Khám phá cách tích hợp nguồn dữ liệu bên ngoài vào các mô hình chat với LangChain. Học cách tải, tách, nhúng, lưu trữ và truy xuất dữ liệu để dùng trong ứng dụng LLM.

Tải tài liệu cho RAG với LangChain

Tải tệp PDF cho RAG

Tải tệp HTML cho RAG

Chia nhỏ văn bản, embeddings và lưu trữ vector

Bắt đầu với việc tách văn bản

Tách tài liệu đệ quy

Embed và lưu trữ tài liệu

Xây dựng một chuỗi truy xuất LCEL

Tạo retrieval prompt

Xây dựng retrieval chain

Xây dựng ứng dụng RAG với LangChain

Khám phá các kỹ thuật tối tân để tải, tách và truy xuất tài liệu, bao gồm tải tệp Python, tách theo ngữ nghĩa, và dùng các phương pháp truy xuất MRR và tự truy vấn (self-query). Học cách đánh giá kiến trúc RAG của bạn bằng các chỉ số và framework vững chắc.

Tải và tách file mã nguồn

Tải tệp mã

Tách các tệp Python

Các phương pháp tách nâng cao

Tách theo token

Tách theo ngữ nghĩa

Tối ưu hóa việc truy xuất tài liệu

Sparse vs. dense retrieval

Tìm hiểu BM25

Truy xuất thưa với BM25

Giới thiệu về đánh giá RAG

Đánh giá context precision bằng Ragas

Đánh giá tính trung thực với Ragas

Đánh giá chuỗi

Cải thiện kiến trúc RAG

Khám phá cách cơ sở dữ liệu đồ thị và phương pháp truy xuất có thể khắc phục một số hạn chế của lưu trữ và truy xuất dựa trên vector truyền thống.

Từ vector đến đồ thị

Tạo graph documents

Làm quen với đồ thị

Lưu trữ và truy vấn tài liệu

Xây dựng cơ sở dữ liệu graph của bạn

Truy vấn cơ sở dữ liệu đồ thị của bạn

Tạo chuỗi Graph RAG

Quy trình Graph RAG

Hành trình xuyên suốt hệ thống Graph RAG

Xâu chuỗi theo phong cách Graph RAG!

Cải thiện truy xuất đồ thị

Graph RAG với lọc

Xác thực truy vấn Cypher

Tạo một prompt few-shot cho Cypher

Chúc mừng bạn!

Giới thiệu về Graph RAG

RAG Academic Paper PDF

RAG Workflow Python File

LangChain README Markdown

Chatbot Python File

DataCamp Blog HTML

Large Language Models (LLMs) đang được tích hợp vào máy tính, điện thoại và các ứng dụng phần mềm, nhưng chúng có một hạn chế: kiến thức bị giới hạn bởi dữ liệu huấn luyện, vốn chậm và tốn kém. Đó là lúc Retrieval Augmented Generation (RAG) xuất hiện! RAG cho phép bạn tích hợp dữ liệu bên ngoài với LLMs. Trong khóa học này, bạn sẽ học các kỹ thuật tối tân để tải, xử lý và truy xuất dữ liệu bên ngoài cho LLMs! Bạn sẽ sử dụng cơ sở dữ liệu vector, các LLM mới nhất và framework LangChain để tạo ứng dụng RAG. Khóa học kết thúc với một chương về Graph RAG, một biến thể của RAG truyền thống sử dụng cơ sở dữ liệu đồ thị để truy xuất dữ liệu đáng tin cậy hơn.

<h2>Xây dựng hệ thống RAG với LangChain</h2>Retrieval Augmented Generation (RAG) là một kỹ thuật được sử dụng để vượt qua một trong những hạn chế chính của các mô hình ngôn ngữ lớn (LLM): kiến thức hạn chế của chúng. Các hệ thống RAG tích hợp dữ liệu bên ngoài từ nhiều nguồn khác nhau vào LLM. Quá trình kết nối nhiều hệ thống khác nhau này thường rất tẻ nhạt, nhưng LangChain khiến việc này trở nên cực kỳ dễ dàng!<br><br><h2>Tìm hiểu các phương pháp phân tách và truy xuất tiên tiến nhất hiện nay</h2>Nâng tầm kiến trúc RAG của bạn! Bạn sẽ học cách tải và tách các tệp mã nguồn, bao gồm các tệp Python và Markdown để đảm bảo rằng việc tách được “nhận biết” cú pháp mã nguồn. Bạn sẽ chia nhỏ tài liệu của mình bằng cách sử dụng token thay vì ký tự để đảm bảo rằng các tài liệu được truy xuất của bạn nằm trong cửa sổ ngữ cảnh của mô hình. Khám phá cách phân tách ngữ nghĩa có thể giúp giữ lại ngữ cảnh bằng cách phát hiện khi chủ đề trong văn bản thay đổi và phân tách tại những điểm này. Cuối cùng, hãy học cách đánh giá kiến trúc RAG của bạn một cách vững chắc với LangSmith và Ragas.<br><br><h2>Khám phá Kiến trúc Graph RAG</h2>Hãy lật ngược kiến trúc RAG của bạn và khám phá cách các hệ thống RAG dựa trên graph, thay vì dựa trên vector, có thể nâng cao khả năng hiểu các thực thể và mối quan hệ trong tài liệu của hệ thống bạn. Bạn sẽ học cách chuyển đổi dữ liệu văn bản phi cấu trúc thành đồ thị bằng cách sử dụng LLM để thực hiện việc chuyển đổi! Sau đó, bạn sẽ lưu trữ các tài liệu đồ thị này trong cơ sở dữ liệu đồ thị Neo4j và tích hợp nó vào một hệ thống RAG rộng hơn để hoàn thiện ứng dụng.

Developing LLM Applications with LangChain

Tìm hiểu cách tích hợp dữ liệu ngoài với LLMs bằng RAG qua LangChain.

Retrieval Augmented Generation (RAG) với LangChain

Tìm hiểu các phương pháp tiên tiến để tích hợp dữ liệu bên ngoài với LLMs bằng cách sử dụng Retrieval Augmented Generation (RAG) với LangChain.

Phát triển ứng dụng với LangChain

Truy vấn cơ sở dữ liệu đồ thị của bạn

Retrieval Augmented Generation (RAG) với LangChain

Bài tập tương tác thực hành trực tiếp