Retrieval Augmented Generation (RAG) avec LangChain

Construisez des systèmes RAG avec LangChain

La génération augmentée par la récupération (RAG) est une technique utilisée pour surmonter l'une des principales limites des grands modèles linguistiques (LLM) : leurs connaissances restreintes. Les systèmes RAG intègrent des données externes provenant de diverses sources dans les LLM. Ce processus de connexion de plusieurs systèmes différents est généralement fastidieux, mais LangChain le rend extrêmement simple.

Découvrez les méthodes de pointe en matière de fractionnement et de récupération

Améliorez votre architecture RAG ! Vous apprendrez à charger et à diviser des fichiers de code, y compris des fichiers Python et Markdown, afin de garantir que les divisions tiennent compte de la syntaxe du code. Vous diviserez vos documents à l'aide de jetons plutôt que de caractères afin de garantir que les documents récupérés restent dans la fenêtre contextuelle de votre modèle. Découvrez comment le fractionnement sémantique peut aider à conserver le contexte en détectant les changements de sujet dans le texte et en effectuant des fractionnements à ces endroits. Enfin, veuillez apprendre à évaluer de manière rigoureuse votre architecture RAG à l'aide de LangSmith et Ragas.

Découvrez l'architecture Graph RAG

Réorganisez votre architecture RAG et découvrez comment les systèmes RAG basés sur des graphes, plutôt que sur des vecteurs, peuvent améliorer la compréhension par votre système des entités et des relations présentes dans vos documents. Vous apprendrez à convertir des données textuelles non structurées en graphiques à l'aide de modèles linguistiques à grande échelle (LLM) pour effectuer la traduction. Ensuite, vous stockerez ces documents graphiques dans une base de données graphique Neo4j et les intégrerez dans un système RAG plus large afin de finaliser l'application.