Retrieval Augmented Generation (RAG) met LangChain

Bouw RAG-systemen met LangChain

Retrieval Augmented Generation (RAG) is een manier om een van de grootste problemen van grote taalmodellen (LLM's) op te lossen: hun beperkte kennis. RAG-systemen voegen externe gegevens uit allerlei bronnen samen in LLMs. Het is meestal best lastig om verschillende systemen aan elkaar te koppelen, maar met LangChain is het supermakkelijk!

Leer de nieuwste methodes voor splitsen en ophalen

Maak je RAG-architectuur nog beter! Je leert hoe je codebestanden kunt laden en splitsen, zoals Python- en Markdown-bestanden, zodat de splitsingen rekening houden met de codesyntaxis. Je splitst je documenten met tokens in plaats van tekens, zodat je opgehaalde documenten binnen het contextvenster van je model blijven. Ontdek hoe semantische splitsing kan helpen om de context te behouden door te zien wanneer het onderwerp in de tekst verandert en op die punten te splitsen. Leer tot slot je RAG-architectuur goed te evalueren met LangSmith en Ragas.

Ontdek de Graph RAG-architectuur

Draai je RAG-architectuur eens helemaal om en kijk hoe grafiekgebaseerde RAG-systemen, in plaats van vectorgebaseerde, je systeem beter kunnen laten begrijpen wat de entiteiten en relaties in je documenten zijn. Je leert hoe je ongestructureerde tekstgegevens omzet in grafieken met behulp van LLMs om de vertaling te doen! Vervolgens sla je deze grafiekdocumenten op in een Neo4j-grafiekdatabase en integreer je deze in een breder RAG-systeem om de applicatie te voltooien.