system Graph RAG

Łańcuch w stylu Graph RAG!

Ulepszanie wyszukiwania w grafie

Graph RAG z filtrowaniem

Walidacja zapytań Cypher

Tworzenie promptu few-shot dla Cypher

Gratulacje!

Wprowadzenie do Graph RAG

RAG Academic Paper PDF

RAG Workflow Python File

LangChain README Markdown

Chatbot Python File

DataCamp Blog HTML

Duże modele językowe (LLM) są coraz powszechniej integrowane z komputerami, telefonami i aplikacjami, ale mają jedną istotną słabość: ich wiedza ogranicza się do danych treningowych, których aktualizacja jest powolna i kosztowna. Z pomocą przychodzi Retrieval Augmented Generation (RAG)! RAG pozwala wzbogacać odpowiedzi modeli LLM o dane zewnętrzne. W tym kursie poznasz najnowocześniejsze techniki ładowania, przetwarzania i pobierania zewnętrznych danych dla modeli LLM. Nauczysz się korzystać z wektorowych baz danych, najnowszych modeli LLM oraz frameworku LangChain, aby tworzyć aplikacje RAG. Kurs kończy się rozdziałem poświęconym Graph RAG — wariantowi tradycyjnego RAG, który do niezawodnego pobierania danych wykorzystuje grafowe bazy danych.

<h2>Twórz systemy RAG z LangChain</h2>Retrieval Augmented Generation (RAG) to technika stosowana do przezwyciężenia jednego z głównych ograniczeń dużych modeli językowych (LLM): ich ograniczonej wiedzy. Systemy RAG integrują dane zewnętrzne z różnych źródeł do LLM-ów. Łączenie wielu różnych systemów to zwykle żmudny proces, ale LangChain sprawia, że to pestka!<br><br><h2>Poznaj najnowocześniejsze metody dzielenia i wyszukiwania</h2>Ulepsz swoją architekturę RAG! Nauczysz się, jak wczytywać i dzielić pliki z kodem, w tym pliki Python i Markdown, aby podziały były „świadome” składni kodu. Podzielisz swoje dokumenty za pomocą tokenów zamiast znaków, aby mieć pewność, że pobrane dokumenty pozostaną w oknie kontekstu Twojego modelu. Dowiedz się, jak dzielenie semantyczne może pomóc zachować kontekst, wykrywając momenty, w których zmienia się temat w tekście, i dzieląc go w tych punktach. Wreszcie naucz się solidnie oceniać swoją architekturę RAG za pomocą LangSmith i Ragas.<br><br><h2>Odkryj architekturę Graph RAG</h2>Odwróć swoją architekturę RAG do góry nogami i odkryj, jak systemy RAG oparte na grafach, a nie na wektorach, mogą poprawić rozumienie encji i relacji w Twoich dokumentach. Nauczysz się, jak przekształcać nieustrukturyzowane dane tekstowe w grafy za pomocą LLM-ów, aby wykonać tę transformację! Następnie zapiszesz te dokumenty grafowe w bazie danych grafowej Neo4j i zintegrujesz ją z szerszym systemem RAG, aby ukończyć aplikację.

Developing LLM Applications with LangChain

Poznaj nowoczesne metody integracji danych zewnętrznych z LLM za pomocą RAG i LangChain.

Retrieval Augmented Generation (RAG) z LangChain

Poznaj nowoczesne metody integracji danych zewnętrznych z LLM-ami za pomocą Retrieval Augmented Generation (RAG) z LangChain.

Tworzenie aplikacji z LangChain

Podział plików Python

Retrieval Augmented Generation (RAG) z LangChain

Instrukcje do ćwiczenia

Interaktywne ćwiczenie praktyczne