Retrieval Augmented Generation (RAG) với LangChain

Xây dựng hệ thống RAG với LangChain

Retrieval Augmented Generation (RAG) là một kỹ thuật được sử dụng để vượt qua một trong những hạn chế chính của các mô hình ngôn ngữ lớn (LLM): kiến thức hạn chế của chúng. Các hệ thống RAG tích hợp dữ liệu bên ngoài từ nhiều nguồn khác nhau vào LLM. Quá trình kết nối nhiều hệ thống khác nhau này thường rất tẻ nhạt, nhưng LangChain khiến việc này trở nên cực kỳ dễ dàng!

Tìm hiểu các phương pháp phân tách và truy xuất tiên tiến nhất hiện nay

Nâng tầm kiến trúc RAG của bạn! Bạn sẽ học cách tải và tách các tệp mã nguồn, bao gồm các tệp Python và Markdown để đảm bảo rằng việc tách được “nhận biết” cú pháp mã nguồn. Bạn sẽ chia nhỏ tài liệu của mình bằng cách sử dụng token thay vì ký tự để đảm bảo rằng các tài liệu được truy xuất của bạn nằm trong cửa sổ ngữ cảnh của mô hình. Khám phá cách phân tách ngữ nghĩa có thể giúp giữ lại ngữ cảnh bằng cách phát hiện khi chủ đề trong văn bản thay đổi và phân tách tại những điểm này. Cuối cùng, hãy học cách đánh giá kiến trúc RAG của bạn một cách vững chắc với LangSmith và Ragas.

Khám phá Kiến trúc Graph RAG

Hãy lật ngược kiến trúc RAG của bạn và khám phá cách các hệ thống RAG dựa trên graph, thay vì dựa trên vector, có thể nâng cao khả năng hiểu các thực thể và mối quan hệ trong tài liệu của hệ thống bạn. Bạn sẽ học cách chuyển đổi dữ liệu văn bản phi cấu trúc thành đồ thị bằng cách sử dụng LLM để thực hiện việc chuyển đổi! Sau đó, bạn sẽ lưu trữ các tài liệu đồ thị này trong cơ sở dữ liệu đồ thị Neo4j và tích hợp nó vào một hệ thống RAG rộng hơn để hoàn thiện ứng dụng.