HTML carregadores de documentos

É possível carregar documentos de vários formatos diferentes, inclusive formatos complexos como HTML.

Neste exercício, você carregará um arquivo HTML que contém uma ordem executiva da Casa Branca.

Este exercício faz parte do curso

Desenvolvimento de aplicativos LLM com LangChain

Ver Curso

Instruções de exercício

Use a classe UnstructuredHTMLLoader para carregar o arquivo white_house_executive_order_nov_2023.html no diretório atual.
Carregue os documentos na memória.
Imprimir o primeiro documento.
Imprimir os metadados do primeiro documento.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

from langchain_community.document_loaders import UnstructuredHTMLLoader

# Create a document loader for unstructured HTML
loader = ____

# Load the document
data = ____

# Print the first document
print(____)

# Print the first document's metadata
print(____)

Editar e executar código

Este exercício faz parte do curso

Desenvolvimento de aplicativos LLM com LangChain

IntermediárioNível de habilidade

4.8+

529 reviews

Iniciar curso gratuitamente

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 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

Exercício atual

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!