Retrieval Augmented Generation (RAG) con LangChain

Costruisci sistemi RAG con LangChain

Il Retrieval Augmented Generation (RAG) è un modo per risolvere uno dei problemi principali dei modelli linguistici di grandi dimensioni (LLM): il fatto che non sanno tutto. I sistemi RAG mettono insieme dati esterni da un sacco di fonti diverse nei modelli di linguaggio grande (LLM). Questo processo di collegamento di più sistemi diversi di solito è noioso, ma LangChain lo rende un gioco da ragazzi!

Scopri i metodi più avanzati di suddivisione e recupero

Migliora la tua architettura RAG! Imparerai come caricare e dividere i file di codice, compresi quelli Python e Markdown, per assicurarti che le divisioni "riconoscano" la sintassi del codice. Dividerai i tuoi documenti usando token invece che caratteri per assicurarti che i documenti recuperati rimangano nella finestra di contesto del tuo modello. Scopri come la divisione semantica può aiutarti a mantenere il contesto, individuando i punti in cui cambia l'argomento nel testo e dividendo il testo in questi punti. Infine, impara a valutare bene la tua architettura RAG con LangSmith e Ragas.

Scopri l'architettura Graph RAG

Ribalta la tua architettura RAG e scopri come i sistemi RAG basati su grafici, invece che su vettori, possono migliorare la comprensione del tuo sistema delle entità e delle relazioni nei tuoi documenti. Imparerai come trasformare dati di testo non strutturati in grafici usando gli LLM per fare la traduzione! Poi, salverai questi documenti grafici in un database grafico Neo4j e li integrerai in un sistema RAG più ampio per completare l'applicazione.