Retrieval Augmented Generation (RAG) ด้วย LangChain

สร้างระบบ RAG ด้วย LangChain

Retrieval Augmented Generation (RAG) เป็นเทคนิคที่ใช้เพื่อเอาชนะหนึ่งในข้อจำกัดหลักของโมเดลภาษาขนาดใหญ่ (LLMs): ความรู้ที่มีอย่างจำกัด ระบบ RAG ผสานข้อมูลภายนอกจากแหล่งที่หลากหลายเข้ากับ LLMs กระบวนการเชื่อมต่อระบบต่างๆ หลายระบบนี้มักจะน่าเบื่อและยุ่งยาก แต่ LangChain ทำให้เรื่องนี้ง่ายดายสุดๆ!

เรียนรู้วิธีการแบ่งและดึงข้อมูลที่ล้ำสมัย

ยกระดับสถาปัตยกรรม RAG ของคุณ! คุณจะได้เรียนรู้วิธีโหลดและแยกไฟล์โค้ด รวมถึงไฟล์ Python และ Markdown เพื่อให้การแยก “รับรู้” ไวยากรณ์ของโค้ด คุณจะใช้โทเค็นแทนตัวอักษรในการแบ่งเอกสารของคุณ เพื่อให้แน่ใจว่าเอกสารที่ดึงคืนมาจะยังคงอยู่ภายในหน้าต่างบริบทของโมเดลของคุณ ค้นพบว่า semantic splitting สามารถช่วยรักษาบริบทได้อย่างไร โดยตรวจจับเมื่อหัวข้อในข้อความเปลี่ยนไปและแยกข้อความ ณ จุดเหล่านี้ สุดท้าย เรียนรู้การประเมินสถาปัตยกรรม RAG ของคุณอย่างมีประสิทธิภาพและรอบด้านด้วย LangSmith และ Ragas

ค้นพบสถาปัตยกรรม Graph RAG

พลิกสถาปัตยกรรม RAG ของคุณให้ต่างออกไป และค้นพบว่า RAG แบบอิงกราฟแทนที่จะเป็นแบบเวกเตอร์สามารถช่วยให้ระบบของคุณเข้าใจเอนทิตีและความสัมพันธ์ในเอกสารได้ดีขึ้นอย่างไร คุณจะได้เรียนรู้วิธีแปลงข้อมูลข้อความที่ไม่มีโครงสร้างให้เป็นกราฟโดยใช้ LLMs เพื่อทำการแปล! จากนั้น คุณจะจัดเก็บเอกสารกราฟเหล่านี้ไว้ในฐานข้อมูลกราฟ Neo4j และผสานรวมเข้ากับระบบ RAG ที่กว้างขึ้นเพื่อทำให้แอปพลิเคชันสมบูรณ์