Build your ultimate AI agent
รายละเอียดคอร์ส
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 Ragasค้นพบสถาปัตยกรรม Graph RAG
พลิกสถาปัตยกรรม RAG ของคุณให้ต่างออกไป และค้นพบว่า RAG แบบอิงกราฟแทนที่จะเป็นแบบเวกเตอร์สามารถช่วยให้ระบบของคุณเข้าใจเอนทิตีและความสัมพันธ์ในเอกสารได้ดีขึ้นอย่างไร คุณจะได้เรียนรู้วิธีแปลงข้อมูลข้อความที่ไม่มีโครงสร้างให้เป็นกราฟโดยใช้ LLMs เพื่อทำการแปล! จากนั้น คุณจะจัดเก็บเอกสารกราฟเหล่านี้ไว้ในฐานข้อมูลกราฟ Neo4j และผสานรวมเข้ากับระบบ RAG ที่กว้างขึ้นเพื่อทำให้แอปพลิเคชันสมบูรณ์ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
การสร้างแอปพลิเคชัน RAG ด้วย LangChain
เรียนรู้วิธีนำแหล่งข้อมูลภายนอกมาผสานกับ chat model ด้วย LangChain ครอบคลุมการโหลด แบ่ง ฝังความหมาย จัดเก็บ และดึงข้อมูลเพื่อใช้ในแอปพลิเคชัน LLM
- การโหลดเอกสารสำหรับ RAG ด้วย LangChain50 XP
- การโหลดไฟล์ PDF สำหรับ RAG100 XP
- การโหลดไฟล์ HTML สำหรับ RAG100 XP
- การแบ่งข้อความ เอ็มเบดดิ้ง และการจัดเก็บเวกเตอร์50 XP
- เริ่มต้นใช้งานการแบ่งข้อความ100 XP
- การแบ่งเอกสารแบบ Recursive100 XP
- การสร้าง Embedding และจัดเก็บเอกสาร100 XP
- การสร้าง LCEL Retrieval Chain50 XP
- สร้าง retrieval prompt100 XP
- การสร้าง Retrieval Chain100 XP
2
การปรับปรุงสถาปัตยกรรม RAG
เรียนรู้เทคนิคล่าสุดสำหรับการโหลด แบ่ง และดึงเอกสาร ไม่ว่าจะเป็นการโหลดไฟล์ Python การแบ่งตามความหมาย และการใช้วิธีดึงข้อมูลแบบ MRR และ self-query พร้อมทั้งเรียนรู้วิธีประเมินสถาปัตยกรรม RAG ด้วย metric และ framework ที่เชื่อถือได้
3
Graph RAG เบื้องต้น
เรียนรู้ว่า graph database และการดึงข้อมูลแบบ graph ช่วยแก้ไขข้อจำกัดบางประการของการจัดเก็บและดึงข้อมูลแบบ vector ดั้งเดิมได้อย่างไร
Retrieval Augmented Generation (RAG) ด้วย LangChain
เรียนจบแล้ว
