Створюйте RAG-системи за допомогою LangChain

Retrieval Augmented Generation (RAG) — це техніка, яка використовується для подолання одного з головних обмежень великих мовних моделей (LLMs): їхніх обмежених знань. Системи RAG інтегрують зовнішні дані з різних джерел у LLM. Цей процес підключення кількох різних систем зазвичай є виснажливим, але LangChain робить його надзвичайно простим!

Опануйте найсучасніші методи розбиття та пошуку

Підвищте рівень своєї RAG-архітектури! Ви навчитеся завантажувати та розділяти файли коду, зокрема файли Python і Markdown, щоб розбиття було «усвідомленим» щодо синтаксису коду. Ви розділятимете свої документи за допомогою токенів, а не символів, щоб гарантувати, що отримані документи залишатимуться в межах контекстного вікна вашої моделі. Дізнайтеся, як семантичне розбиття може допомогти зберегти контекст, виявляючи моменти, коли тема в тексті змінюється, і розбиваючи текст у цих точках. Нарешті, навчіться надійно оцінювати свою RAG-архітектуру за допомогою LangSmith і Ragas.

Відкрийте для себе архітектуру Graph RAG

Переверніть свою архітектуру RAG з ніг на голову та дізнайтеся, як графові, а не векторні системи RAG можуть покращити розуміння вашою системою сутностей і зв’язків у ваших документах. Ви навчитеся перетворювати неструктуровані текстові дані на графи за допомогою LLM, щоб виконувати перетворення! Потім ви збережете ці графові документи в графовій базі даних Neo4j і інтегруєте її в ширшу систему RAG, щоб завершити застосунок.

Від векторів до графів

Create Your Free Account