歡迎來到用於在 LLM 上建立應用的 LangChain 框架！你將學到 LangChain 的主要元件，包括模型、chain、agent、提示詞與剖析器。你會使用 Hugging Face 的開源模型與 OpenAI 的專有模型來建立聊天機器人、建立提示詞樣板，並整合不同的聊天機器人記憶策略，以在對話中管理脈絡與資源。

LangChain 生態系

在 LangChain 使用 OpenAI 模型！

在 LangChain 使用 Hugging Face 模型！

提示範本

提示樣板與串接

聊天提示模板

Few-shot 提示

建立 few-shot 範例集

建立 few-shot 提示樣板

實作 few-shot 提示

LangChain 與聊天機器人機制導論

是時候強化你的 LangChain chains！你將學會使用 LangChain Expression Language（LCEL）以更高的彈性定義 chain。你會建立序列式 chain，讓輸入在各元件之間傳遞，打造更進階的應用。你也會開始整合 agent，讓其使用 LLM 進行決策。

Sequential chains

為序列式鏈建立提示

使用 LCEL 的序列式鏈

LangChain 代理入門

什麼是 agent？

ReAct 代理

為代理建立自訂工具

為工具使用定義函式

建立自訂工具

將自訂工具整合到代理中

Chains 與 Agents

LLM 的一項限制，是因訓練資料僅到某個時間點而產生的知識截止。在本章中，你將學會建立使用檢索增強生成（RAG）的應用，把外部資料與 LLM 整合。RAG 的工作流程包含數個步驟，包括分割資料、使用向量資料庫建立並儲存 embedding，以及檢索最相關的資訊以供應用使用。你將學會完整掌握整個流程！

整合文件載入器

PDF 文件載入器

CSV 文件載入器

HTML 文件載入器

為了擷取而切分外部資料

以字元分割

以字元遞迴分割

分割 HTML

使用向量資料庫進行 RAG 的儲存與擷取

準備文件與向量資料庫

建立檢索提示模板

建立 RAG 鏈

總結！

檢索增強生成（RAG）

運用 LangChain 框架的強大能力，讓你的應用更上一層樓，打造以大型語言模型（LLM）為基礎的應用程式！在生成式 AI 時代開發應用的一大挑戰，是要把不同提供者的模型、資料來源、提示詞與其他元件整合到同一個應用中。LangChain 框架提供一致且統一的語法，把這些要素串接起來，讓你能把 LLM 更順暢地整合進專案。無論你是資深開發者還是剛起步，本課程都會帶給你足夠的知識與技能，建立動態又智慧的應用，充分發揮 LangChain 的無限潛力。一起加入這段轉變之旅，重新定義你打造語言模型驅動應用的方式。

影片包含即時逐字稿，你可以點選影片左下角的「Show transcript」來顯示。
課程詞彙表可在右側的資源區找到。
若要取得 CPE 學分，你需要完成課程並在合格評量中達到 70% 的分數。你可以點選右側的 CPE 學分提示方塊前往評量。

<h2>LangChain 生態系統開發基礎</h2>
透過 LangChain 生態系統強化您的 LLM 工具組，實現與 OpenAI 及 Hugging Face 模型的無縫整合。  探索一個開源框架，能夠優化實際應用，並讓您根據自身需求打造專屬的高階資訊檢索系統。<br><br>
<h2>使用 LangChain 的聊天機器人建立方法</h2>
運用 LangChain 工具開發聊天機器人，並比較 HuggingFace 開源模型與 OpenAI 封閉源碼模型之間的細微差異。 運用提示模板來處理複雜對話，為進階聊天機器人開發奠定基礎。<br><br>
<h2>使用 LangChain 進行資料處理與檢索增強生成（RAG）</h2>
精通分詞與向量資料庫，實現最佳化的資料檢索，為聊天機器人互動注入豐富的外部資訊。  運用RAG記憶功能，優化各種應用情境。<br><br>
<h2>進階鏈結、工具與代理整合</h2>
運用 chains、tools、agents、APIs 以及智慧決策的強大功能，處理完整的端到端應用案例與進階 LLM 輸出管理。<br><br>
<h2>除錯與效能指標</h2>
最後，您將精通除錯、最佳化與效能評估，確保您的聊天機器人在開發過程中具備錯誤處理能力。  為疑難排解增添透明層級。

ReAct 代理

使用 LangChain 開發 LLM 應用

練習說明

動手互動練習