Retrieval Augmented Generation (RAG) mit LangChain

RAG-Systeme mit LangChain erstellen

Retrieval Augmented Generation (RAG) ist eine Technik, die hilft, eine der größten Einschränkungen von großen Sprachmodellen (LLMs) zu lösen: ihr begrenztes Wissen. RAG-Systeme packen externe Daten aus verschiedenen Quellen in LLMs rein. Normalerweise ist es echt nervig, mehrere verschiedene Systeme miteinander zu verbinden, aber mit LangChain ist das echt ein Kinderspiel!

Lerne die neuesten Methoden zum Teilen und Abrufen von Daten

Bring deine RAG-Architektur auf ein neues Level! Du lernst, wie du Code-Dateien, wie Python- und Markdown-Dateien, laden und teilen kannst, damit die Teilungen die Codesyntax „berücksichtigen“. Du teilst deine Dokumente mit Tokens statt mit Zeichen auf, damit die abgerufenen Dokumente im Kontextfenster deines Modells bleiben. Finde raus, wie semantisches Splitting dabei helfen kann, den Kontext zu behalten, indem es erkennt, wann sich das Thema im Text ändert, und an diesen Stellen eine Trennung vornimmt. Lerne schließlich, deine RAG-Architektur mit LangSmith und Ragas zuverlässig zu bewerten.

Entdecke die Graph-RAG-Architektur

Dreh deine RAG-Architektur mal auf den Kopf und schau dir an, wie graphbasierte statt vektorbasierte RAG-Systeme deinem System helfen können, die Entitäten und Beziehungen in deinen Dokumenten besser zu verstehen. Du lernst, wie du unstrukturierte Textdaten mithilfe von LLMs in Grafiken umwandeln kannst, um die Übersetzung zu machen! Dann speicherst du diese Graphdokumente in einer Neo4j-Graphdatenbank und integrierst sie in ein größeres RAG-System, um die Anwendung fertigzustellen.