Retrieval Augmented Generation (RAG) с LangChain

Создавайте RAG-системы с LangChain

Retrieval Augmented Generation (RAG) — это техника, используемая для преодоления одного из главных ограничений больших языковых моделей (LLM): их ограниченных знаний. Системы RAG интегрируют внешние данные из различных источников в LLM. Этот процесс подключения нескольких разных систем обычно утомителен, но LangChain делает его проще простого!

Изучите современные методы разбиения и поиска

Улучшите свою архитектуру RAG! Вы узнаете, как загружать и разделять файлы кода, включая файлы Python и Markdown, чтобы разбиения были «осведомлены» о синтаксисе кода. Вы будете разбивать документы с помощью токенов, а не символов, чтобы гарантировать, что извлечённые документы будут оставаться в пределах контекстного окна вашей модели. Узнайте, как семантическое разбиение помогает сохранять контекст, выявляя моменты, когда в тексте меняется тема, и разделяя текст в этих точках. Наконец, научитесь надежно оценивать свою архитектуру RAG с помощью LangSmith и Ragas.

Откройте для себя архитектуру Graph RAG

Переверните свою архитектуру RAG с ног на голову и узнайте, как графовые, а не векторные RAG-системы могут улучшить понимание вашей системой сущностей и связей в ваших документах. Вы узнаете, как преобразовывать неструктурированные текстовые данные в графы с помощью LLM, чтобы выполнять преобразование! Затем вы будете хранить эти графовые документы в графовой базе данных Neo4j и интегрировать её в более широкую систему RAG, чтобы завершить приложение.