Output parsers

Curso de Agentes AI

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

Google AI ofrece una gama de modelos de chat avanzados que podemos usar en LangChain, permitiendo el uso de características como invocación de herramientas, streaming de tokens, y mucho más.

...

Regístrate o inicia sesión para leer el resto del contenido.

Aportes 7

Preguntas 1

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

study.tecno256

hace 4 meses

se ve divertido.

Diego Ferrua Huivin

hace 4 meses

`HarmBlockThreshold`: 1. **HARM\_BLOCK\_THRESHOLD\_UNSPECIFIED (0):** No se especifica un umbral de bloqueo; la configuración predeterminada es incierta. 2. **BLOCK\_LOW\_AND\_ABOVE (1):** Bloquea contenido clasificado como de bajo riesgo y superior (medio y alto). 3. **BLOCK\_MEDIUM\_AND\_ABOVE (2):** Bloquea contenido de riesgo medio y alto; permite contenido de bajo riesgo. 4. **BLOCK\_ONLY\_HIGH (3):** Solo bloquea contenido clasificado como de alto riesgo; permite contenido de bajo y medio riesgo. 5. **BLOCK\_NONE (4):** No se bloquea ningún contenido; permite todo tipo de contenido. 6. **OFF (5):** Desactiva todas las configuraciones de seguridad; no se aplican restricciones.

Santiago Mejia Guerra

hace 21 días

Si en el modelo les sale error, miren bien que modelo les sale en su curl cuando ingresan para crear la API Key, ya que si en el caso del grupo es con "gemini-1.5-pro" y me fije en el curl que aparece y en mi caso es "gemini-1.5-flash" y funciono bien. ![](https://static.platzi.com/media/user_upload/image-8765fb05-a647-4c52-a1e7-e80e310880ca.jpg)

grizzlywasright

hace 4 meses

En la sección encadenar El modelo, para poder obtener la respuesta que se nos muestra es necesario agregar chain.invoke a una variable. en mi caso lo hice con una variable llamada \_messages\_ y quedó así `# Invocar la cadena con parámetros específicosmessage = chain.invoke( { "input_language": "English", "output_language": "German", "input": "I love programming, though.", })` `# Visualizar la respuesta del modelo sin toda la información de respuesta` `message.content` Y por respuesta obtengo lo que se muestra en el texto de la clase: `'Ich liebe das Programmieren aber. \n'` Si se quisiera obtener el texto solamente sin el utimo par de caracteres, se puede usar la función print: `print(message.content)`

Diego Ferrua Huivin

hace 4 meses

```js from langchain_google_genai import GoogleGenerativeAI # Inicializar el modelo de Google AI llm = GoogleGenerativeAI( model="gemini-1.5-pro", temperature=0, max_tokens=None, timeout=None, max_retries=2, # otros parámetros según sea necesario... ) # Crear los mensajes para la traducción messages = [ ( "system", "You are a helpful assistant that translates English to French. Translate the user sentence.", ), ("human", "I love programming."), ] # Invocar el modelo con los mensajes ai_msg = llm.invoke(messages) # Imprimir el contenido de la respuesta print(ai_msg) ```Asi estructuramos los ejemplo anteriores con google Ai herramienta gratuita

andres reyes

hace 4 meses

Lo que hace `chain = prompt | llm` donde tengo entendido agrega como un pipeline para procesar la información, esperaría que igual se pudiera pasar mas template antes de un invoke como `chain = promptGenerateContent | promptReviewContent | promptSelect | llm` (?)

Jovanny Delgado

hace 4 meses

excelente para hacer mi profesor de ingles personal