Discover how to integrate external data sources into chat models with LangChain. Learn how to load, split, embed, store, and retrieve data for use in LLM applications.

Loading Documents for RAG with LangChain

Loading PDF files for RAG

Loading HTML files for RAG

Text splitting, embeddings, and vector storage

Getting started with text splitting

Recursively splitting documents

Embedding and storing documents

Building an LCEL retrieval chain

Creating the retrieval prompt

Building the retrieval chain

Building RAG Applications with LangChain

Discover state-of-the-art techniques for loading, splitting, and retrieving documents, including loading Python files, splitting semantically, and using MRR and self-query retrieval methods. Learn to evaluate your RAG architecture using robust metrics and frameworks.

Loading and splitting code files

Loading code files

Splitting Python files

Advanced splitting methods

Splitting by tokens

Splitting semantically

Optimizing document retrieval

Sparse vs. dense retrieval

Understanding BM25

Sparse retrieval with BM25

Introduction to RAG evaluation

Ragas context precision evaluation

Ragas faithfulness evaluation

String evaluation

Improving the RAG Architecture

Discover how graph databases and retrieval can overcome some of the limitations of traditional vector-based storage and retrieval.

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

Processo do 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!

Introduction to 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.

Parabéns!

Create Your Free Account