LCEL ile sıralı zincirler

İstem şablonlarını oluşturduğuna göre, şimdi her şeyi — LLM de dahil — zincirler ve LCEL ile bir araya getirme zamanı. OpenAI'nin gpt-4o-mini modelini kullanan bir llm senin için zaten tanımlandı.

Zinciri çağırmanın son adımı için, istediğin herhangi bir aktiviteyi girebilirsin! Fikir bulmakta zorlanıyorsan "armonikayı çal" girmeyi dene.

Bu egzersiz

LangChain ile LLM Uygulamaları Geliştirme

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

LCEL kullanarak learning_prompt'u llm'e gönderen ve çıktıyı time_prompt'a aktararak tekrar llm'e ileten sıralı bir zincir oluştur.
İlk kısım, anahtar olarak "learning_plan" ve değer olarak ilk zinciri içeren bir sözlük oluşturmalı.
Zinciri, seçtiğin bir aktiviteyle .invoke() yöntemi kullanarak çağır!

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

learning_prompt = PromptTemplate(
    input_variables=["activity"],
    template="I want to learn how to {activity}. Can you suggest how I can learn this step-by-step?"
)

time_prompt = PromptTemplate(
    input_variables=["learning_plan"],
    template="I only have one week. Can you create a concise plan to help me hit this goal: {learning_plan}."
)

# Complete the sequential chain with LCEL
seq_chain = ({"learning_plan": ____ | ____ | ____}
    | ____
    | ____
    | StrOutputParser())

# Call the chain
print(seq_chain.____({"____": "____"}))

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 Exercise 3: LCEL ile sıralı zincirler

Geçerli Egzersiz

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!