Välkommen till LangChain-ramverket för att bygga applikationer med LLM:er! Du lär dig om de viktigaste komponenterna i LangChain – modeller, kedjor, agenter, promptar och parsers. Du skapar chattbotar med både öppna modeller från Hugging Face och proprietära modeller från OpenAI, bygger promptmallar och integrerar olika minnestrategier för chattbotar för att hantera kontext och resurser under konversationer.

LangChain-ekosystemet

OpenAI-modeller i LangChain!

Hugging Face-modeller i LangChain!

Promptmallar

Promptmallar och kedjor

Promptmallar för chatt

Few-shot-promptning

Skapa uppsättningen med few-shot-exempel

Bygg few-shot-promptmallen

Implementera few-shot-promptning

Introduktion till LangChain och chattbot-mekanik

Nu tar vi LangChain-kedjorna till nästa nivå! Du lär dig att använda LangChain Expression Language (LCEL) för att definiera kedjor med större flexibilitet. Du skapar sekventiella kedjor där indata skickas mellan komponenter för att bygga mer avancerade applikationer. Du börjar också integrera agenter som använder LLM:er för beslutsfattande.

Sekventiella kedjor

Skapa promptmallar för sekventiella kedjor

Sekventiella kedjor med LCEL

Introduktion till LangChain-agenter

Vad är en agent?

ReAct-agenter

Anpassade verktyg för agenter

Definiera en funktion för verktygsanvändning

Skapa anpassade verktyg

Integrera anpassade verktyg med agenter

Kedjor och agenter

En begränsning med LLM:er är att deras kunskap har ett slutdatum, eftersom de tränats på data fram till en viss tidpunkt. I det här kapitlet lär du dig att skapa applikationer som använder Retrieval Augmented Generation (RAG) för att integrera extern data med LLM:er. RAG-arbetsflödet innehåller flera olika steg – bland annat att dela upp data, skapa och lagra inbäddningar i en vektordatabas samt hämta den mest relevanta informationen för användning i applikationen. Du får lära dig att behärska hela arbetsflödet!

Integrera dokumentladdare

Dokumentladdare för PDF

Dokumentladdare för CSV-filer

HTML-dokumentladdare

Dela upp externa data för hämtning

Dela upp efter tecken

Rekursiv uppdelning per tecken

Dela upp HTML

RAG-lagring och hämtning med vektordatabaser

Förbered dokumenten och vektordatabasen

Skapa en promptmall för hämtning

Skapa en RAG-kedja

Avslutning!

Retrieval Augmented Generation (RAG)

Uppgradera dina applikationer med LangChain-ramverket för att bygga lösningar baserade på stora språkmodeller (LLM:er)! En av de stora utmaningarna vid applikationsutveckling i den generativa AI-eran är att integrera modeller, datakällor, promptar och andra komponenter från olika leverantörer i en enda applikation. LangChain-ramverket erbjuder en enhetlig syntax för att sätta ihop alla dessa delar, vilket gör det enklare att integrera LLM:er i dina projekt. Oavsett om du är en erfaren utvecklare eller precis har börjat, ger den här kursen dig kunskapen och verktygen för att bygga dynamiska och intelligenta applikationer med LangChain. Välkommen till en kurs som förändrar hur du skapar applikationer drivna av språkmodeller.

Videorna innehåller direkttranskript som du kan visa genom att klicka på "Visa transkript" längst ned till vänster i videon.
Kursens ordlista hittar du till höger i resursavsnittet.
För att erhålla CPE-poäng behöver du slutföra kursen och uppnå minst 70 % på den kvalificerade bedömningen. Du når bedömningen via CPE-länken till höger.

<h2>Grundläggande för utveckling i LangChain-ekosystemet</h2>
Utöka din LLM-verktygslåda med LangChains ekosystem, vilket möjliggör sömlös integration med modeller från OpenAI och Hugging Face.  Upptäck ett ramverk med öppen källkod som optimerar verkliga tillämpningar och låter dig skapa sofistikerade informationssökningssystem som är unika för ditt användningsområde.<br><br>
<h2>Metoder för att skapa chattbotar med LangChain</h2>
Använd LangChain-verktyg för att utveckla chattbotar och jämför nyanserna mellan HuggingFaces öppen källkod-modeller och OpenAIs slutna modeller. Använd promptmallar för komplexa konversationer och lägg grunden för avancerad chatbotutveckling.<br><br>
<h2>Datahantering och Retrieval Augmentation Generation (RAG) med LangChain</h2>
Bemästra tokenisering och vektordatabaser för optimerad datahämtning, och berika chatbotinteraktioner med en mängd extern information.  Använd RAG-minnesfunktioner för att optimera olika användningsområden.<br><br>
<h2>Avancerade integrationer för kedjor, verktyg och agenter</h2>
Utnyttja kraften i kedjor, verktyg, agenter, API:er och intelligent beslutsfattande för att hantera kompletta end-to-end-användningsfall och avancerad hantering av LLM-utdata.<br><br>
<h2>Felsökning och prestandamått</h2>
Slutligen blir du skicklig på felsökning, optimering och prestandautvärdering, så att dina chattbotar utvecklas med robust felhantering.  Lägg till lager av transparens för felsökning.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

Upptäck hur du bygger AI-appar med LLM, prompts, kedjor och agenter i LangChain.

Utveckla LLM-applikationer med LangChain

Upptäck hur du bygger AI-drivna applikationer med LLMs, prompts, chains och agents i LangChain.

Associate AI Engineer för utvecklare

Utveckla AI-applikationer

Utveckla applikationer med LangChain

Vad är en agent?

Utveckla LLM-applikationer med LangChain

Interaktiv övning med praktiskt arbete