Tạo bộ ví dụ few-shot

PromptTemplate và ChatPromptTemplate rất phù hợp để chèn biến, nhưng lại gặp khó khi tích hợp các tập dữ liệu có nhiều ví dụ. Đây chính là lúc FewShotPromptTemplate phát huy tác dụng! Trong bài tập này, bạn sẽ tạo một tập dữ liệu dưới dạng danh sách các từ điển để chứa các cặp hỏi–đáp sau.

Câu hỏi: How many DataCamp courses has Jack completed?
Câu trả lời: 36
Câu hỏi: How much XP does Jack have on DataCamp?
Câu trả lời: 284,320XP
Câu hỏi: What technology does Jack learn about most on DataCamp?
Câu trả lời: Python

Ở bài tập tiếp theo, bạn sẽ chuyển thông tin này thành một few-shot prompt template.

Bài tập này là một phần của khóa học

Phát triển ứng dụng LLM với LangChain

Xem khóa học

Hướng dẫn bài tập

Tạo một danh sách các từ điển cho những câu hỏi và câu trả lời đã cho, sử dụng các khóa "question" và "answer".

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Create the examples list of dicts
examples = [
  {
    "question": "____",
    "answer": "____"
  },
  {
    "question": "____",
    "answer": "____"
  },
  {
    "question": "____",
    "answer": "____"
  }
]

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Phát triển ứng dụng LLM với LangChain

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Chào mừng bạn đến với framework LangChain để xây dựng ứng dụng trên LLMs! Bạn sẽ tìm hiểu các thành phần chính của LangChain, bao gồm models, chains, agents, prompts và parsers. Bạn sẽ tạo chatbot với cả mô hình mã nguồn mở từ Hugging Face và mô hình độc quyền từ OpenAI, tạo prompt template, và tích hợp các chiến lược bộ nhớ cho chatbot để quản lý ngữ cảnh và tài nguyên trong hội thoại.

Exercise 1: Hệ sinh thái LangChain Exercise 2: Mô hình OpenAI trong LangChain!Exercise 3: Model Hugging Face trong LangChain!Exercise 4: Mẫu prompt Exercise 5: Prompt template và chaining Exercise 6: Mẫu prompt cho chat Exercise 7: Nhắc lệnh few-shot Exercise 8: Tạo bộ ví dụ few-shot

Bài tập hiện tại

Exercise 9: Xây dựng few-shot prompt template Exercise 10: Triển khai few-shot prompting

Đến lúc nâng cấp các chain trong LangChain của bạn! Bạn sẽ học cách dùng LangChain Expression Language (LCEL) để định nghĩa chain linh hoạt hơn. Bạn sẽ tạo các sequential chain, nơi đầu vào được truyền giữa các thành phần để xây dựng ứng dụng nâng cao. Bạn cũng sẽ bắt đầu tích hợp agents, vốn dùng LLMs để ra quyết định.

Exercise 1: Chuỗi tuần tự Exercise 2: Xây dựng prompt cho các chuỗi tuần tự Exercise 3: Chuỗi tuần tự với LCEL Exercise 4: Giới thiệu về agent trong LangChain Exercise 5: Agent là gì?Exercise 6: Agent ReAct Exercise 7: Công cụ tùy chỉnh cho agent Exercise 8: Định nghĩa hàm để dùng làm tool Exercise 9: Tạo công cụ tùy chỉnh Exercise 10: Tích hợp công cụ tùy chỉnh với agent

Một hạn chế của LLMs là mốc thời gian kiến thức do được huấn luyện trên dữ liệu chỉ đến một thời điểm nhất định. Trong chương này, bạn sẽ học cách tạo ứng dụng sử dụng Retrieval Augmented Generation (RAG) để kết hợp dữ liệu bên ngoài với LLMs. Quy trình RAG gồm một vài bước khác nhau, bao gồm chia nhỏ dữ liệu, tạo và lưu trữ embeddings bằng vector database, và truy xuất thông tin liên quan nhất để dùng trong ứng dụng. Bạn sẽ nắm vững toàn bộ quy trình này!

Exercise 1: Tích hợp bộ nạp tài liệu Exercise 2: Trình tải tài liệu PDF Exercise 3: Bộ nạp tài liệu CSV Exercise 4: Trình tải tài liệu HTML Exercise 5: Chia nhỏ dữ liệu bên ngoài để truy xuất Exercise 6: Tách theo ký tự Exercise 7: Tách đệ quy theo ký tự Exercise 8: Tách HTML Exercise 9: Lưu trữ và truy xuất RAG bằng cơ sở dữ liệu vector Exercise 10: Chuẩn bị tài liệu và cơ sở dữ liệu vector Exercise 11: Xây dựng mẫu prompt cho truy xuất Exercise 12: Tạo một RAG chain Exercise 13: Tổng kết!