Curso intensivo de LangChain

1. ACERCA DEL CURSO: En este video curso, aprende Lang chin y sus conceptos. LangChn es un framework diseñado para construir aplicaciones impulsadas por grandes modelos de lenguaje Proporciona herramientas y abstracciones para facilitar la integración de LLM en las aplicaciones, permitiendo tareas como responder, generación de texto, Rag, chatbots En este curso, hemos cubierto las siguientes lecciones con ejemplos de live running. Empecemos con la primera lección. 2. LangChain: introducción, características y casos de uso: En esta lección, aprenderemos qué es Lang chin. También discutiremos las características así como sus casos de uso. Empecemos. Lang chain es un framework diseñado para desarrollar aplicaciones impulsadas por grandes modelos de lenguaje. Simplifica todo el ciclo de vida de las aplicaciones LLM desde el desarrollo hasta la implementación y monitoreo Es útil para construir aplicaciones conscientes del contexto y basadas en el razonamiento. Puede integrar fácilmente LLM en aplicaciones que permiten tareas como la generación de texto, Rag, quotien answer y otras . Al encadenar múltiples modelos y procesos, ang chain permite al usuario construir flujos de trabajo complejos Con eso, puede administrar fácilmente varios componentes de un sistema EA usando la cadena Lang. Primero entendamos ¿qué interpreta Lang Chin? Significa Lang plus chain. Eso significa que los grandes modelos de lenguaje para Lang así como la cadena son para combinar estos LLM, como encadenar estos Así que la cadena se construye alrededor de LLM como Open Es, GPT, HuggingPase modelos , Con la cadena Lang, puede encadenar fácilmente múltiples pasos o componentes como recuperar datos de una base de datos o almacén de documentos, procesar estos datos para generar incrustaciones. También puede generar respuestas usando un LLM interactuar con API y bases Aquí están las características de la cadena Lang. Se puede integrar fácilmente con LLM. Proporciona una interfaz unificada para interactuar con diferentes modelos. Crear cadenas de operaciones en las que se agregue la salida de un paso como entrada al siguiente paso. Por ejemplo, una cadena que recupera documentos relevantes y responde usando un LLM La cadena Lang también soporta memoria. Como su nombre indica, la memoria se utiliza para almacenar y recuperar el contexto a través de las interacciones. A través de esto, puede crear fácilmente booards de chat o aplicaciones que requieran contexto de interacciones anteriores, como la memoria Lang chin también proporciona herramientas para indexar así como para recuperar documentos Entonces estarías conociendo de Rag, así que Rag es recuperación de generación aumentada Lang chin también ayuda en la construcción de sistemas de trapo, como un vector almacenado para recuperar documentos relean para una consulta Lang chin también soporta agentes que son sistemas que utilizan LLM para decidir qué acciones tomar y en Como un agente para facilitar el trabajo de ventas, un agente que puede interactuar con API externas o bases de datos. LangChn también proporciona herramientas para indicaciones para que pueda administrar y optimizar fácilmente las Lang chin es modular que permite a los desarrolladores mezclar y combinar componentes para que se puedan construir fácilmente flujos de trabajo personalizados. Veamos ahora los casos de uso de Lang chin. Si quieres construir un sistema de respuesta de cociente, puedes lograrlo fácilmente con Lang chin Esto recuperará información relevante y generará respuestas. Crea fácilmente agentes conversacionales que mantienen el contexto a través de las interacciones como un booard de chat Implementa Rag también con cadena Lang para que puedas obtener texto que sea más preciso y basado en tus propios documentos También puedes resumir textos, resumir fácilmente documentos largos o artículos con Lang chin, construir fácilmente herramientas para que se puedan generar citas Con eso, cree fácilmente asistente virtual personal para tareas como programar, recuperar información, redactar un correo electrónico y otras Entonces en esta lección, vimos lo que es Lang chin, sus características. También vimos los casos de uso. Gracias por ver el video. 