Dela upp HTML

I den här övningen ska du dela upp en HTML-fil som innehåller ett verkställande direktiv om AI, utfärdat av Vita huset i oktober 2023. För att behålla så mycket sammanhang som möjligt i segmenten använder du större värden för chunk_size och chunk_overlap.

Alla LangChain-klasser som behövs för övningen har redan laddats in åt dig.

Den här övningen är en del av kursen

Utveckla LLM-applikationer med LangChain

Övningsinstruktioner

Skapa en UnstructuredHTMLLoader för white_house_executive_order_nov_2023.html och läs in den i minnet.
Ange ett chunk_size på 300 och ett chunk_overlap på 100.
Skapa en RecursiveCharacterTextSplitter som delar på tecknet '.', och använd metoden .split_documents() för att dela upp data och skriva ut segmenten.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Load the HTML document into memory
loader = UnstructuredHTMLLoader(____)
data = loader.____()

# Define variables
chunk_size = ____
chunk_overlap = ____

# Split the HTML
splitter = RecursiveCharacterTextSplitter(
    chunk_size=chunk_size,
    chunk_overlap=chunk_overlap,
    separators=____)

docs = splitter.____(data)
print(docs)

Redigera och kör kod

Den här övningen är en del av kursen

Utveckla LLM-applikationer med LangChain

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

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.

Exercise 1: LangChain-ekosystemet Exercise 2: OpenAI-modeller i LangChain!Exercise 3: Hugging Face-modeller i LangChain!Exercise 4: Promptmallar Exercise 5: Promptmallar och kedjor Exercise 6: Promptmallar för chatt Exercise 7: Few-shot-promptning Exercise 8: Skapa uppsättningen med few-shot-exempel Exercise 9: Bygg few-shot-promptmallen Exercise 10: Implementera few-shot-promptning

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.

Exercise 1: Sekventiella kedjor Exercise 2: Skapa promptmallar för sekventiella kedjor Exercise 3: Sekventiella kedjor med LCEL Exercise 4: Introduktion till LangChain-agenter Exercise 5: Vad är en agent?Exercise 6: ReAct-agenter Exercise 7: Anpassade verktyg för agenter Exercise 8: Definiera en funktion för verktygsanvändning Exercise 9: Skapa anpassade verktyg Exercise 10: Integrera anpassade verktyg med 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!

Exercise 1: Integrera dokumentladdare Exercise 2: Dokumentladdare för PDF Exercise 3: Dokumentladdare för CSV-filer Exercise 4: HTML-dokumentladdare Exercise 5: Dela upp externa data för hämtning Exercise 6: Dela upp efter tecken Exercise 7: Rekursiv uppdelning per tecken Exercise 8: Dela upp HTML

Aktuell övning

Exercise 9: RAG-lagring och hämtning med vektordatabaser Exercise 10: Förbered dokumenten och vektordatabasen Exercise 11: Skapa en promptmall för hämtning Exercise 12: Skapa en RAG-kedja Exercise 13: Avslutning!