Retrieval Augmented Generation (RAG) com LangChain

Crie sistemas RAG com o LangChain

A Retrieval Augmented Generation (RAG) é uma técnica usada para superar uma das principais limitações dos grandes modelos de linguagem (LLMs): seu conhecimento limitado. Os sistemas RAG juntam dados externos de várias fontes nos LLMs. Esse processo de conectar vários sistemas diferentes costuma ser chato, mas o LangChain facilita tudo!

Aprenda os métodos mais modernos de divisão e recuperação

Melhore sua arquitetura RAG! Você vai aprender a carregar e dividir arquivos de código, incluindo arquivos Python e Markdown, pra garantir que as divisões “reconheçam” a sintaxe do código. Você vai dividir seus documentos usando tokens em vez de caracteres pra garantir que os documentos recuperados fiquem dentro da janela de contexto do seu modelo. Descubra como a divisão semântica pode ajudar a manter o contexto, detectando quando o assunto no texto muda e dividindo nesses pontos. Por fim, aprenda a avaliar sua arquitetura RAG de forma robusta com LangSmith e Ragas.

Conheça a arquitetura Graph RAG

Dá uma virada na sua arquitetura RAG e descobre como os sistemas RAG baseados em gráficos, em vez de vetores, podem melhorar a compreensão do seu sistema sobre as entidades e relações nos seus documentos. Você vai aprender a transformar dados de texto não estruturados em gráficos usando LLMs para fazer a tradução! Depois, você vai guardar esses documentos gráficos em um banco de dados gráfico Neo4j e integrá-los a um sistema RAG mais amplo para terminar o aplicativo.