Développer des applications LLM avec LangChain

Bienvenue dans le cadre LangChain pour la création d'applications sur LLMs ! Vous découvrirez les principaux composants de LangChain, notamment les modèles, les chaînes, les agents, les invites et les analyseurs. Vous créerez des chatbots en utilisant à la fois des modèles open-source de Hugging Face et des modèles propriétaires d'OpenAI, créerez des modèles d'invite et intégrerez différentes stratégies de mémoire de chatbot pour gérer le contexte et les ressources pendant les conversations.

Il est temps d'améliorer vos chaînes LangChain ! Vous apprendrez à utiliser le LangChain Expression Language (LCEL) pour définir des chaînes avec une plus grande flexibilité. Vous créerez des chaînes séquentielles, où les entrées sont transmises entre les composants pour créer des applications plus avancées. Vous commencerez également à intégrer des agents, qui utilisent LLMs pour prendre des décisions.

L'une des limites de LLMs est qu'ils ont un seuil de connaissance en raison du fait qu'ils ont été formés sur des données jusqu'à un certain point. Dans ce chapitre, vous apprendrez à créer des applications qui utilisent Retrieval Augmented Generation (RAG) pour intégrer des données externes dans les applications LLM. Le flux de travail du site RAG comprend plusieurs processus différents, notamment la division des données, la création et le stockage des enchâssements à l'aide d'une base de données vectorielle et l'extraction des informations les plus pertinentes pour l'utilisation dans l'application. Vous apprendrez à maîtriser l'ensemble du flux de travail !