Что такое агент?

Какие из следующих утверждений об агентах верны?

Это упражнение является частью курса

Разработка LLM-приложений с помощью LangChain

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Разработка LLM-приложений с помощью LangChain

SkillTag.level.intermediateSkillTag.label

4.8+

4519 reviews

Начать курс бесплатно

Добро пожаловать в мир фреймворка LangChain для создания приложений на основе LLM! Вы познакомитесь с основными компонентами LangChain: моделями, цепочками, агентами, промптами и парсерами. Вы создадите чат-боты на базе открытых моделей Hugging Face и проприетарных моделей OpenAI, научитесь составлять шаблоны промптов и интегрировать различные стратегии памяти чат-бота для управления контекстом и ресурсами в ходе диалога.

Exercise 1: Экосистема LangChain Exercise 2: Модели OpenAI в LangChain!Exercise 3: Модели Hugging Face в LangChain!Exercise 4: Шаблоны запросов Exercise 5: Шаблоны запросов и цепочки Exercise 6: Шаблоны чат-промптов Exercise 7: Промптинг с примерами (few-shot prompting)Exercise 8: Создание набора примеров для метода few-shot Exercise 9: Создание шаблона few-shot промпта Exercise 10: Реализация few-shot промптинга

Пришло время поднять уровень ваших цепочек LangChain! Вы научитесь использовать LangChain Expression Language (LCEL) для гибкого определения цепочек. Вы будете создавать последовательные цепочки, в которых данные передаются между компонентами для построения более сложных приложений. Также вы начнёте работать с агентами, которые используют LLM для принятия решений.

Exercise 1: Последовательные цепочки Exercise 2: Создание шаблонов промптов для последовательных цепочек Exercise 3: Последовательные цепочки с LCEL Exercise 4: Введение в агенты LangChain Exercise 5: Что такое агент?

Текущее упражнение

Exercise 6: Агенты ReAct Exercise 7: Пользовательские инструменты для агентов Exercise 8: Определение функции для использования в инструменте Exercise 9: Создание пользовательских инструментов Exercise 10: Интеграция пользовательских инструментов с агентами

Одно из ограничений LLM — наличие временного порога знаний, поскольку модели обучаются на данных лишь до определённого момента. В этой главе вы научитесь создавать приложения, использующие Retrieval Augmented Generation (RAG) для интеграции внешних данных с LLM. Рабочий процесс RAG включает несколько этапов: разбиение данных, создание и хранение эмбеддингов в векторной базе данных, а также извлечение наиболее релевантной информации для использования в приложении. Вы освоите весь этот процесс от начала до конца!

Exercise 1: Интеграция загрузчиков документов Exercise 2: Загрузчики PDF-документов Exercise 3: Загрузчики CSV-документов Exercise 4: Загрузчики HTML-документов Exercise 5: Разбиение внешних данных для поиска Exercise 6: Разбивка по символам Exercise 7: Рекурсивное разбиение по символам Exercise 8: Разбиение HTML Exercise 9: Хранение и извлечение данных в RAG с использованием векторных баз данных Exercise 10: Подготовка документов и векторной базы данных Exercise 11: Создание шаблона промпта для извлечения данных Exercise 12: Создание RAG-цепочки Exercise 13: Подведём итоги!