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.

Hệ sinh thái LangChain

Mô hình OpenAI trong LangChain!

Model Hugging Face trong LangChain!

Mẫu prompt

Prompt template và chaining

Mẫu prompt cho chat

Nhắc lệnh few-shot

Tạo bộ ví dụ few-shot

Xây dựng few-shot prompt template

Triển khai few-shot prompting

Giới thiệu về LangChain & cơ chế chatbot

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.

Chuỗi tuần tự

Xây dựng prompt cho các chuỗi tuần tự

Chuỗi tuần tự với LCEL

Giới thiệu về agent trong LangChain

Agent là gì?

Agent ReAct

Công cụ tùy chỉnh cho agent

Định nghĩa hàm để dùng làm tool

Tạo công cụ tùy chỉnh

Tích hợp công cụ tùy chỉnh với agent

Chains và Agents

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!

Tích hợp bộ nạp tài liệu

Trình tải tài liệu PDF

Bộ nạp tài liệu CSV

Trình tải tài liệu HTML

Chia nhỏ dữ liệu bên ngoài để truy xuất

Tách theo ký tự

Tách đệ quy theo ký tự

Tách HTML

Lưu trữ và truy xuất RAG bằng cơ sở dữ liệu vector

Chuẩn bị tài liệu và cơ sở dữ liệu vector

Xây dựng mẫu prompt cho truy xuất

Tạo một RAG chain

Tổng kết!

Retrieval Augmented Generation (RAG)

Thay đổi cách bạn xây dựng ứng dụng bằng cách tận dụng sức mạnh của framework LangChain để tạo các ứng dụng dựa trên large language models (LLMs)! Một thách thức lớn khi phát triển ứng dụng trong thời đại generative AI là tích hợp mô hình, nguồn dữ liệu, prompt và các thành phần khác từ nhiều nhà cung cấp vào cùng một ứng dụng. Framework LangChain cung cấp một cú pháp thống nhất để ghép nối tất cả các mảnh ghép này, giúp bạn tích hợp LLM vào dự án một cách liền mạch hơn. Dù bạn là nhà phát triển dày dạn hay mới bắt đầu, khóa học này sẽ trang bị cho bạn kiến thức và kỹ năng để xây dựng các ứng dụng thông minh, linh hoạt, tận dụng tối đa khả năng của LangChain. Hãy đồng hành cùng chúng tôi trong hành trình chuyển đổi này và định nghĩa lại cách bạn tạo ra các ứng dụng vận hành bởi mô hình ngôn ngữ.

Các video có phụ đề trực tiếp; bạn có thể bật bằng cách nhấp vào "Show transcript" ở góc dưới bên trái của video.
Bảng thuật ngữ của khóa học nằm bên phải trong mục tài nguyên.
Để nhận tín chỉ CPE, bạn cần hoàn thành khóa học và đạt 70% ở bài đánh giá đủ điều kiện. Bạn có thể đi đến bài đánh giá bằng cách nhấp vào mục CPE credits ở bên phải.

<h2>Nền tảng để phát triển trong hệ sinh thái LangChain</h2>
Tăng cường bộ công cụ LLM của bạn với hệ sinh thái của LangChain, cho phép tích hợp liền mạch với các mô hình OpenAI và Hugging Face.  Khám phá một framework mã nguồn mở tối ưu hóa các ứng dụng thực tế và cho phép bạn tạo ra các hệ thống truy xuất thông tin tinh vi, độc đáo cho trường hợp sử dụng của bạn.<br><br>
<h2>Phương pháp tạo Chatbot sử dụng LangChain</h2>
Sử dụng các công cụ LangChain để phát triển chatbot, so sánh các điểm khác biệt giữa mô hình mã nguồn mở của HuggingFace và mô hình mã nguồn đóng của OpenAI. Sử dụng mẫu prompt cho các cuộc trò chuyện phức tạp, tạo nền tảng cho phát triển chatbot nâng cao.<br><br>
<h2>Xử lý Dữ liệu và Tăng cường Truy xuất Thế hệ (RAG) bằng LangChain</h2>
Thành thạo tokenization và cơ sở dữ liệu vector để tối ưu hóa truy xuất dữ liệu, làm phong phú các tương tác chatbot với nguồn thông tin bên ngoài dồi dào.  Sử dụng các chức năng bộ nhớ RAG để tối ưu hóa nhiều trường hợp sử dụng khác nhau.<br><br>
<h2>Tích hợp Chuỗi, Công cụ và Tác nhân Nâng cao</h2>
Khai thác sức mạnh của chuỗi, công cụ, tác nhân, API và ra quyết định thông minh để xử lý các trường hợp sử dụng đầu-cuối toàn diện và quản lý đầu ra LLM nâng cao.<br><br>
<h2>Gỡ lỗi và Chỉ số Hiệu suất</h2>
Cuối cùng, hãy thành thạo trong việc gỡ lỗi, tối ưu hóa và đánh giá hiệu suất, đảm bảo chatbot của bạn được phát triển để xử lý lỗi.  Thêm các lớp minh bạch để hỗ trợ khắc phục sự cố.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

Khám phá cách xây dựng ứng dụng AI với LLMs, prompts, chains và agents trong LangChain.

Phát triển ứng dụng LLM với LangChain

Khám phá cách xây dựng các ứng dụng tích hợp AI bằng cách sử dụng LLM, prompt, chain và agent trong LangChain.

Kỹ sư Trợ lý Trí tuệ Nhân tạo (AI) cho Lập trình viên

Phát triển các ứng dụng trí tuệ nhân tạo

Phát triển ứng dụng với LangChain

AI Engineer & LangChain Contributor

Các bước phát triển RAG

Cơ sở dữ liệu vector là gì và vì sao cần?

Nên dùng cơ sở dữ liệu vector nào?

Làm quen với tài liệu...

Thiết lập cơ sở dữ liệu vector Chroma

Tạo mẫu prompt

Xâu chuỗi tất cả lại!

Luyện tập nào!

Retrieval Augmented Generation (RAG) - Lưu trữ và truy xuất RAG bằng cơ sở dữ liệu vector

Lưu trữ và truy xuất RAG bằng cơ sở dữ liệu vector

Create Your Free Account