Aprenda a integrar fontes de dados externas a modelos de chat com LangChain. Veja como carregar, dividir, gerar embeddings, armazenar e recuperar dados para uso em aplicações com LLMs.

Carregando documentos para RAG com LangChain

Carregando arquivos PDF para RAG

Carregando arquivos HTML para RAG

Divisão de texto, embeddings e armazenamento vetorial

Primeiros passos com divisão de texto

Dividindo documentos recursivamente

Gerando embeddings e armazenando documentos

Criando uma cadeia de recuperação com LCEL

Criando o prompt de recuperação

Construindo a retrieval chain

Criando aplicações RAG com LangChain

Conheça técnicas de ponta para carregar, dividir e recuperar documentos, incluindo carregar arquivos Python, fazer divisão semântica e usar métodos de recuperação MRR e self-query. Aprenda a avaliar sua arquitetura RAG com métricas e frameworks robustos.

Carregando e dividindo arquivos de código

Carregando arquivos de código

Dividindo arquivos Python

Métodos avançados de divisão

Dividindo por tokens

Dividindo semanticamente

Otimizando a recuperação de documentos

Opções

Esparsa

Densa

Recuperação esparsa vs. densa

Entendendo o BM25

Recuperação esparsa com BM25

Introdução à avaliação de RAG

Avaliação de context precision com Ragas

Avaliação de fidelity com Ragas

Avaliação de strings

Aprimorando a arquitetura RAG

Entenda como bancos de dados em grafo e a recuperação baseada em grafos podem superar algumas limitações do armazenamento e da busca tradicionais baseados em vetores.

Dos vetores aos grafos

Criando documentos de grafo

Conhecendo grafos

Armazenando e consultando documentos

Construindo seu banco de dados de grafos

Consultando seu banco de dados de grafo

Criando a cadeia de Graph RAG

Uma jornada pelo sistema Graph RAG

Encadeando, no estilo Graph RAG!

Aprimorando a recuperação no grafo

Graph RAG com filtragem

Validando consultas Cypher

Criando um prompt few-shot para Cypher

Parabéns!

Introdução ao Graph RAG

RAG Academic Paper PDF

DataCamp Blog HTML

LangChain README Markdown

Chatbot Python File

RAG Workflow Python File

Large Language Models (LLMs) estão sendo integrados a computadores, celulares e aplicativos, mas têm uma limitação: seu conhecimento depende dos dados de treinamento, que são lentos e caros para atualizar. Entra em cena o Retrieval Augmented Generation (RAG)! O RAG permite integrar dados externos aos LLMs. Neste curso, você vai aprender técnicas de ponta para carregar, processar e recuperar dados externos para LLMs! Você vai utilizar bancos de dados vetoriais, os LLMs mais recentes, incluindo o GPT-4o-Mini, e o framework LangChain para criar aplicações de RAG. O curso termina com um capítulo sobre Graph RAG, uma variação do RAG tradicional que usa bancos de dados em grafo para uma recuperação de dados mais confiável.

<h2>Crie sistemas RAG com o LangChain</h2>A Retrieval Augmented Generation (RAG) é uma técnica usada para superar uma das principais limitações dos grandes modelos de linguagem (LLMs): seu conhecimento limitado. Os sistemas RAG juntam dados externos de várias fontes nos LLMs. Esse processo de conectar vários sistemas diferentes costuma ser chato, mas o LangChain facilita tudo!<br><br><h2>Aprenda os métodos mais modernos de divisão e recuperação</h2>Melhore sua arquitetura RAG! Você vai aprender a carregar e dividir arquivos de código, incluindo arquivos Python e Markdown, pra garantir que as divisões “reconheçam” a sintaxe do código. Você vai dividir seus documentos usando tokens em vez de caracteres pra garantir que os documentos recuperados fiquem dentro da janela de contexto do seu modelo. Descubra como a divisão semântica pode ajudar a manter o contexto, detectando quando o assunto no texto muda e dividindo nesses pontos. Por fim, aprenda a avaliar sua arquitetura RAG de forma robusta com LangSmith e Ragas.<br><br><h2>Conheça a arquitetura Graph RAG</h2>Dá uma virada na sua arquitetura RAG e descobre como os sistemas RAG baseados em gráficos, em vez de vetores, podem melhorar a compreensão do seu sistema sobre as entidades e relações nos seus documentos. Você vai aprender a transformar dados de texto não estruturados em gráficos usando LLMs para fazer a tradução! Depois, você vai guardar esses documentos gráficos em um banco de dados gráfico Neo4j e integrá-los a um sistema RAG mais amplo para terminar o aplicativo.

Developing LLM Applications with LangChain

Aprenda métodos avançados para integrar dados externos com LLMs usando RAG com LangChain.

Retrieval Augmented Generation (RAG) com LangChain

Aprenda métodos de ponta para integrar dados externos com LLMs usando Retrieval Augmented Generation (RAG) com LangChain.

Desenvolvimento de aplicativos com LangChain

A maioria dos elementos do vetor é diferente de zero

Recuperação esparsa vs. densa

Retrieval Augmented Generation (RAG) com LangChain

exercicio interativo prático