3. Qué es el encadenamiento en LangChain: En esta lección, entenderemos qué es el encadenamiento en lang chin Ya vimos cómo interpretar lang chin como lang plus chain. Entonces veamos qué es la cadena. Lang chain es un proceso para combinar múltiples componentes o pasos en una secuencia para que puedas cumplir una tarea específica. El encadenamiento es importante para que puedas mezclar y combinar componentes para facilitar el trabajo de crear flujos de trabajo personalizados, construir fácilmente sistemas que usen el contexto de pasos anteriores como el historial de chat Con eso, también puedes descomponer fácilmente las tareas difíciles en pasos más pequeños y fáciles con el encadenamiento Aquí hay un ejemplo rápido de encadenamiento en cadena lang. Vamos a construir un trapo que es recuperación sistema de generación aumentada En esto, ¿cuál es el primer paso que se recupera? Puede usar un recuperador para obtener documentos relevantes. Entonces el generar pasan los documentos relevantes y un cociente que es un prompt, pidió a un LLM que genere una respuesta ¿Y cuál será la salida? La respuesta será devuelta al usuario. Entonces, la secuencia de pasos que vimos es una cadena que combina recuperación y generación en un solo flujo de trabajo. Entonces este es el concepto de encadenamiento. El encadenamiento es como vincular múltiples componentes para crear una secuencia de operaciones como los recuperadores de documentos Entonces, chicos, vimos lo que está encadenando en cadena Lang. Gracias por ver el video. 4. Componentes/módulos de LangChain: En esta lección, entenderemos cuáles son los componentes del lang chin. También considerarlos como los módulos de lang chin. Veamos para construir flujos de trabajo complejos, incluyendo LLM, Lang chin ha proporcionado algunos componentes Déjanos verlas. El primero es el preprocesamiento Como su nombre indica, prepara sus datos sin procesar como sus documentos para que pueda usarlos en flujos de trabajo ang chin. También incluye la tarea de dividir texto en trozos, limpiar los datos y generar incrustaciones Luego vienen tus modelos. Estos son tus LLM, es decir, modelos de lenguaje grande o incluso los modelos de incrustación. Debes haber oído hablar de GPT, también abrazando modelos de cara con eso, también incluye tus modelos personalizados afinados Luego viene el componente prompts. Estas son sus consultas sobre instrucciones o considerarlas como la entrada, cual se le da al LLM para generar respuestas. Estas son las indicaciones que escribes en Chat GBT. Puede ser estático o generado dinámicamente en función del contexto o la entrada del usuario. Luego viene la memoria. Como su nombre indica, almacena y recupera como tu historial de chat También permite que las aplicaciones mantengan la continuidad y la conciencia del contexto. El cambio, como comentamos anteriormente, es combinar múltiples componentes en una secuencia de pasos. La idea es pasar la salida de un componente como entrada al siguiente, formando un flujo de trabajo estructurado. A través de esto, puede trabajar fácilmente alrededor flujos de trabajo complejos como respuesta diaria, generación de texto, resumen, etcétera Índices, estas son las herramientas para organizar y recuperar datos de manera eficiente puede relacionarlo con una definición laica de índices, por eso usamos índices para que podamos recuperar los datos rápidamente En esto también, puede habilitar fácilmente recuperación rápida de información relevante. Agentes, estos son los sistemas que utilizan LLM para decidir acciones e interactuar con herramientas externas o APIs Con esto, puede realizar tareas como llamar a API, cola a la base de datos y otras. Entonces, chicos, vimos cuáles son los componentes de la cadena Lang. En las próximas lecciones, las discutiremos una por una, y después de eso, veremos un ejemplo de ejecución en vivo de la cadena Lang. 5. Componente de preprocesamiento de LangChain: En esta lección, entenderemos el primer componente del ang chin, es decir, el preprocesamiento. Veamos. Como su nombre indica, el proceso Lang chin comienza con cargadores de documentos y divisores de texto Esto puede incluir documentos PDF. La carga y preprocesamiento de datos es lo que incluye el componente de preprocesamiento Después de esto, la salida se pasa a otros componentes como modelo, índices y cadenas. Generalmente, bajo los componentes ang chin, este componente de cargadores de documentos y divisores de texto no están incluidos, pero esto sigue siendo una parte esencial del ecosistema Lang chin Esto facilita su trabajo en la construcción de flujos de trabajo. Entonces por qué deberíamos comenzar con el paso de cargador de documentos y divisor de texto para que este sea el paso de ingestión de datos incluye el punto de entrada para traer sus datos externos al sistema El papel de los divisores de texto es asegurar que tus datos estén