使用 LangChain 的 Retrieval Augmented Generation (RAG)

使用 LangChain 构建 RAG 系统

检索增强生成（RAG）是一种用于克服大型语言模型（LLM）主要局限之一的技术：其知识有限。 RAG 系统将来自多种来源的外部数据集成到 LLM 中。 将多个不同系统连接起来的过程通常很繁琐，但 LangChain 让这一切变得轻而易举！

学习最先进的切分与检索方法

升级你的 RAG 架构！你将学习如何加载和拆分代码文件，包括 Python 和 Markdown 文件，以确保拆分“感知”代码语法。 你将使用标记而不是字符来拆分文档，以确保检索到的文档保持在模型的上下文窗口内。 了解语义切分如何通过检测文本中主题何时发生变化，并在这些位置进行拆分，从而帮助保留上下文。 最后，学习如何使用 LangSmith 和 Ragas 对您的 RAG 架构进行稳健评估。

探索图 RAG 架构

颠覆您的 RAG 架构，了解基于图而非基于向量的 RAG 系统如何提升系统对文档中实体和关系的理解。 你将学习如何使用 LLM 将非结构化文本数据转换为图表！然后，你将把这些图文档存储到 Neo4j 图数据库中，并将其集成到更广泛的 RAG 系统中，以完成该应用程序。