Retrieval Augmented Generation (RAG) med LangChain

Bygg RAG-system med LangChain

Retrieval Augmented Generation (RAG) är en teknik som används för att övervinna en av de största begränsningarna hos stora språkmodeller (LLM): deras begränsade kunskap. RAG-system integrerar extern data från en mängd olika källor i LLM:er. Den här processen att koppla samman flera olika system är vanligtvis tidskrävande, men LangChain gör det enkelt!

Lär dig moderna metoder för uppdelning och hämtning

Ta din RAG-arkitektur till nästa nivå! Du lär dig hur du laddar och delar upp kodfiler, inklusive Python- och Markdown-filer, för att säkerställa att uppdelningarna är "syntaxmedvetna". Du delar upp dina dokument med hjälp av tokens i stället för tecken för att säkerställa att de hämtade dokumenten håller sig inom modellens kontextfönster. Upptäck hur semantisk uppdelning kan hjälpa till att bevara sammanhang genom att upptäcka när ämnet i texten skiftar och dela vid dessa punkter. Slutligen lär du dig att utvärdera din RAG-arkitektur robust med LangSmith och Ragas.

Upptäck Graph RAG-arkitekturen

Vänd upp och ner på din RAG-arkitektur och upptäck hur grafbaserade, snarare än vektorbaserade, RAG-system kan förbättra ditt systems förståelse för entiteterna och relationerna i dina dokument. Du kommer att lära dig hur du omvandlar ostrukturerad textdata till grafer med hjälp av LLM:er för att göra översättningen! Sedan lagrar du dessa grafdokument i en Neo4j-grafdatabas och integrerar den i ett bredare RAG-system för att slutföra applikationen.