Criação de prompts para cadeias sequenciais

Nos próximos exercícios, você trabalhará para criar um sistema para ajudar as pessoas a aprenderem novas habilidades. Esse sistema precisa ser construído sequencialmente, para que os alunos possam modificar os planos com base em suas preferências e restrições. Você utilizará suas habilidades do LangChain LCEL para criar uma cadeia sequencial para construir esse sistema, e a primeira etapa é projetar os modelos de prompt que serão usados por esse sistema.

Este exercício faz parte do curso

Desenvolvimento de aplicativos LLM com LangChain

Instruções do exercício

Crie um modelo de prompt chamado learning_prompt que recebe uma entrada "activity" e cria um plano de aprendizado.
Crie um modelo de prompt chamado time_prompt que recebe uma entrada "learning_plan" e a modifica para caber em uma semana.
Invoque o learning_prompt com uma atividade de sua escolha (tente "play golf" se você estiver com dificuldades para ter ideias).

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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": "____"}))

Editar e executar o código

Este exercício faz parte do curso

Desenvolvimento de aplicativos LLM com LangChain

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Bem-vindo à estrutura LangChain para criar aplicativos em LLMs! Você aprenderá sobre os principais componentes do LangChain, incluindo modelos, cadeias, agentes, prompts e analisadores. Você criará chatbots usando modelos de código aberto da Hugging Face e modelos proprietários da OpenAI, criará modelos de prompt e integrará diferentes estratégias de memória do chatbot para gerenciar o contexto e os recursos durante as conversas.

Exercise 1: O ecossistema LangChain Exercise 2: Modelos OpenAI em LangChain!Exercise 3: Modelos de rosto abraçados em LangChain!Exercise 4: Modelos de prompts Exercise 5: Modelos de prompts e encadeamento Exercise 6: Modelos de prompt de bate-papo Exercise 7: Prompts com poucos exemplos (few-shot)Exercise 8: Criando o conjunto de exemplos de poucas fotos Exercise 9: Criação do modelo de prompt de poucos disparos Exercise 10: Implementação de solicitações de poucos disparos

É hora de aumentar o nível de suas cadeias LangChain! Você aprenderá a usar a LangChain Expression Language (LCEL) para definir cadeias com maior flexibilidade. Você criará cadeias sequenciais, nas quais as entradas são passadas entre os componentes para criar aplicativos mais avançados. Você também começará a integrar agentes, que usam LLMs para tomar decisões.

Exercise 1: Cadeias sequenciais Exercise 2: Criação de prompts para cadeias sequenciais

Exercício atual

Exercise 3: Cadeias sequenciais com LCEL Exercise 4: Introdução aos agentes LangChain Exercise 5: O que é um agente?Exercise 6: Agentes ReAct Exercise 7: Ferramentas personalizadas para agentes Exercise 8: Definição de uma função para uso da ferramenta Exercise 9: Criação de ferramentas personalizadas Exercise 10: Integração de ferramentas personalizadas com agentes

Uma limitação dos LLMs é que eles têm um limite de conhecimento devido ao fato de serem treinados em dados até um determinado ponto. Neste capítulo, você aprenderá a criar aplicativos que usam o Retrieval Augmented Generation (RAG) para integrar dados externos aos LLMs. O fluxo de trabalho do RAG contém alguns processos diferentes, incluindo a divisão de dados, a criação e o armazenamento das incorporações usando um banco de dados vetorial e a recuperação das informações mais relevantes para uso no aplicativo. Você aprenderá a dominar todo o fluxo de trabalho!

Exercise 1: Integração de carregadores de documentos Exercise 2: PDF carregadores de documentos Exercise 3: CSV carregadores de documentos Exercise 4: HTML carregadores de documentos Exercise 5: Divisão de dados externos para recuperação Exercise 6: Divisão por caractere Exercise 7: Divisão recursiva por caractere Exercise 8: Divisão HTML Exercise 9: RAG armazenamento e recuperação usando bancos de dados vetoriais Exercise 10: Preparação dos documentos e do banco de dados vetorial Exercise 11: Criação de um modelo de solicitação de recuperação Exercise 12: Criando uma cadeia RAG Exercise 13: Conclusão!