Chuyển đến nội dung chính

Trang chủ Python

Khóa học

Retrieval Augmented Generation (RAG) với LangChain

Trung cấpTrình độ kỹ năng

Đã cập nhật tháng 12, 2024

Tìm hiểu các phương pháp tiên tiến để tích hợp dữ liệu bên ngoài với LLMs bằng cách sử dụng Retrieval Augmented Generation (RAG) với LangChain.

Bắt Đầu Khóa Học Miễn Phí

PythonArtificial Intelligence3 giờ12 video38 Bài tập3,150 XP16,296Giấy Chứng Nhận Thành Tích

Tạo tài khoản miễn phí

hoặc

Bằng cách tiếp tục, bạn chấp nhận Điều khoản sử dụng, Chính sách bảo mật và việc dữ liệu của bạn được lưu trữ tại Hoa Kỳ.

Được yêu thích bởi học viên tại hàng nghìn công ty

Đào tạo 2 người trở lên?

Thử DataCamp for Business

Mô tả khóa học

Large Language Models (LLMs) đang được tích hợp vào máy tính, điện thoại và các ứng dụng phần mềm, nhưng chúng có một hạn chế: kiến thức bị giới hạn bởi dữ liệu huấn luyện, vốn chậm và tốn kém. Đó là lúc Retrieval Augmented Generation (RAG) xuất hiện! RAG cho phép bạn kết hợp dữ liệu bên ngoài với LLMs. Trong khóa học này, bạn sẽ học các kỹ thuật hiện đại để tải, xử lý và truy xuất dữ liệu bên ngoài cho LLMs! Bạn sẽ sử dụng cơ sở dữ liệu vector, các LLM mới nhất như GPT-4o-Mini và framework LangChain để xây dựng ứng dụng RAG. Khóa học kết thúc với một chương về Graph RAG, một biến thể của RAG truyền thống dùng cơ sở dữ liệu đồ thị để truy xuất dữ liệu đáng tin cậy hơn.

Điều kiện tiên quyết

Developing LLM Applications with LangChain

1

Building RAG Applications with LangChain

Discover how to integrate external data sources into chat models with LangChain. Learn how to load, split, embed, store, and retrieve data for use in LLM applications.

Loading Documents for RAG with LangChain

Loading PDF files for RAG

Loading HTML files for RAG

Text splitting, embeddings, and vector storage

Getting started with text splitting

Recursively splitting documents

Embedding and storing documents

Building an LCEL retrieval chain

Creating the retrieval prompt

Building the retrieval chain

Bắt Đầu Chương

2

Improving the RAG Architecture

Discover state-of-the-art techniques for loading, splitting, and retrieving documents, including loading Python files, splitting semantically, and using MRR and self-query retrieval methods. Learn to evaluate your RAG architecture using robust metrics and frameworks.

Loading and splitting code files

Loading code files

Splitting Python files

Advanced splitting methods

Splitting by tokens

Splitting semantically

Optimizing document retrieval

Sparse vs. dense retrieval

Understanding BM25

Sparse retrieval with BM25

Introduction to RAG evaluation

Ragas context precision evaluation

Ragas faithfulness evaluation

String evaluation

Bắt Đầu Chương

3

Introduction to Graph RAG

Discover how graph databases and retrieval can overcome some of the limitations of traditional vector-based storage and retrieval.

From vectors to graphs

Creating graph documents

Getting to know graphs

Storing and querying documents

Building-up your graph database

Querying your graph database

Creating the Graph RAG chain

A journey through the Graph RAG system

Chaining, Graph RAG style!

Improving graph retrieval

Graph RAG with filtering

Validating Cypher queries

Creating a Cypher few-shot prompt

Congratulations!

Bắt Đầu Chương

Retrieval Augmented Generation (RAG) với LangChain

Hoàn
Thành

Nhận Giấy Chứng Nhận Hoàn Thành

Thêm chứng chỉ này vào hồ sơ LinkedIn, CV hoặc sơ yếu lý lịch của ban
Chia sẻ trên mạng xã hội và trong đánh giá hiệu suất của banĐăng Ký Ngay

Tham gia cùng hơn 19 triệu học viên và bắt đầu Retrieval Augmented Generation (RAG) với LangChain ngay hôm nay!

Tạo tài khoản miễn phí

hoặc

Bằng cách tiếp tục, bạn chấp nhận Điều khoản sử dụng, Chính sách bảo mật và việc dữ liệu của bạn được lưu trữ tại Hoa Kỳ.

Phát triển kỹ năng dữ liệu với DataCamp cho thiết bị di động

Tiến bộ mọi lúc mọi nơi với các khóa học cho thiết bị di động và thử thách lập trình 5 phút hằng ngày.