课程
使用 LangChain 的 Retrieval Augmented Generation (RAG)
中级技能水平
更新时间 2024年12月
PythonArtificial Intelligence3小时12 视频38 道练习3,150 XP17,856成就证明
创建您的免费帐户
继续使用 Google显示更多选项或
继续操作即表示您接受我们的《使用条款》和《隐私政策》，并同意您的数据存储在美国。
深受数千家公司学习者的喜爱
需要团队培训？
企业版试用课程描述
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。先决条件
Developing LLM Applications with LangChain1
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.
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.
3
Introduction to Graph RAG
Discover how graph databases and retrieval can overcome some of the limitations of traditional vector-based storage and retrieval.
使用 LangChain 的 Retrieval Augmented Generation (RAG)
课程完成 加入超过19百万学习者，今天就开始使用 LangChain 的 Retrieval Augmented Generation (RAG)！
创建您的免费帐户
继续使用 Google显示更多选项或
继续操作即表示您接受我们的《使用条款》和《隐私政策》，并同意您的数据存储在美国。
通过 DataCamp for Mobile 提升您的数据技能
随时随地通过我们的移动课程和每日 5 分钟编程挑战提升技能。