en el formato correcto para que puedan ser procesados fácilmente por el modelo, ya sea LLM o modelo de boda Cuando divide el documento en trozos, permite un procesamiento paralelo y una recuperación eficiente Con eso, también se puede lograr escalabilidad. Dividir los datos le permite manejar grandes conjuntos de datos. Chicos, vimos cuál es el componente de pre procesamiento de la cadena Lang. 6. Componente de modelos de LangChain: En esta lección, entenderemos cuál es el componente de modelos de la cadena Lang. Vamos a ver. Los modelos, como su nombre indica, se refieren a sus LLM, es decir, modelos de lenguaje grande También puede incluir sus modelos de incrustación. Estos modelos son realmente responsables de administrar, comprender, generar y transformar texto a partir de la entrada recibida. Veamos los tipos que los modelos en Lang chin pueden incluir LLM, y también puede incluir los modelos de incrustación. Algunos de los ejemplos de LLM son los modelos GPT, metas, modelos Lama Son los cerebros de las aplicaciones de la cadena lang para que puedas realizar generación de texto, resumir texto, traducción, problemas y otros Tiene la capacidad de generar texto similar al humano. También puede responder iones, resumir el contenido y realizar otras operaciones Luego vienen tus modelos de incrustación. Esto se utiliza para convertir su texto en representaciones numéricas. Eso son incrustaciones Esto se utiliza para tareas como la evaluación documentada, clústeres para que pueda habilitar fácilmente a los sistemas para encontrar información relevante a un ritmo rápido Ahora veamos por qué son importantes estos modelos. En realidad proporcionan la inteligencia y son el cerebro detrás de las aplicaciones de barbilla Lang. Para que esa tarea como crear contenido, resumir texto, quien responda se pueda lograr fácilmente Al combinar tanto el LLM como sus modelos de incrustación, cadena Lang se puede utilizar para construir sistemas potentes Entonces, chicos, ¿vimos cuál es el componente de los modelos en la cadena Lang? 7. Componente de instrucciones de LangChain: En esta lección, entenderemos cuál es el componente prompts de lang chain. Veamos. Entonces, las indicaciones son básicamente las consultas de entrada, instrucciones o contexto que proporciona al LLM Siempre que escribas un prompt en Chat GPT o copiloto, así que esto es lo que llamamos un Esto básicamente actúa como un puente entre el usuario y el LLM, y en realidad permite que el modelo interprete y responda a una tarea específica ¿Cuál es el papel de los prompts en Lang chin? Todos sabemos lo que es un prompt. Obtuvimos muchas respuestas al escribir indicaciones en copiloto, Claude AI, chat, GPT, Gemini y muchos otros Pero, ¿cuál es el papel de los prompts en Lang chin? En realidad, guía al LLM mientras responde una pregunta o mientras resume un texto Estas indicaciones también pueden incluir un contexto adicional, como el historial de chat, recuperar documentos y otros para que se pueda anunciar la relevancia y hacer la respuesta de los LLM sea más precisa Con eso, también puedes personalizar tus indicaciones de acuerdo a tareas o dominios específicos Esto los hace altamente flexibles. Entonces, ¿por qué las indicaciones son importantes en la cadena lang?, realidad determinan cómo el LLM interpreta y responde a Esto ayuda a lograr resultados más precisos y relevantes. Si los proms están bien diseñados, pueden mejorar significativamente el rendimiento de las aplicaciones de la cadena lang Las indicaciones bien diseñadas ayudan en flujos de trabajo complejos como Rag, tableros de chat u otros Entonces, chicos, vimos lo que son los prompts y el papel del componente prompts en la cadena lang 8. Componente de memoria de LangChain: En esta lección, entenderemos el componente de memoria de lang gin. Veamos. Como su nombre indica, la memoria se refiere a la capacidad de almacenar y recuperar contexto a través de interacciones. Por lo que el sistema recuerda entradas, salidas u otra información relevante anteriores , salidas u otra información relevante Entonces hay dos tipos de memoria, corto plazo y a largo plazo. Como su nombre indica, si el contexto se almacena durante la duración de una sola interacción o sesión, se le llama memoria a corto plazo, como recordar solo el cociente previo de un usuario en un chatbot, para que el flujo de la conversación se Luego viene tu memoria a largo plazo. Almacena contexto o datos a través de múltiples sesiones o interacciones, como guardar los datos históricos de lo que un usuario ingresa en un chatbot para que se puedan generar respuestas personalizadas Esto también ayuda a guardar las preferencias del usuario. ¿Por qué es importante la memoria? Permite fácilmente múltiples interacciones para que el sistema pueda hacer referencia a entradas o salidas anteriores. Esto fácil es el trabajo en brindar respuestas más relevantes y precisas. Si estás construyendo agentes conversacionales, asistente virtual personal, entonces la memoria es realmente importante Entonces, chicos, vimos cuál es el componente de memoria de lang chin. También vimos los tipos. 