Boas-vindas ao framework LangChain para criação de aplicativos em LLMs! Você vai aprender sobre os principais componentes do LangChain, incluindo modelos, cadeias, agentes, prompts e analisadores. Você vai criar chatbots usando modelos de código aberto do Hugging Face e modelos próprios da OpenAI, criar modelos de prompts e integrar diferentes estratégias de memória de chatbot para gerenciar o contexto e os recursos durante as conversas.

O ecossistema LangChain

Modelos da OpenAI no LangChain!

Modelos do Hugging Face no LangChain!

Modelos de prompt

Modelos de prompt e encadeamento

Modelos de prompt de chat

Prompts com poucos exemplos (few-shot)

Criação do conjunto de exemplos few-shot

Criação do modelo de prompt com poucos exemplos

Implementação de prompts com poucos exemplos

Introdução ao LangChain e à mecânica de chatbot

Hora de melhorar suas cadeias do LangChain! Você vai aprender a usar a LangChain Expression Language (LCEL) para definir cadeias com mais flexibilidade. Você vai criar cadeias sequenciais, onde as entradas são passadas entre os componentes para criar aplicativos mais avançados. Você também vai começar a integrar agentes, que usam LLMs para tomar decisões.

Cadeias sequenciais

Criação de prompts para cadeias sequenciais

Cadeias sequenciais com LCEL

Introdução aos agentes do LangChain

O que é um agente?

Agentes ReAct

Ferramentas personalizadas para agentes

Definir uma função para o uso de ferramentas

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, porque são treinados com dados até um certo ponto. Neste capítulo, você vai aprender a criar aplicativos que usam Retrieval Augmented Generation (RAG) para integrar dados externos com LLMs. O fluxo de trabalho do RAG tem alguns processos diferentes, como dividir dados, criar e armazenar embeddings usando um banco de dados vetorial e recuperar as informações mais relevantes para usar no aplicativo. Você vai aprender a dominar todo o fluxo de trabalho!

Integração de carregadores de documentos

Carregadores de documentos PDF

Carregadores de documentos CSV

Carregadores de documentos HTML

Divisão de dados externos para recuperação

Divisão por caractere

Dividir recursivamente por caractere

Divisão de HTML

Armazenamento e recuperação em RAG usando bancos de dados vetoriais

Preparação dos documentos e do banco de dados vetorial

Criação de um modelo de prompt de recuperação

Criação de uma cadeia RAG

Conclusão

Retrieval Augmented Generation (RAG)

Revolucione seus aplicativos aproveitando o poder do framework LangChain para criar aplicativos baseados em grandes modelos de linguagem (LLMs)! Um dos maiores desafios para desenvolver aplicativos na era da IA generativa é integrar modelos, fontes de dados, prompts e outros componentes de diferentes fornecedores em um único aplicativo. O framework LangChain oferece uma sintaxe unificada para juntar todas essas peças, permitindo que você integre LLMs de forma mais fácil nos seus projetos. Seja você um desenvolvedor experiente ou alguém que está apenas começando, este curso oferece o conhecimento e as habilidades necessários para criar aplicativos dinâmicos e inteligentes que aproveitam os recursos ilimitados do LangChain. Participe desta jornada transformadora e redefina a forma como você cria aplicativos baseados em 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 de LLM com LangChain

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

Associate AI Engineer para desenvolvedores

Desenvolvimento de aplicativos de IA

Desenvolvimento de aplicativos com LangChain

AI Engineer & LangChain Contributor

Armazenamento e recuperação em RAG usando bancos vetoriais

Etapas de desenvolvimento do RAG

O que é um banco de dados vetorial e qual o seu uso?

Qual banco de dados vetorial devo usar?

Conheça os documentos...

Criando um banco de dados vetorial Chroma

Criando um modelo de prompt

Juntando tudo!

Vamos praticar!

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

Retrieval Augmented Generation (RAG) - Armazenamento e recuperação em RAG usando bancos de dados vetoriais

Armazenamento e recuperação em RAG usando bancos de dados vetoriais

Create Your Free Account