學習如何用 LangChain 將外部資料來源整合進聊天模型。你將學會如何載入、切分、嵌入、儲存與擷取資料，並用於 LLM 應用。

使用 LangChain 載入 RAG 的文件

為 RAG 載入 PDF 檔案

為 RAG 載入 HTML 檔案

文字分割、嵌入向量（embedding）與向量儲存

文字分割入門

遞迴式分割文件

文件的嵌入與儲存

建立 LCEL 檢索鏈

建立檢索提示

建立檢索鏈

用 LangChain 建立 RAG 應用

探索載入、切分與擷取文件的先進技巧，包括載入 Python 檔案、語意切分，以及使用 MRR 與自我查詢（self-query）等擷取方法。你也會學到如何使用穩健的指標與框架來評估你的 RAG 架構。

載入與分割程式碼檔案

載入程式碼檔案

分割 Python 檔案

進階切分方法

以權杖切分

語意式切分

最佳化文件擷取

選項

稀疏

稠密

稀疏 vs. 稠密檢索

認識 BM25

使用 BM25 的稀疏檢索

RAG 評估入門

Ragas 情境精確度評估

Ragas faithfulness 評估

字串評估

改進 RAG 架構

了解圖形資料庫與檢索如何克服傳統向量式儲存與擷取的一些限制。

從向量到圖形資料庫

建立圖形文件

認識圖形資料結構

儲存與查詢文件

建立你的圖形資料庫

查詢你的圖形資料庫

建立 Graph RAG 鏈

穿越 Graph RAG 系統之旅

把鏈串起來，Graph RAG 風格！

改進圖形檢索

含過濾條件的 Graph RAG

驗證 Cypher 查詢

建立 Cypher 的 few-shot 提示詞

恭喜你！

Graph RAG 入門

RAG Academic Paper PDF

RAG Workflow Python File

LangChain README Markdown

Chatbot Python File

DataCamp Blog HTML

大型語言模型（LLM）已經整合進電腦、手機與各式軟體應用。不過它們也有一個缺點：知識受限於訓練資料，而更新成本高又緩慢。這就是 Retrieval Augmented Generation（RAG）的用武之地！RAG 讓你把外部資料與 LLM 結合。在本課程中，你會學到將外部資料載入、處理與擷取給 LLM 的最新技術！你將使用向量資料庫、最新的 LLM，以及 LangChain 框架來打造 RAG 應用。課程最後會介紹 Graph RAG，這是對傳統 RAG 的延伸，透過圖形資料庫提升資料擷取的可靠性。

<h2>使用 LangChain 建立 RAG 系統</h2>檢索增強生成（RAG）是一種用來克服大型語言模型（LLM）主要限制——知識有限——的技術。 RAG 系統將來自各種來源的外部資料整合到 LLM 中。 將多個不同系統串接在一起的過程通常相當繁瑣，但 LangChain 讓這一切變得輕而易舉！<br><br><h2>學習最先進的分割與檢索方法</h2>提升您的RAG架構！您將學習如何載入並分割程式碼檔案，包括 Python 和 Markdown 檔案，確保分割時能夠「理解」程式碼語法。 您將使用標記（tokens）而非字元來分割文件，以確保檢索到的文件能維持在模型的上下文視窗範圍內。 了解語意分割如何協助保留上下文，透過偵測文本主題變化並在這些轉換點進行分割。 最後，學會如何使用 LangSmith 和 Ragas 來全面評估你的 RAG 架構。<br><br><h2>探索 Graph RAG 架構</h2>顛覆傳統的 RAG 架構，了解以圖形為基礎的 RAG 系統如何優於向量式方法，進一步提升系統對文件中實體與關係的理解能力。 您將學習如何利用大型語言模型（LLM）將非結構化文字資料轉換為圖形！接著，您將把這些圖形文件儲存在 Neo4j 圖形資料庫中，並將其整合到更廣泛的 RAG 系統中，以完成應用程式。

Developing LLM Applications with LangChain

使用LangChain的檢索增強生成（RAG）學習將外部數據整合到LLM的尖端方法。

使用 LangChain 的 Retrieval Augmented Generation（RAG）

掌握使用LangChain和Retrieval Augmented Generation (RAG)將外部資料整合至LLM的先進方法。

使用 LangChain 開發應用程式

稀疏 vs. 稠密檢索

使用 LangChain 的 Retrieval Augmented Generation（RAG）

動手互動練習