Fundamentos de los Agentes Inteligentes y LangChain
Agiliza procesos usando Agentes AI
Introducción a LangChain
Agentes inteligentes de LangChain
Instalación y configuración de LangChain
Quiz: Fundamentos de los Agentes Inteligentes y LangChain
Chat Models y Prompt templates
Introducción a los modelos de chat
Chat Messages con OpenAI
Output parsers
Prompt templates en LangChain
Tipos de ChatTemplates: Few-Shot Prompting
Quiz: Chat Models y Prompt templates
Cadenas en LangChain
Introducción a Chains y LCEL
Chat con historial
Integración de cadena: Runnable y OutputParser
Chat Memory
Implementación de memoria en cadenas
Quiz: Cadenas en LangChain
Carga de documentos en LangChain
Carga de PDF y CSV con LangChain
Cargar HTML y Directorio con LangChain
Text Splitters
Quiz: Carga de documentos en LangChain
Retrieval-augmented generation (RAG)
Introducción a Embeddings
VectorStore: Chroma
Vectorstore: Pinecone
Chatbot RAG: carga de documentos a Vectorstore
Chatbot RAG: prompt templates, cadenas y memoria
Quiz: Retrieval-augmented generation (RAG)
Agentes en LangChain
LangChain Tools
Construcción de agentes en LangChain
Construcción de agentes con memoria
Quiz: Agentes en LangChain
Ecosistema de LangChain
Ecosistema de LangChain
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Los Document Loaders son herramientas especializadas en LangChain que permiten cargar información desde varios formatos de archivos, como PDF, CSV, Markdown, HTML, entre otros. Cada tipo de archivo tiene su propio loader especÃfico que facilita la extracción de texto y metadatos.
Uno de los ejemplos más comunes es cargar y trabajar con PDFs. Para ello, utilizamos el paquete PyPDF dentro de LangChain.
Pasos para cargar un PDF:
PyPDF
y langchain-community
.El CSV Loader en LangChain te permite cargar archivos CSV, donde cada fila se trata como un documento independiente. Este loader es especialmente útil cuando deseas analizar grandes volúmenes de datos estructurados.
Pasos para cargar un CSV:
Una vez que cargas un archivo (ya sea PDF, CSV u otro), LangChain te permite realizar búsquedas más sofisticadas utilizando espacios vectoriales. Un vector store almacena información en forma de vectores, lo que facilita la búsqueda por similitud. Esta técnica es útil cuando queremos buscar información relacionada de manera semántica dentro de un documento o conjunto de documentos.
Para realizar una búsqueda semántica, necesitamos convertir el texto de los documentos en vectores. Esto se logra utilizando Embeddings, que son representaciones numéricas del texto. En este curso, hemos utilizado OpenAI Embeddings, que convierte el contenido textual en números que el sistema puede comparar.
Proceso de vectorización:
Una vez vectorizados los documentos, puedes realizar búsquedas por similitud, donde se busca la proximidad entre el texto de consulta y los documentos almacenados como vectores. Esto es extremadamente útil para encontrar respuestas relevantes en grandes volúmenes de información.
Ejemplo: Si buscas un texto que incluya una frase especÃfica, el sistema puede encontrar el contenido más cercano en significado y devolverlo como resultado.
Uno de los aspectos más potentes de LangChain es su capacidad para integrar agentes. Un agente es una entidad que puede tomar decisiones autónomas basadas en entradas del usuario y consultar datos desde diversas fuentes.
En las próximas clases, veremos con mayor profundidad cómo manejar bases vectoriales. Las bases vectoriales permiten organizar y consultar información de manera más eficiente, especialmente cuando trabajamos con grandes volúmenes de texto o datos no estructurados.
Aportes 5
Preguntas 1
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?