9. Componente de cadenas de LangChain: En esta lección, entenderemos el componente de cadenas de la cadena lang. Entonces estas son secuencia de operaciones o pasos que combinan múltiples componentes. Esto es como pasar la salida de un componente como entrada al siguiente, que se forme un flujo de trabajo estructurado. Aquí están los dos tipos de cadenas simples y complejas. Cuando cada chip se ejecuta uno tras otro, se llama cadena simple. Esto es como una secuencia lineal. Por ejemplo, una cadena que recupera documentos y luego genera un resumen Luego vienen tus complejas cadenas. Estos no son lineales y pueden incluir ramificación, lazo o toma de decisiones Por ejemplo, una cadena que recupera documentos. También evalúo la relevancia y genera una respuesta. Por qué las cadenas son importantes. Proporcionan una forma estructurada organizar flujos de trabajo complejos. A través de esta función, puede crear fácilmente aplicaciones complejas. También permiten la modularidad y reutilización para que los desarrolladores puedan mezclar y combinar componentes para diferentes casos de uso Entonces, chicos, vimos cuál es el componente de cadena de Lang chin. Gracias por ver el video. 10. Componente de índices de LangChain: En esta lección, entenderemos cuáles son los índices componentes de la cadena ang. Veamos. Si desea almacenar datos de una manera que permita una recuperación eficiente y rápida de los datos, entonces use los índices. De manera similar, los índices en cadena Lang son herramientas para organizar y almacenar datos que permiten una recuperación y búsqueda eficientes. Facilitan la búsqueda rápida de información relevante y actúan como un repositorio estructurado para documentos e incrustaciones Aquí están los dos tipos de índices, vector y documento. Los índices vectoriales almacenan representaciones numéricas. Eso son incrustaciones de texto. Para permitir la búsqueda semántica y la recuperación basada en similitud, como una biblioteca, FAI duplica para una búsqueda eficiente de similitud de vectores densos El segundo tipo es documento. Almacena documentos en bruto o tanques de texto, como una base de datos de archivos PDF o artículos indexados por título ¿Por qué son importantes los índices? Para tareas basadas en la recuperación, estos son realmente importantes y permiten que los sistemas encuentren y utilicen rápidamente información relevante. Estos son importantes para construir aplicaciones eficientes que sean escalables. Si se trata de conjuntos de datos grandes o consultas complejas, entonces el componente de índice realmente ayuda. Chicos, vimos cuáles son los componentes de índice de la cadena ang. También vimos los tipos de índices. 11. Componente de agentes de LangChain: En esta lección, entenderemos el componente de agentes de la cadena lang. Veamos. Los agentes son sistemas impulsados por IA que utilizan LLM para decidir qué acciones tomar Actúan como tomadores de decisiones inteligentes que interactúan dinámicamente con herramientas, API o fuentes de datos para lograr un objetivo Aquí están los dos tipos de agentes, acción única y acción múltiple. El agente de acción única realiza una tarea o acción específica basada en la entrada, como un agente que recupera datos meteorológicos de un APA El segundo es multi acción usando los agentes multi acción, realizar fácilmente una secuencia de acciones, iterativamente para resolver problemas complejos Como un agente que planea un viaje. Entonces, ¿cuáles son las cosas que se requieren para planificar un viaje? Al igual que un agente se utiliza para reservar vuelos, hoteles, e incluso el transporte ¿por qué son importantes los agentes? Son importantes porque habilita el comportamiento autónomo e inteligente. Esto permite que el sistema maneje tareas complejas de varios pasos sin ningún tipo de flujos de trabajo predefinidos e independientemente. Si estás construyendo aplicaciones que requieren razonamiento, planificación o interacción con sistemas externos, entonces los agentes son bastante útiles. Entonces chicos, vimos lo que son los agentes en Lang Chin. También vimos los tipos. Gracias por ver el video. 