Încărcătoare de documente CSV

Fișierele cu valori separate prin virgulă (CSV) sunt un format extrem de răspândit, în special în domeniile legate de date. Din fericire, LangChain oferă încărcătoare de documente diferite pentru formate diferite, păstrând aproape aceeași sintaxă!

În acest exercițiu, vei folosi un încărcător de documente pentru a încărca un fișier CSV ce conține date despre audiența internațională a Cupei Mondiale FIFA. Dacă ești curios/curioasă să afli mai multe despre analiza din spatele acestor date, aruncă o privire pe How to Break FIFA.

Acest exercițiu face parte din cursul

Developing LLM Applications with LangChain

Instrucțiuni pentru exercițiu

Importă clasa potrivită pentru încărcarea documentelor CSV în LangChain.
Creează un încărcător de documente pentru fișierul 'fifa_countries_audience.csv', disponibil în directorul curent.
Încarcă documentele în memorie pentru a vizualiza conținutul primului document.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Import library
from langchain_community.document_loaders.csv_loader import ____

# Create a document loader for fifa_countries_audience.csv
loader = ____

# Load the document
data = ____
print(data[0])

Editează și rulează codul

Acest exercițiu face parte din cursul

Developing LLM Applications with LangChain

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

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.

Exercise 1: Ecosistemul LangChain Exercise 2: Modele OpenAI în LangChain!Exercise 3: Modele Hugging Face în LangChain!Exercise 4: Șabloane de prompturi Exercise 5: Șabloane de prompt și înlănțuire Exercise 6: Șabloane de prompt pentru chat Exercise 7: Prompting cu exemple Exercise 8: Crearea setului de exemple pentru few-shot prompting Exercise 9: Construirea șablonului de prompt cu few-shot Exercise 10: Implementarea few-shot prompting

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.

Exercise 1: Lanțuri secvențiale Exercise 2: Construirea prompturilor pentru lanțuri secvențiale Exercise 3: Lanțuri secvențiale cu LCEL Exercise 4: Introducere în agenții LangChain Exercise 5: Ce este un agent?Exercise 6: Agenți ReAct Exercise 7: Instrumente personalizate pentru agenți Exercise 8: Definirea unei funcții pentru utilizarea unui instrument Exercise 9: Crearea de instrumente personalizate Exercise 10: Integrarea instrumentelor personalizate cu 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!

Exercise 1: Integrarea încărcătoarelor de documente Exercise 2: Încărcătoare de documente PDF Exercise 3: Încărcătoare de documente CSV

Exercițiul curent

Exercise 4: Loadere pentru documente HTML Exercise 5: Împărțirea datelor externe pentru regăsire Exercise 6: Împărțire după caracter Exercise 7: Împărțirea recursivă după caractere Exercise 8: Divizarea HTML Exercise 9: Stocarea și regăsirea RAG cu baze de date vectoriale Exercise 10: Pregătirea documentelor și a bazei de date vectoriale Exercise 11: Construirea unui șablon de prompt pentru regăsire Exercise 12: Crearea unui lanț RAG Exercise 13: Rezumat!