Cơ bản về LangChain dành cho người mới bắt đầu

Hệ điều hành và Phiên bản (OS): Windows

Công cụ được sử dụng: Google Colab, OpenAI API yêu cầu khóa xác thực

Thông số kỹ thuật của PC: Không áp dụng (thông số kỹ thuật cho phép Google Colab chạy bình thường)

Tài liệu thực hành được cung cấp thông qua trang GitHub: https://github.com/tsdata/langchain-study

Tài liệu tham khảo được cung cấp bởi Wikidocs: https://wikidocs.net/book/14473

Những người có kiến thức cơ bản về Python và hiểu biết về máy học

Nó không đề cập đến cú pháp Python hoặc các nguyên tắc trí tuệ nhân tạo.

Nếu bạn có bất kỳ câu hỏi hoặc ý kiến nào, xin vui lòng hỏi.

RAG Master: Từ cơ bản đến kỹ thuật nâng cao (hợp tác với LangChain)

Từ việc triển khai RAG đến đánh giá hiệu suất -

Phát triển AI thực tế trong 9 giờ

• Thực hành xây dựng hệ thống RAG dựa trên LangChain

• Học các kỹ thuật RAG nâng cao

• Phương pháp đánh giá hiệu suất hệ thống RAG

• Cú pháp LCEL mới nhất của LangChain và cách sử dụng Runnable

  
  

Liên kết: https://inf.run/mdYe4

Xây dựng Chatbot Python & RAG với các dự án - Sử dụng LangChain và Gradio

Bao gồm tổng cộng 4 dự án

• Một chatbot QA đơn giản: Hiểu về môi trường phát triển, cấu trúc chuỗi LLM và giao diện Gradio

• Chatbot RAG dựa trên PDF: Hiểu về kỹ thuật RAG, các tham số mô hình và triển khai giao diện chatbot.

• Chatbot phân tích dữ liệu: Tải lên tệp CSV và phân tích dữ liệu (Đại lý đơn lẻ)

• Chatbot phân tích đầu tư: Nghiên cứu tiền điện tử và phân tích đầu tư (Nhiều tác nhân)

Liên kết: https://inf.run/PfJaS

Phân tích dữ liệu LLM - Từ thu thập dữ liệu web đến hệ thống đề xuất

Nâng cấp lên LangChain và LLM

Thu thập dữ liệu web và phân tích dữ liệu

• Thu thập dữ liệu bằng cách sử dụng công cụ thu thập/scraping web

• Thu thập, làm sạch và phân tích dữ liệu bằng các công cụ LangChain và LLM

• Phân tích dự đoán sử dụng LLM (phân tích tình cảm, tóm tắt, đề xuất sản phẩm, v.v.)

Liên kết: https://inf.run/QYw3Q

Hệ thống RAG được triển khai với các tác nhân AI (với LangGraph)

Một tác nhân AI thông minh để tạo tìm kiếm tăng cường (RAG) được triển khai bằng LangGraph.

• Thiết kế và triển khai cấu trúc tác nhân AI bằng LangGraph

• Áp dụng các tác nhân AI vào Tạo ra Tăng cường Truy xuất (RAG)

• Mở rộng khả năng của tác nhân AI bằng cách triển khai chức năng gọi công cụ.

• Nắm vững các kiến trúc RAG tác nhân mới nhất, bao gồm RAG thích ứng, RAG tự thân và RAG sửa lỗi.

Liên kết: https://inf.run/hTwjC