12. LangChain con RAG - Proceso: En esta lección, veremos el proceso de ang chain con RAG Discutiremos paso a paso cómo se implementa la cadena Lang con RAG. Empecemos. Acabamos de ver la cadena Lang con flujo de trabajo RAG. Simplemente usaremos lo mismo para implementar la cadena Lang con RAG Primero fueron los cargadores de documentos. Estos fueron los encargados de cargar datos de diversas fuentes externas como subir un PDF o múltiples archivos PDF, bases de datos y Entonces, para ese código interno, usaremos el cargador Pi PDF para cargar documentos PDF. Luego vienen tus divisores de texto. En esto, desglosamos los documentos grandes en trozos más pequeños para que puedan ser procesados por LLM Para ello, hemos utilizado el divisor de texto recursivo para dividir documentos en trozos. Luego vienen los modelos. Estos son los modelos LLM o modelos de incrustación. Para eso, hemos utilizado la clase de incrustaciones de fase de abrazo para el modelo de incrustación Esto se utiliza para configurar el modelo de incrustación. En nuestro caso, hemos utilizado los transformadores de oraciones. Para LLM, hemos utilizado la clase de tubería de fase abrazadora para que podamos configurar el LLM local En este caso, hemos utilizado lo siguiente. Luego viene su mensaje esta es la entrada querer prompts utilizados para interactuar con el LLM que ya discutimos Para eso, hemos creado una función personalizada responder subrayado qui que tome una pregunta como entrada y actúe como el baile de graduación para el Qahin Entonces viene tu memoria. Esto es para almacenar datos intermedios o contexto. En esta implementación, no hemos utilizado memoria, pero el almacén de subrayado vectorial y los trozos de subrayado del documento pueden considerarse como parte Cadenas, este es un componente que se refiere a la secuencia de operaciones. La Qchain de recuperación se utiliza en nuestro código para combinar el recuperador y el LLM Índices, la historia vectorial de dobles FAI se utiliza para indexar los trozos del documento Esto ayuda en la indexación de documentos para una recuperación eficiente Agentes, este componente se refiere a la entidad de toma de decisiones que interactúa con el sistema En nuestro código, hemos utilizado la clase de sistema RAC local que actúa como agente de alto nivel, planificando nuestro flujo Entonces, chicos, vimos el proceso. Ahora en la última lección, veremos el ejemplo de codificación y ejecutaremos una cadena Lang con sistema Rack en Google Colab 13. LangChain con RAG: ejemplo final de codificación: En esta lección, veremos el ejemplo final de codificación para implementar la cadena Lang con Rag Veremos el código y también entenderemos los pasos en forma de fragmentos de código Y al final, también ejecutaremos el código. Subiremos más de un PDF y lo resumiremos usando nuestra cadena Lang con sistema Rag. Empecemos. Entonces aquí está nuestro Google Colab, creamos un nuevo cuaderno y aquí está nuestro código Entonces entendamos el código. Primero, instalaremos los paquetes necesarios. Espero que sepan que en Google Collab, utilizamos el siguiente comando para instalar cualquier biblioteca o paquete del índice de paquetes Python Aquí estamos instalando los paquetes necesarios como transformadores de oración anhain El código entonces importa varios módulos y clases de estos paquetes como aquí, Bien. Los módulos importados permiten funcionalidades como división de texto, carga de documentos, incrustación y modelo de lenguaje Ahora vamos a configurar el registro aquí en el paso dos. Este código se utiliza para configurar el módulo de registro en Python. La primera línea aquí establece la configuración básica para el módulo de registro. La siguiente línea crea una instancia de registrador. El registrador G devuelve una instancia de registrador. Aquí, la siguiente es una variable Python incorporada que contiene el nombre del módulo actual. En la primera línea, esta función se utiliza para configurar el módulo de registro. A continuación se establece el nivel de registro en info. Esto significa que se procesarán todos los mensajes de registro con un nivel de información o superior. Ahora vamos a crear una clase que represente un sistema local de Rag Inicialicemos ahora objeto del sistema Rag local usando en Aquí los documentos, considérelo como una lista para almacenar los documentos cargados. Vector Underscore store almacena los documentos incrustados. Ahora