Desenvolvimento de aplicativos LLM com LangChain
Descubra como criar aplicativos com IA usando LLMs, prompts, cadeias e agentes no LangChain.
Comece O Curso Gratuitamente3 horas10 vídeos33 exercícios10.846 aprendizesDeclaração de Realização
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?
Tentar DataCamp for BusinessAmado por alunos de milhares de empresas
Descrição do Curso
Base para o desenvolvimento no ecossistema LangChain
Aumente seu kit de ferramentas LLM com o ecossistema da LangChain, permitindo uma integração perfeita com os modelos OpenAI e Hugging Face. Descubra uma estrutura de código aberto que otimiza os aplicativos do mundo real e permite que você crie sistemas sofisticados de recuperação de informações exclusivos para o seu caso de uso.Metodologias de criação de chatbot usando LangChain
Utilize as ferramentas LangChain para desenvolver chatbots, comparando as nuances entre os modelos de código aberto da HuggingFace e os modelos de código fechado da OpenAI. Utilize modelos prontos para conversas complexas, estabelecendo as bases para o desenvolvimento avançado do chatbot.Manuseio de dados e geração de aumento de recuperação (RAG) usando LangChain
Domine a tokenização e os bancos de dados vetoriais para otimizar a recuperação de dados, enriquecendo as interações do chatbot com uma grande quantidade de informações externas. Utilize as funções de memória do RAG para otimizar diversos casos de uso.Integrações avançadas de cadeias, ferramentas e agentes
Utilize o poder das cadeias, das ferramentas, dos agentes, das APIs e da tomada de decisões inteligente para lidar com casos de uso completos de ponta a ponta e com o tratamento avançado de saída LLM.Depuração e métricas de desempenho
Por fim, torne-se proficiente em depuração, otimização e avaliação de desempenho, garantindo que seus chatbots sejam desenvolvidos para lidar com erros. Adicione camadas de transparência para solução de problemas.Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Engenheiro associado de IA para desenvolvedores
Ir para a trilhaDesenvolvimento de aplicativos de IA
Ir para a trilha- 1
Introdução à LangChain e à mecânica do chatbot
GratuitoBem-vindo à estrutura LangChain para criar aplicativos em LLMs! Você aprenderá sobre os principais componentes do LangChain, incluindo modelos, cadeias, agentes, prompts e analisadores. Você criará chatbots usando modelos de código aberto da Hugging Face e modelos proprietários da OpenAI, criará modelos de prompt e integrará diferentes estratégias de memória do chatbot para gerenciar o contexto e os recursos durante as conversas.
O ecossistema LangChain50 xpHugging Face models em LangChain!100 xpModelos OpenAI em LangChain!100 xpEstratégias de solicitação para chatbots50 xpModelos de prompts e encadeamento100 xpModelos de prompt de bate-papo100 xpGerenciando a memória do modelo de bate-papo50 xpIntegração de um histórico de mensagens do chatbot100 xpCriação de um buffer de memória100 xpImplementação de uma memória de resumo100 xp - 2
Cadeias e agentes
É hora de aumentar o nível de suas cadeias LangChain! Você aprenderá a usar a LangChain Expression Language (LCEL) para definir cadeias com maior flexibilidade. Você criará cadeias sequenciais, nas quais as entradas são passadas entre os componentes para criar aplicativos mais avançados. Você também começará a integrar agentes, que usam LLMs para tomar decisões.
Cadeias sequenciais50 xpCriação de prompts para cadeias sequenciais100 xpCadeias sequenciais com LCEL100 xpIntrodução aos agentes LangChain50 xpO que é um agente?50 xpAgentes ReAct100 xpFerramentas personalizadas para agentes50 xpDefinição de uma função para uso da ferramenta100 xpCriação de ferramentas personalizadas100 xpIntegração de ferramentas personalizadas com agentes100 xp - 3
Geração Aumentada de Recuperação (RAG)
Uma limitação do LLMs é que ele tem um limite de conhecimento devido ao fato de ser treinado em dados até um determinado ponto. Neste capítulo, você aprenderá a criar aplicativos que usam o Retrieval Augmented Generation (RAG) para integrar dados externos com o LLMs. O fluxo de trabalho do RAG contém alguns processos diferentes, incluindo a divisão de dados, a criação e o armazenamento de embeddings usando um banco de dados vetorial e a recuperação das informações mais relevantes para uso no aplicativo. Você aprenderá a dominar todo o fluxo de trabalho!
Integração de carregadores de documentos50 xpPDF carregadores de documentos100 xpCSV carregadores de documentos100 xpHTML carregadores de documentos100 xpDivisão de dados externos para recuperação50 xpDivisão por caractere100 xpDivisão recursiva por caractere100 xpDivisão HTML100 xpRAG armazenamento e recuperação usando bancos de dados vetoriais50 xpPreparação dos documentos e do banco de dados vetorial100 xpCriação de um modelo de solicitação de recuperação100 xpCriando uma cadeia RAG100 xpConclusão!50 xp
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Engenheiro associado de IA para desenvolvedores
Ir para a trilhaDesenvolvimento de aplicativos de IA
Ir para a trilhacolaboradores
Áudio Gravado por
Jonathan Bennion
Ver MaisAI Engineer & LangChain Contributor
O que os outros alunos têm a dizer?
Junte-se a mais de 15 milhões de alunos e comece Desenvolvimento de aplicativos LLM com LangChain hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.