Lär dig hur du integrerar externa datakällor i chattmodeller med LangChain. Du får lära dig att läsa in, dela upp, bädda in, lagra och hämta data för användning i LLM-applikationer.

Läsa in dokument för RAG med LangChain

Läsa in PDF-filer för RAG

Ladda HTML-filer för RAG

Textdelning, inbäddningar och vektorlagring

Kom igång med textdelning

Rekursiv uppdelning av dokument

Bädda in och lagra dokument

Bygga en LCEL-hämtningskedja

Skapa hämtningsprompten

Bygg upp hämtningskedjan

Bygga RAG-applikationer med LangChain

Utforska moderna tekniker för att läsa in, dela upp och hämta dokument – till exempel att läsa in Python-filer, dela upp text semantiskt samt använda MRR och self-query-hämtning. Du lär dig också att utvärdera din RAG-arkitektur med hjälp av robusta mätvärden och ramverk.

Ladda och dela upp kodfiler

Läsa in kodfiler

Dela upp Python-filer

Avancerade uppdelningsmetoder

Dela upp efter tokens

Semantisk uppdelning

Optimera dokumenthämtning

Alternativ

Sparse

Dense

Sparse vs. dense-hämtning

Förstå BM25

Gles hämtning med BM25

Introduktion till RAG-utvärdering

Utvärdering av kontextprecision med Ragas

Ragas faithfulness-utvärdering

Strängutvärdering

Förbättra RAG-arkitekturen

Lär dig hur grafdatabaser och grafbaserad hämtning kan övervinna vissa begränsningar hos traditionell vektorbaserad lagring och hämtning.

Från vektorer till grafer

Skapa grafdokument

Lär känna grafer

Lagra och hämta dokument

Bygg upp din grafdatabas

Fråga din grafdatabas

Skapa Graph RAG-kedjan

En resa genom Graph RAG-systemet

Kedjebygge med Graph RAG!

Förbättra grafsökning

Graph RAG med filtrering

Validera Cypher-frågor

Skapa en Cypher few-shot-prompt

Grattis!

Introduktion till Graph RAG

RAG Academic Paper PDF

RAG Workflow Python File

LangChain README Markdown

Chatbot Python File

DataCamp Blog HTML

Stora språkmodeller (LLM:er) integreras i datorer, telefoner och programvaror, men de har en begränsning: deras kunskap är bunden till träningsdata, som är tidskrävande och kostsam att uppdatera. Lösningen heter Retrieval Augmented Generation (RAG)! RAG gör det möjligt att integrera externa data med LLM:er. I den här kursen lär du dig moderna tekniker för att läsa in, bearbeta och hämta externa data till LLM:er. Du arbetar med vektordatabaser, de senaste LLM:erna och LangChain-ramverket för att bygga RAG-applikationer. Kursen avslutas med ett kapitel om Graph RAG – en variant av traditionell RAG som använder grafdatabaser för mer tillförlitlig datahämtning.

<h2>Bygg RAG-system med LangChain</h2>Retrieval Augmented Generation (RAG) är en teknik som används för att övervinna en av de största begränsningarna hos stora språkmodeller (LLM): deras begränsade kunskap. RAG-system integrerar extern data från en mängd olika källor i LLM:er. Den här processen att koppla samman flera olika system är vanligtvis tidskrävande, men LangChain gör det enkelt!<br><br><h2>Lär dig moderna metoder för uppdelning och hämtning</h2>Ta din RAG-arkitektur till nästa nivå! Du lär dig hur du laddar och delar upp kodfiler, inklusive Python- och Markdown-filer, för att säkerställa att uppdelningarna är "syntaxmedvetna". Du delar upp dina dokument med hjälp av tokens i stället för tecken för att säkerställa att de hämtade dokumenten håller sig inom modellens kontextfönster. Upptäck hur semantisk uppdelning kan hjälpa till att bevara sammanhang genom att upptäcka när ämnet i texten skiftar och dela vid dessa punkter. Slutligen lär du dig att utvärdera din RAG-arkitektur robust med LangSmith och Ragas.<br><br><h2>Upptäck Graph RAG-arkitekturen</h2>Vänd upp och ner på din RAG-arkitektur och upptäck hur grafbaserade, snarare än vektorbaserade, RAG-system kan förbättra ditt systems förståelse för entiteterna och relationerna i dina dokument. Du kommer att lära dig hur du omvandlar ostrukturerad textdata till grafer med hjälp av LLM:er för att göra översättningen! Sedan lagrar du dessa grafdokument i en Neo4j-grafdatabas och integrerar den i ett bredare RAG-system för att slutföra applikationen.

Developing LLM Applications with LangChain

Lär dig toppmoderna metoder för att integrera extern data med LLMs med RAG och LangChain.

Retrieval Augmented Generation (RAG) med LangChain

Lär dig banbrytande metoder för att integrera extern data med LLM:er med Retrieval Augmented Generation (RAG) med LangChain.

Utveckla applikationer med LangChain

Sparse vs. dense-hämtning

Retrieval Augmented Generation (RAG) med LangChain

Interaktiv övning med praktiskt arbete