Bun venit în framework-ul LangChain pentru construirea de aplicații pe baza LLM-urilor! Vei învăța despre principalele componente ale LangChain, inclusiv modele, lanțuri, agenți, prompt-uri și parsere. Vei crea chatbot-uri folosind atât modele open-source de la Hugging Face, cât și modele proprietare de la OpenAI, vei crea șabloane de prompt și vei integra diferite strategii de memorie pentru chatbot-uri, în vederea gestionării contextului și a resurselor în cadrul conversațiilor.

Ecosistemul LangChain

Modele OpenAI în LangChain!

Modele Hugging Face în LangChain!

Șabloane de prompturi

Șabloane de prompt și înlănțuire

Șabloane de prompt pentru chat

Prompting cu exemple

Crearea setului de exemple pentru few-shot prompting

Construirea șablonului de prompt cu few-shot

Implementarea few-shot prompting

Introducere în LangChain și mecanica chatbot-urilor

Este momentul să treci la nivelul următor cu lanțurile LangChain! Vei învăța să folosești LangChain Expression Language (LCEL) pentru a defini lanțuri cu mai multă flexibilitate. Vei crea lanțuri secvențiale, în care datele de intrare sunt transmise între componente pentru a construi aplicații mai avansate. De asemenea, vei începe să integrezi agenți, care utilizează LLM-uri pentru luarea deciziilor.

Lanțuri secvențiale

Construirea prompturilor pentru lanțuri secvențiale

Lanțuri secvențiale cu LCEL

Introducere în agenții LangChain

Ce este un agent?

Agenți ReAct

Instrumente personalizate pentru agenți

Definirea unei funcții pentru utilizarea unui instrument

Crearea de instrumente personalizate

Integrarea instrumentelor personalizate cu agenți

Lanțuri și agenți

O limitare a LLM-urilor este că au o dată-limită a cunoștințelor, deoarece sunt antrenate pe date până la un anumit moment. În acest capitol, vei învăța să creezi aplicații care utilizează Retrieval Augmented Generation (RAG) pentru a integra date externe cu LLM-uri. Fluxul de lucru RAG include câteva procese distincte: divizarea datelor, crearea și stocarea embedding-urilor într-o bază de date vectorială și recuperarea celor mai relevante informații pentru utilizarea în aplicație. Vei învăța să stăpânești întregul flux de lucru!

Integrarea încărcătoarelor de documente

Încărcătoare de documente PDF

Încărcătoare de documente CSV

Loadere pentru documente HTML

Împărțirea datelor externe pentru regăsire

Împărțire după caracter

Împărțirea recursivă după caractere

Divizarea HTML

Stocarea și regăsirea RAG cu baze de date vectoriale

Pregătirea documentelor și a bazei de date vectoriale

Construirea unui șablon de prompt pentru regăsire

Crearea unui lanț RAG

Rezumat!

Retrieval Augmented Generation (RAG)

Revoluționează-ți aplicațiile folosind puterea framework-ului LangChain pentru a crea aplicații bazate pe modele de limbaj de mari dimensiuni (LLM)! Una dintre principalele provocări în dezvoltarea aplicațiilor în era AI generativ este integrarea modelelor, surselor de date, prompt-urilor și a altor componente de la diferiți furnizori într-o singură aplicație. Framework-ul LangChain oferă o sintaxă unificată pentru a combina toate aceste elemente, permițându-ți să integrezi LLM-uri mai ușor în proiectele tale. Indiferent dacă ești un dezvoltator experimentat sau abia la început, acest curs îți va oferi cunoștințele și abilitățile necesare pentru a construi aplicații dinamice și inteligente care valorifică posibilitățile LangChain. Alătură-te acestei călătorii și redefinește modul în care creezi aplicații bazate pe modele de limbaj.

Videourile conțin transcrieri live pe care le poți afișa făcând clic pe „Show transcript" în partea stângă jos a videoclipurilor.
Glosarul cursului se găsește în dreapta, în secțiunea de resurse.
Pentru a obține credite CPE, trebuie să finalizezi cursul și să obții un scor de 70% la evaluarea calificată. Poți naviga la evaluare făcând clic pe notificarea CPE credits din dreapta.

<h2>Fundamente pentru dezvoltarea în ecosistemul LangChain</h2>
Îmbogățește-ți setul de instrumente pentru LLM-uri cu ecosistemul LangChain, permițând integrarea fără probleme cu modelele OpenAI și Hugging Face.  Descoperiți un framework open-source care optimizează aplicațiile din lumea reală și vă permite să creați sisteme sofisticate de regăsire a informațiilor, unice pentru cazul dvs. de utilizare.<br><br>
<h2>Metodologii de creare a chatboturilor folosind LangChain</h2>
Utilizează instrumentele LangChain pentru a dezvolta chatboți, comparând nuanțele dintre modelele open-source de la HuggingFace și modelele closed-source de la OpenAI. Utilizați șabloane de prompt pentru conversații complexe, punând bazele dezvoltării avansate a chatboturilor.<br><br>
<h2>Gestionarea datelor și generarea augmentată prin recuperare (RAG) folosind LangChain</h2>
Stăpânește tokenizarea și bazele de date vectoriale pentru o recuperare optimizată a datelor, îmbogățind interacțiunile cu chatbotul cu o multitudine de informații externe.  Utilizați funcțiile de memorie RAG pentru a optimiza diverse cazuri de utilizare.<br><br>
<h2>Integrări avansate Chain, Tool și Agent</h2>
Folosește puterea lanțurilor, instrumentelor, agenților, API-urilor și a luării inteligente a deciziilor pentru a gestiona cazuri de utilizare complete, de la cap la coadă, și procesarea avansată a rezultatelor LLM.<br><br>
<h2>Depanare și metrici de performanță</h2>
În cele din urmă, devino competent în depanare, optimizare și evaluarea performanței, asigurându-te că chatboturile tale sunt dezvoltate pentru gestionarea erorilor.  Adaugă straturi de transparență pentru depanare.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

Descoperă cum să construiești aplicații AI cu LLM-uri, prompturi, lanțuri și agenți în LangChain.

Developing LLM Applications with LangChain

Descoperă cum să construiești aplicații bazate pe AI folosind LLM-uri, prompturi, chain-uri și agenți în LangChain.

Inginer AI asociat pentru dezvoltatori

Dezvoltarea aplicațiilor AI

Dezvoltarea aplicațiilor cu LangChain

Ce este un agent?

Developing LLM Applications with LangChain

Exercițiu interactiv practic