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.

O ecossistema LangChain

Modelos OpenAI em LangChain!

Modelos de rosto abraçados em LangChain!

Modelos de prompts

Modelos de prompts e encadeamento

Modelos de prompt de bate-papo

Prompts com poucos exemplos (few-shot)

Criando o conjunto de exemplos de poucas fotos

Criação do modelo de prompt de poucos disparos

Implementação de solicitações de poucos disparos

Introdução à mecânica de LangChain e Chatbot

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.

Cadeias sequenciais

Criação de prompts para cadeias sequenciais

Cadeias sequenciais com LCEL

Introdução aos agentes LangChain

O que é um agente?

Agentes ReAct

Ferramentas personalizadas para agentes

Definição de uma função para uso da ferramenta

Criação de ferramentas personalizadas

Integração de ferramentas personalizadas com agentes

Cadeias e 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!

Integração de carregadores de documentos

PDF carregadores de documentos

CSV carregadores de documentos

HTML carregadores de documentos

Divisão de dados externos para recuperação

Divisão por caractere

Divisão recursiva por caractere

Divisão HTML

RAG armazenamento e recuperação usando bancos de dados vetoriais

Preparação dos documentos e do banco de dados vetorial

Criação de um modelo de solicitação de recuperação

Criando uma cadeia RAG

Conclusão!

Geração Aumentada de Recuperação (RAG)

Revolucione seus aplicativos aproveitando o poder da estrutura LangChain para criar aplicativos baseados em grandes modelos de linguagem (LLMs)! Um dos principais desafios para o desenvolvimento de aplicativos na era da IA generativa é a integração de modelos, fontes de dados, prompts e outros componentes de diferentes provedores em um único aplicativo. A estrutura do LangChain oferece uma sintaxe única e unificada para reunir todas essas peças, permitindo que você integre os LLMs de forma mais perfeita aos seus projetos. Quer você seja um desenvolvedor experiente ou esteja apenas começando, este curso o equipará com o conhecimento e as habilidades para criar aplicativos dinâmicos e inteligentes que aproveitem os recursos ilimitados da LangChain. Junte-se a nós nessa jornada transformadora e redefina a forma como você cria aplicativos alimentados por modelos de linguagem.

<h2>Base para o desenvolvimento no ecossistema LangChain</h2>
Aumente seu kit de ferramentas LLM com o ecossistema da LangChain, permitindo uma integração perfeita com os modelos OpenAI e Hugging Face.  Descubra uma estrutura de código aberto que otimiza os aplicativos do mundo real e permite que você crie sistemas sofisticados de recuperação de informações exclusivos para o seu caso de uso.<br><br>
<h2>Metodologias de criação de chatbot usando LangChain</h2>
Utilize as ferramentas LangChain para desenvolver chatbots, comparando as nuances entre os modelos de código aberto da HuggingFace e os modelos de código fechado da OpenAI. Utilize modelos prontos para conversas complexas, estabelecendo as bases para o desenvolvimento avançado do chatbot.<br><br>
<h2>Manuseio de dados e geração de aumento de recuperação (RAG) usando LangChain</h2>
Domine a tokenização e os bancos de dados vetoriais para otimizar a recuperação de dados, enriquecendo as interações do chatbot com uma grande quantidade de informações externas.  Utilize as funções de memória do RAG para otimizar diversos casos de uso.<br><br>
<h2>Integrações avançadas de cadeias, ferramentas e agentes</h2>
Utilize o poder das cadeias, das ferramentas, dos agentes, das APIs e da tomada de decisões inteligente para lidar com casos de uso completos de ponta a ponta e com o tratamento avançado de saída LLM.<br><br>
<h2>Depuração e métricas de desempenho</h2>
Por fim, torne-se proficiente em depuração, otimização e avaliação de desempenho, garantindo que seus chatbots sejam desenvolvidos para lidar com erros.  Adicione camadas de transparência para solução de problemas.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

Descubra como criar aplicativos com IA usando LLMs, prompts, cadeias e agentes no LangChain.

Desenvolvimento de aplicativos LLM com LangChain

Engenheiro associado de IA para desenvolvedores

Desenvolvimento de aplicativos de IA

Desenvolvimento de aplicativos com LangChain

AI Engineer & LangChain Contributor

RAG storage and retrieval using vector databases

RAG development steps

What is a vector database and why do I need it?

Which vector database should I use?

Meet the documents...

Setting up a Chroma vector database

Building a prompt template

Chaining it all together!

Let's practice!

https://s3.amazonaws.com/assets.datacamp.com/production/course_37100/subtitles/course_37100_98f22d533bd476ad9c8724ec5ae04d19.vtt

Geração Aumentada de Recuperação (RAG) - RAG armazenamento e recuperação usando bancos de dados vetoriais