Sıralı zincirler için ipucu oluşturma

Önümüzdeki birkaç alıştırma boyunca, insanların yeni beceriler öğrenmelerine yardımcı olacak bir sistem oluşturmaya çalışacaksınız. Bu sistemin sıralı olarak inşa edilmesi gerekir, böylece öğrenciler tercihlerine ve kısıtlamalarına göre planlarını değiştirebilirler. Bu sistemi oluşturmak üzere sıralı bir zincir oluşturmak için LangChain LCEL becerilerinizi kullanacaksınız ve ilk adım bu sistem tarafından kullanılacak istem şablonlarını tasarlamaktır.

Bu egzersiz

LangChain ile LLM Uygulamaları Geliştirme

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

"activity" girdisini alan ve bir öğrenme planı oluşturan learning_prompt adlı bir istem şablonu oluşturun.
Bir "learning_plan" girdisini alan ve bunu bir haftaya sığacak şekilde değiştiren time_prompt adlı bir istem şablonu oluşturun.
Seçtiğiniz bir etkinlikle learning_prompt adresini çağırın (fikir bulmakta zorlanıyorsanız "play golf" adresini deneyin).

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Create a prompt template that takes an input activity
learning_prompt = PromptTemplate(
    input_variables=["____"],
    template="I want to learn how to {activity}. Can you suggest how I can learn this step-by-step?"
)

# Create a prompt template that places a time constraint on the output
time_prompt = PromptTemplate(
    ____,
    template="I only have one week. Can you create a plan to help me hit this goal: {learning_plan}."
)

# Invoke the learning_prompt with an activity
print(learning_prompt.____({"activity": "____"}))

Kodu Düzenle ve Çalıştır

Bu egzersiz

LangChain ile LLM Uygulamaları Geliştirme

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

Welcome to the LangChain framework for building applications on LLMs! You'll learn about the main components of LangChain, including models, chains, agents, prompts, and parsers. You'll create chatbots using both open-source models from Hugging Face and proprietary models from OpenAI, create prompt templates, and integrate different chatbot memory strategies to manage context and resources during conversations.

Exercise 1: The LangChain ecosystem Exercise 2: OpenAI models in LangChain!Exercise 3: Hugging Face models in LangChain!Exercise 4: Prompt templates Exercise 5: Prompt templates and chaining Exercise 6: Chat prompt templates Exercise 7: Few-shot prompting Exercise 8: Creating the few-shot example set Exercise 9: Building the few-shot prompt template Exercise 10: Implementing few-shot prompting

Time to level up your LangChain chains! You'll learn to use the LangChain Expression Language (LCEL) for defining chains with greater flexibility. You'll create sequential chains, where inputs are passed between components to create more advanced applications. You'll also begin to integrate agents, which use LLMs for decision-making.

Exercise 1: Sıralı zincirler Exercise 2: Sıralı zincirler için ipucu oluşturma

Geçerli Egzersiz

Exercise 3: LCEL ile sıralı zincirler Exercise 4: LangChain aracılarına giriş Exercise 5: Agent nedir?Exercise 6: ReAct ajanları Exercise 7: Acenteler için özel araçlar Exercise 8: Araç kullanımı için bir işlev tanımlama Exercise 9: Özel araçlar oluşturma Exercise 10: Özel araçları ajanlarla entegre etme

One limitation of LLMs is that they have a knowledge cut-off due to being trained on data up to a certain point. In this chapter, you'll learn to create applications that use Retrieval Augmented Generation (RAG) to integrate external data with LLMs. The RAG workflow contains a few different processes, including splitting data, creating and storing the embeddings using a vector database, and retrieving the most relevant information for use in the application. You'll learn to master the entire workflow!

Exercise 1: Integrating document loaders Exercise 2: PDF document loaders Exercise 3: CSV document loaders Exercise 4: HTML document loaders Exercise 5: Splitting external data for retrieval Exercise 6: Splitting by character Exercise 7: Recursively splitting by character Exercise 8: Splitting HTML Exercise 9: RAG storage and retrieval using vector databases Exercise 10: Preparing the documents and vector database Exercise 11: Building a retrieval prompt template Exercise 12: Creating a RAG chain Exercise 13: Wrap-up!