Introducción a LangChain

1

Desarrollo de aplicaciones con LLM utilizando LangChain

2

Estructura y módulos de LangChain

3

Uso de modelos Open Source de Hugging Face

4

Uso de modelos de OpenAI API

5

Prompt templates de LangChain

6

Cadenas en LangChain

7

Utility chains

8

RetrievalQA chain

9

Foundational chains

Quiz: Introducción a LangChain

Casos de uso de LangChain

10

Casos de uso de LangChain

11

¿Cómo utilizar LangChain en mi equipo?

Quiz: Casos de uso de LangChain

Manejo de documentos con índices

12

¿Cómo manejar documentos con índices en LangChain?

13

La clase Document

14

Document Loaders: PDF

15

Document Loaders: CSV con Pandas DataFrames

16

Document Loaders: JSONL

17

Document Transformers: TextSplitters

18

Proyecto de Chatbot: configuración de entorno para LangChain y obtención de datos

19

Proyecto de Chatbot: creación de documents de Hugging Face

Quiz: Manejo de documentos con índices

Embeddings y bases de datos vectoriales

20

Uso de embeddings y bases de datos vectoriales con LangChain

21

¿Cómo usar embeddings de OpenAI en LangChain?

22

¿Cómo usar embeddings de Hugging Face en LangChaing?

23

Chroma vector store en LangChain

24

Proyecto de Chatbot: ingesta de documents en Chroma

25

RetrievalQA: cadena para preguntar

26

Proyecto de Chatbot: cadena de conversación

27

Proyecto de Chatbot: RetrievalQA chain

Quiz: Embeddings y bases de datos vectoriales

Chats y memoria con LangChain

28

¿Para qué sirve la memoria en cadenas y chats?

29

Uso de modelos de chat con LangChain

30

Chat prompt templates

31

ConversationBufferMemory

32

ConversationBufferWindowMemory

33

ConversationSummaryMemory

34

ConversationSummaryBufferMemory

35

Entity memory

36

Proyecto de Chatbot: chat history con ConversationalRetrievalChain

Quiz: Chats y memoria con LangChain

Evolución del uso de LLM

37

LangChain y LLM en evolución constante

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Curso de LangChain

Curso de LangChain

Omar Espejel

Omar Espejel

¿Cómo manejar documentos con índices en LangChain?

12/37
Recursos

Aportes 3

Preguntas 1

Ordenar por:

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

Esta clase es de las mas poderosas

  1. Acceder a informaicion actual y propietaria y asi mismo recordar el contexto, son necesarios los indices
  2. Conectar desde cualquier tipo de documento, csv, json, excel, txt, wiord, pdf, etc
  3. Proceso de partir info, procesarla, transformar info, despues ingresarlos con vector store, para buscar y poder contestar adecuadamente con relacion a la alimentacion de la info que le dimos. (fragmentos indexados)
  4. Los modelos actuan en funcion de los datos con los cuales a sido entrenado

🕋 Generación Aumentada de Recuperación (RAG)

Muchas aplicaciones LLM requieren datos específicos del usuario que no forman parte del conjunto de entrenamiento del modelo. La principal forma de conseguirlo es a través de la Generación Aumentada por Recuperación (RAG). En este proceso, los datos externos se recuperan y se pasan al LLM cuando se realiza el paso de generación.
.

.
LangChain provee de todos los tipos de bloques para aplicaciones RAG. Cada uno, puede requerir de uno o barios de ellos según del requerimiento a desarrollar.
.
Con ello en mente, LangChain nos presenta etapas para recuperar información a partir de un origen o repositorio documental.
.

  • Cargadores de Documentos (Document Loaders). Los cuales proveen de integraciones para cargar la mayoría de documentos según sea su formato de origen.
  • Transformadores de Documentos (Document Transformers). Los cuales proveen de interfaces para obtener partes relevantes de los documentos.
  • Incrustadores de Textos (Text Embedding). Los cuales capturan la semántica de los texto en los documentos, permitiendo una via rápida y eficiente de consulta.
  • Almacenamiento Vectorial (Vector Stores). Siendo almacenamientos vectoriales donde se puede contener contextos.
Los índices nos ayudan a encontrar la información importante que necesitamos. También nos ayudan a cargar la información desde los documentos que la contienen.