Jak zacz

Zobacz także:

• Matematyka. Kurs video. Teoria dla programisty i data science 399,00 zł, (39,90 zł -90%)
• Deep Learning for the Life Sciences. Applying Deep Learning to Genomics, Microscopy, Drug Discovery, and More 249,17 zł, (29,90 zł -88%)
• Java 9: Building Robust Modular Applications 332,50 zł, (39,90 zł -88%)
• Stream Processing with Apache Flink. Fundamentals, Implementation, and Operation of Streaming Applications 230,00 zł, (29,90 zł -87%)
• Matematyka. Kurs video. 285,00 zł, (39,90 zł -86%)

Spis treści

LangChain i LangGraph. Projektowanie aplikacji opartych na dużych modelach językowych w praktyce eBook -- spis treści

Wstęp

• Wprowadzenie do modeli językowych
  • Duże modele językowe dostosowane do wykonywania instrukcji
  • Modele językowe dostosowane do dialogu
  • Dostrojone modele językowe
• Krótkie wprowadzenie do promptowania
  • Prompty bez przykładów
  • Rozumowanie krok po kroku
  • Generowanie wspomagane wyszukiwaniem
  • Wywoływanie narzędzi
  • Prompty z kilkoma przykładami
• LangChain i jego znaczenie
• Czego można oczekiwać po tej książce
• Konwencje zastosowane w tej książce
• Przykłady kodu
• Podziękowania

1. Podstawy modeli językowych z wykorzystaniem LangChaina

• Konfiguracja projektu LangChain
• Stosowanie modeli LLM w bibliotece LangChain
• Tworzenie promptów nadających się do wielokrotnego użycia
• Uzyskiwanie od modeli LLM wyników w określonych formatach
  • Dane wyjściowe w formacie JSON
  • Inne formaty czytelne dla oprogramowania z wykorzystaniem parserów wyjściowych
• Łączenie wielu elementów aplikacji korzystającej z modelu LLM
  • Wykorzystanie interfejsu Runnable
  • Łączenie imperatywne
  • Łączenie deklaratywne
• Podsumowanie

2. RAG, część I: Indeksowanie danych

• Cel: wybór odpowiedniego kontekstu dla modeli językowych
• Osadzenia: zamiana tekstu na liczby
  • Osadzenia przed erą modeli LLM
  • Osadzenia oparte na modelach językowych
  • Wyjaśnienie osadzeń semantycznych
• Konwersja dokumentów na tekst
• Dzielenie tekstu na mniejsze fragmenty
• Generowanie osadzeń tekstów
• Przechowywanie osadzeń w wektorowej bazie danych
  • Konfiguracja PGVector
  • Praca z magazynami wektorów
• Śledzenie zmian w dokumentach
• Optymalizacja indeksowania
  • MultiVectorRetriever
  • RAPTOR - rekurencyjne przetwarzanie abstrakcyjne dla wyszukiwania w strukturach drzewiastych
  • ColBERT - optymalizacja osadzeń
• Podsumowanie

3. RAG, część II: Rozmawianie z własnymi danymi

• Wprowadzenie do generowania wspomaganego wyszukiwaniem
  • Wyszukiwanie odpowiednich dokumentów
  • Generowanie predykcji modeli LLM na podstawie istotnych dokumentów
• Przekształcanie zapytań
  • Przepisz - wyszukaj - przeczytaj
  • Wyszukiwanie danych z użyciem wielu zapytań
  • RAG-Fusion
  • Hipotetyczne osadzanie dokumentów
• Trasowanie zapytań
  • Trasowanie logiczne
  • Trasowanie semantyczne
• Tworzenie zapytań
  • Filtr tekst na metadane
  • Przetwarzanie języka naturalnego na zapytania SQL
• Podsumowanie

4. Dodanie pamięci do chatbota z wykorzystaniem LangGraphu

• Tworzenie systemu pamięci dla chatbotów
• Wprowadzenie do LangGraphu
• Tworzenie obiektu grafu stanowego
• Dodawanie pamięci do obiektu grafu stanowego
• Modyfikowanie historii czatu
  • Przycinanie wiadomości
  • Filtrowanie wiadomości
  • Łączenie następujących po sobie komunikatów
• Podsumowanie

5. Architektury poznawcze z wykorzystaniem LangGraphu

• Architektura nr 1. Wywołanie LLM
• Architektura nr 2. Sekwencja
• Architektura nr 3. Router
• Podsumowanie

6. Architektura agentowa

• Pętla planowania i działania
• Tworzenie agenta opartego na grafach językowych
• Zawsze w pierwszej kolejności używaj narzędzi
• Praca z wieloma narzędziami
• Podsumowanie

7. Agenty II

• Refleksja
• Podgrafy w LangGraphie
  • Bezpośrednie wywołanie podgrafu
  • Wywoływanie podgrafu przy użyciu funkcji
• Architektury wieloagentowe
  • Architektura z nadzorcą
• Podsumowanie

8. Wzorce efektywnego wykorzystania wielkich modeli językowych

• Ustrukturyzowane dane wyjściowe
  • Wynik pośredni
  • Strumieniowanie wyników modelu LLM token po tokenie
  • Tryby rozwiązań typu human in the loop
  • Wielozadaniowość modeli językowych
• Podsumowanie

9. Wdrażanie: uruchamianie aplikacji AI w środowisku produkcyjnym

• Wymagania wstępne
  • Instalacja zależności
  • Duży model językowy
  • Magazyn wektorowy
  • API backendu
  • Tworzenie konta LangSmith
• Prezentacja API LangGraph Platform
  • Modele danych
  • Możliwości
• Wdrażanie aplikacji AI w LangGraph Platform
  • Utwórz konfigurację API LangGraph
  • Przetestuj swoją aplikację LangGraph lokalnie
  • Wdrażanie z wykorzystaniem interfejsu użytkownika LangSmith
  • Uruchomienie LangSmith Studio
• Bezpieczeństwo
• Podsumowanie

10. Testowanie: ocena, monitorowanie i ciągłe doskonalenie

• Techniki testowania w cyklu rozwoju aplikacji opartych na modelach językowych
• Etap projektowania: RAG z autokorektą
• Etap przed wdrożeniem
  • Tworzenie zestawów danych
  • Określanie kryteriów oceny
  • Testy regresyjne
  • Ocena całościowej wydajności agenta
• Produkcja
  • Śledzenie
  • Zbieranie informacji zwrotnych w środowisku produkcyjnym
  • Klasyfikacja i znakowanie
  • Monitorowanie i usuwanie błędów
• Podsumowanie

11. Budowanie z wykorzystaniem modeli językowych

• Interaktywne chatboty
• Wspólna praca nad tekstem z wykorzystaniem modeli LLM
• Przetwarzanie w otoczeniu
• Podsumowanie