آموزش توسعه برنامه های LLM را با LangChain و OpenAI ارتقا دهید

سرفصل ها و درس ها

مقدمه Introduction

• برنامه های LLM را ارتقا دهید Level up LLM applications

• آنچه شما باید بدانید What you should know

1. مبانی LangChain: مقدمه ای برای ساخت برنامه های LLM-Powered 1. LangChain Basics: Intro to Building LLM-Powered Apps

• یک زنجیره و رابط با LLM ایجاد کنید Create a chain and interface with LLM

• ایجاد و فراخوانی یک زنجیره (سینتکس LCEL) Create and invoke a chain (LCEL syntax)

• یک اعلان را تعریف و ساختار دهید Define and structure a prompt

• راه اندازی و نصب Setup and installation

• با تجزیه کننده های خروجی کار کنید Work with output parsers

2. افزودن شباهت جستجو و زمینه 2. Adding Similarity Search and Context

• راه اندازی سریع: نصب و راه اندازی Quickstart: Installation and setup

• پرس و جو به عنوان یک بازیابی Querying as a retriever

• ایجاد جاسازی از متن (Faiss) Create embeddings from text (Faiss)

• پرس و جو از فروشگاه برداری Querying the vector store

3. استفاده از LLM با LangChain و RAG 3. Leveraging LLMs with LangChain and RAG

• ایجاد زنجیره: Prompt + model + parser Create the chain: Prompt + model + parser

• اسناد را بارگیری و به قطعات تقسیم کنید Load and split documents into chunks

• ایجاد زنجیره: اضافه کردن زمینه با یک بازیابی Create the chain: Add context with a retriever

• یک ذخیره برداری (Chroma) را راه اندازی کنید و اسناد را وارد کنید Initialize a vector store (Chroma) and ingest documents

• راه اندازی پروژه Project setup

• راه حل: چت ربات آگاه از متن و تاریخ Solution: Context- and history-aware chatbot

• داده ها را با RunnablePassthrough و داده های پرس و جو منتقل کنید Pass data with RunnablePassthrough and query data

• شکست خط لوله RAG Breaking down the RAG pipeline

• RAG: نمای کلی و معماری RAG: Overview and architecture

• چالش: یک عامل سفارشی با سابقه ایجاد کنید Challenge: Create a custom agent with history

• راه حل: یک زنجیره با سابقه چت اضافه کنید Solution: Add a chain with chat history

4. ایجاد یک برنامه وب تعاملی (Streamlit) 4. Create an Interactive Web App (Streamlit)

• برنامه Streamlit را راه اندازی کنید Set up the Streamlit application

• راه حل: برنامه خود را مستقر کنید Solution: Deploy your app

• راه حل: برنامه را به GitHub اضافه کنید Solution: Add app to GitHub

• طرح بندی را با اجزای Streamlit بسازید Build the layout with Streamlit components

• چالش: برنامه Streamlit خود را اجرا کنید Challenge: Deploy your Streamlit app

• افزودن قابلیت با Streamlit Adding functionality with Streamlit

5. یک عامل پرسش و پاسخ با منابع داده های متعدد و تجزیه و تحلیل پرس و جو بسازید 5. Build a Q&A Agent with Multiple Data Sources and Query Analysis

• تجزیه و تحلیل پرس و جو را برای مدیریت چندین منبع داده تنظیم کنید Set up query analysis to handle multiple data sources

• چالش: بازیابی با چندین منبع داده Challenge: Retrieval with multiple data sources

• بازیابی با تحلیل پرس و جو Retrieval with query analysis

• بازیابی با تحلیل پرس و جو Retrieval with query analysis

• راه حل: پرسش و پاسخ با چندین منبع داده Solution: Q&A with multiple data sources

• به یک منبع داده متصل شوید و یک فهرست ایجاد کنید Connect to a data source and create an index

6. جستجوی معنایی را با استفاده از MongoDB Atlas Vector Search و OpenAI انجام دهید 6. Perform Semantic Search Using MongoDB Atlas Vector Search and OpenAI

• فهرست جستجوی بردار اطلس را ایجاد کنید Create the Atlas Vector Search index

• شروع کار با MongoDB: یک حساب کاربری ایجاد کنید Getting started with MongoDB: Create an account

• ایجاد و استقرار یک خوشه رایگان Build and deploy a free cluster

• داده های نمونه را بارگیری کنید و ذخیره برداری را ایجاد کنید Load sample data and create the vector store

• ایجاد یک دسترسی امن به پایگاه داده (کاربر) Create a secured database access (user)

• عبارت های جستجوی برداری را اجرا کنید Run vector search queries

• محیط MongoDB را راه اندازی کنید و به خوشه متصل شوید Set up the MongoDB environment and connect to the cluster

7. تعامل با یک پایگاه داده NoSQL (MongoDB) 7. Interact with a NoSQL Database (MongoDB)

• ایجاد یک زنجیره بازیابی: زمینه را تعریف کنید Create a retrieval chain: Define the context

• ایجاد یک زنجیره بازیابی: اعلان را تعریف کنید Create a retrieval chain: Define the prompt

• اسناد را پرس و جو کنید و پاسخ های گسترده ایجاد کنید Query documents and generate extended responses

• ایجاد یک زنجیره بازیابی: نتایج را تجزیه و قالب بندی کنید Create a retrieval chain: Parse and format results

8. تنظیم دقیق LLM با ابزارها و توابع OpenAI 8. LLM Fine-Tuning with the OpenAI Tools and Functions

• ابزارها را ببندید و عامل ایجاد کنید Bind tools and create agent

• ابزارها را تعریف کنید Define tools

• چالش: یک عامل چند وظیفه ای ایجاد کنید Challenge: Create a multitask agent

• استفاده از عوامل برای انجام اعمال در زنجیره Using agents to perform actions in chains

• راه حل: ابزارها و توابع را تعریف کنید Solution: Define tools and functions

• Agent executor را ایجاد و اجرا کنید Create and run the agent executor

• اعلان کامل را انتخاب کنید Select the perfect prompt

9. Chains را به عنوان یک API RESTful با LangServe مستقر کنید 9. Deploy Chains as a RESTful API with LangServe

• معرفی LangServe: نصب و راه اندازی Introducing LangServe: Installation and setup

• سرور ایجاد کنید Create a server

• مسیرها و نقاط پایانی را ایجاد کنید Create the routes and the endpoints

• یک runnable برای ترکیب یک prompt، یک مدل و خروجی ایجاد کنید Create a runnable to combine a prompt, a model, and output

• راه حل: یک API RESTful راه اندازی کنید Solution: Deploy a RESTful API

• چالش: استقرار یک API RESTful Challenge: Deploy a RESTful API

10. خط پایان: در فضای ابری مستقر شده و با جهان به اشتراک بگذارید 10. Finish Line: Deploy to the Cloud and Share with the World

• یک برنامه را در Render مدیریت و اجرا کنید Manage and deploy an app on Render

• یک مخزن GitHub ایجاد کنید و پروژه خود را فشار دهید Create a GitHub repository and push your project

• یک وب سرویس جدید در Render مستقر کنید Deploy a new web service on Render

نتیجه گیری Conclusion

• نتیجه گیری Conclusion