学习如何使用 LangChain 将外部数据源集成到对话模型中。掌握在 LLM 应用中用于加载、切分、嵌入、存储与检索数据的方法。

使用 LangChain 为 RAG 加载文档

为 RAG 加载 PDF 文件

为 RAG 加载 HTML 文件

文本切分、嵌入向量与向量存储

文本分割入门

递归地拆分文档

文档的嵌入与存储

构建 LCEL 检索链

创建检索提示

构建检索链

使用 LangChain 构建 RAG 应用

学习用于加载、切分与检索文档的前沿技术，包括加载 Python 文件、语义切分，以及使用 MRR 和自查询（self-query）检索方法。并学习使用稳健的指标与框架评估您的 RAG 架构。

加载与切分代码文件

加载代码文件

拆分 Python 文件

高级分割方法

按 token 分割

基于语义的切分

优化文档检索

选项

稀疏

稠密

稀疏检索 vs. 稠密检索

理解 BM25

使用 BM25 的稀疏检索

RAG 评估入门

Ragas 上下文精确度评估

Ragas 真实性评估

字符串评估

改进 RAG 架构

了解图数据库与检索如何克服传统基于向量的存储与检索的一些限制。

从向量到图

创建图文档

走近图结构

存储与查询文档

构建您的图数据库

查询图数据库

创建 Graph RAG 链

穿越 Graph RAG 系统之旅

链式调用，Graph RAG 风格！

改进图检索

带筛选的 Graph RAG

验证 Cypher 查询

创建 Cypher few-shot 提示词

恭喜您！

Graph RAG 入门

RAG Academic Paper PDF

RAG Workflow Python File

LangChain README Markdown

Chatbot Python File

DataCamp Blog HTML

大型语言模型（LLM）正被集成到计算机、手机和各类软件中，但它们也有一个局限：知识受限于训练数据，而训练既耗时又昂贵。RAG（Retrieval Augmented Generation，检索增强生成）正是为此而生！RAG 使您能够将外部数据与 LLM 集成。在本课程中，您将学习用于为 LLM 加载、处理和检索外部数据的前沿技术！您将使用向量数据库、最新的 LLM，以及 LangChain 框架来构建 RAG 应用。课程最后以 Graph RAG 收尾——这是一种基于图数据库的 RAG 变体，可实现更可靠的数据检索。

<h2>使用 LangChain 构建 RAG 系统</h2>检索增强生成（RAG）是一种用于克服大型语言模型（LLM）主要局限之一的技术：其知识有限。 RAG 系统将来自多种来源的外部数据集成到 LLM 中。 将多个不同系统连接起来的过程通常很繁琐，但 LangChain 让这一切变得轻而易举！<br><br><h2>学习最先进的切分与检索方法</h2>升级你的 RAG 架构！你将学习如何加载和拆分代码文件，包括 Python 和 Markdown 文件，以确保拆分“感知”代码语法。 你将使用标记而不是字符来拆分文档，以确保检索到的文档保持在模型的上下文窗口内。 了解语义切分如何通过检测文本中主题何时发生变化，并在这些位置进行拆分，从而帮助保留上下文。 最后，学习如何使用 LangSmith 和 Ragas 对您的 RAG 架构进行稳健评估。<br><br><h2>探索图 RAG 架构</h2>颠覆您的 RAG 架构，了解基于图而非基于向量的 RAG 系统如何提升系统对文档中实体和关系的理解。 你将学习如何使用 LLM 将非结构化文本数据转换为图表！然后，你将把这些图文档存储到 Neo4j 图数据库中，并将其集成到更广泛的 RAG 系统中，以完成该应用程序。

Developing LLM Applications with LangChain

使用LangChain的检索增强生成（RAG）学习将外部数据与LLM集成的前沿方法。

使用 LangChain 的 Retrieval Augmented Generation (RAG)

学习使用 LangChain 的检索增强生成（RAG）将外部数据与 LLM 集成的前沿方法。

使用 LangChain 开发应用程序

理解 BM25

使用 LangChain 的 Retrieval Augmented Generation (RAG)

练习说明

交互式实操练习