Retrieval Augmented Generation (RAG) cu LangChain

Construiește sisteme RAG cu LangChain

Generarea augmentată prin regăsire (RAG) este o tehnică folosită pentru a depăși una dintre principalele limitări ale modelelor lingvistice mari (LLM): cunoștințele lor limitate. Sistemele RAG integrează date externe dintr-o varietate de surse în LLM-uri. Acest proces de conectare a mai multor sisteme diferite este de obicei anevoios, dar LangChain îl face floare la ureche!

Învață metode de împărțire și regăsire de ultimă generație

Du-ți arhitectura RAG la nivelul următor! Vei învăța cum să încarci și să împarți fișiere de cod, inclusiv fișiere Python și Markdown, pentru a te asigura că împărțirile sunt „conștiente” de sintaxa codului. Vei împărți documentele folosind tokeni în loc de caractere, pentru a te asigura că documentele recuperate rămân în fereastra de context a modelului tău. Descoperă cum împărțirea semantică poate ajuta la păstrarea contextului prin detectarea momentelor în care subiectul din text se schimbă și împărțirea la aceste puncte. În cele din urmă, învață să evaluezi robust arhitectura ta RAG cu LangSmith și Ragas.

Descoperă arhitectura Graph RAG

Răstoarnă-ți arhitectura RAG și descoperă cum sistemele RAG bazate pe grafuri, în loc de cele bazate pe vectori, pot îmbunătăți înțelegerea de către sistem a entităților și relațiilor din documentele tale. Vei învăța cum să transformi date text nestructurate în grafuri folosind LLM-uri pentru a face traducerea! Apoi, vei stoca aceste documente grafice într-o bază de date grafică Neo4j și o vei integra într-un sistem RAG mai amplu pentru a finaliza aplicația.