Pular para o conteúdo principal
InícioPython

Desenvolvimento de aplicativos LLM com LangChain

Descubra como criar aplicativos com IA usando LLMs, prompts, cadeias e agentes no LangChain.

Comece O Curso Gratuitamente
3 horas10 vídeos33 exercícios10.846 aprendizesTrophyDeclaração de Realização

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.
Group

Treinar 2 ou mais pessoas?

Tentar DataCamp for Business

Amado 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.
Para Empresas

Treinar 2 ou mais pessoas?

Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.
DataCamp Para EmpresasPara uma solução sob medida , agende uma demonstração.

Nas seguintes faixas

Engenheiro associado de IA para desenvolvedores

Ir para a trilha

Desenvolvimento de aplicativos de IA

Ir para a trilha
  1. 1

    Introdução à LangChain e à mecânica do chatbot

    Gratuito

    Bem-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.

    Reproduzir Capítulo Agora
    O ecossistema LangChain
    50 xp
    Hugging Face models em LangChain!
    100 xp
    Modelos OpenAI em LangChain!
    100 xp
    Estratégias de solicitação para chatbots
    50 xp
    Modelos de prompts e encadeamento
    100 xp
    Modelos de prompt de bate-papo
    100 xp
    Gerenciando a memória do modelo de bate-papo
    50 xp
    Integração de um histórico de mensagens do chatbot
    100 xp
    Criação de um buffer de memória
    100 xp
    Implementação de uma memória de resumo
    100 xp
  2. 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.

    Reproduzir Capítulo Agora
  3. 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!

    Reproduzir Capítulo Agora
Para Empresas

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 trilha

Desenvolvimento de aplicativos de IA

Ir para a trilha

colaboradores

Collaborator's avatar
James Chapman

Áudio Gravado por

Jonathan Bennion's avatar
Jonathan Bennion

pré-requisitos

Introduction to Embeddings with the OpenAI APIChatGPT Prompt Engineering for Developers
Jonathan Bennion HeadshotJonathan Bennion

AI Engineer & LangChain Contributor

Ver Mais

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

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.