subiremos PDF de la máquina local a collab. Para ello se utiliza la siguiente función archivos de carga de puntos. Los nombres de los archivos cargados se registran y se devuelven. Cualquier excepción durante la carga se captura, registra y borra Bien, el método es parte de una clase y usa un registrador para registrar mensajes. Devuelve una lista que es una lista de rutas PDF subidas. Luego viene su función de documentos de subrayado de carga. Esto cargará y analizará los documentos PDF. Define un método de carga de subrayado de documentos para cargar y pasar documentos PDF desde rutas de archivo dadas Lo siguiente Irades a través cada ruta de archivo PDF intenta cargar el documento usando Pi PDF loader y agrega las páginas cargadas a la lista de documentos de autopunto Cualquier excepción durante la carga se captura registrada y el método continúa con el siguiente archivo. el número de páginas cargadas para registra el número de páginas cargadas para cada archivo y el número total de páginas. El método actualiza la lista de documentos autopuntados con las páginas de documentos cargados. Ahora el siguiente paso para dividir documentos en trozos. Este método dividirá los documentos cargados en fragmentos usando un divisor de texto corregido recursivo El divisor divide los documentos en trozos, que se almacenan en fragmentos de subrayado de documentos con puntos propios Eso es aquí. Toma parámetros opcionales, tamaño de guión bajo de fragmento y superposición de guiones bajos de fragmentos El valor predeterminado es 1,000 y un valor predeterminado para esto es 200. Se registra el número de trozos creados. Siguiente paso, configurar el modelo de incrustación. Este código configura el modelo de incrustación utilizando transformadores de cara de abrazo Se necesita un modelo opcional, parámetro de nombre de subrayado. El modelo elegido se utiliza para crear una instancia de incrustaciones de caras de abrazo Se registra el proceso de configuración, incluido el nombre del modelo. Cualquier excepción durante la configuración se captura y se vuelve a poner en marcha. Después el siguiente paso en el siguiente paso, crearemos un almacén vectorial a partir de los fragmentos de documentos Este código crea un almacén vectorial a partir de fragmentos de documentos usando el FAI Ws utiliza el modelo de incrustación previamente configurado para generar vectores a partir de los fragmentos de documento, fs punto del método Underscore Documents crea el almacén de a partir de fragmentos de documentos usando el FAI Ws utiliza el modelo de incrustación previamente configurado para generar vectores a partir de los fragmentos de documento, fs punto del método Underscore Documents crea el almacén de vectores. El proceso de creación se registra y cualquier excepción se registra por cat y se vuelve a poner en marcha. En el siguiente paso, configuraremos un LLM local usando Hugging Este código establece un modelo local de lenguaje grande usando transformadores de cara de abrazo Carga un modelo preentrenado y tokenizer usando el ID de subrayado del modelo especificado una canalización de generación de texto a texto crea una canalización de generación de texto a texto con el modelo cargado y el tokenizador La tubería se envuelve en una instancia de tubería de fase de abrazamiento y se almacena en LLM de punto automático El proceso de configuración se registra en cualquier excepción, el proceso de configuración se registra y cualquier excepción se captura, registra y vuelve a poner en marcha. Ahora vamos a crear un Qchin usando la tienda de vectores y LM. Este código establece un QA que es una cadena de respuesta de cociente usando el almacén de vectores y Crea una instancia Q de recuperación con el elemento especificado y el almacén de vectores como recuperador. El recuperador está configurado para devolver los primeros K resultados. El proceso de configuración de Qin está bloqueado con el valor de K. Cualquier excepción durante la configuración se bloquea y vuelve a subir. Ahora vamos a responder una pregunta usando el sistema AC. El siguiente código define un método para responder a un usando un sistema de CA. Toma un cociente como entrada y utiliza la cadena de subrayado de QA para generar una respuesta, el cociente y la respuesta se registran con fines de seguimiento La respuesta es devuelta por el método. Cualquier excepción durante el proceso de respuesta se captura, registra y vuelve a poner en marcha. Ahora vamos a ejecutar el proceso de configuración completo. Bien. Este código define un método, ejecutar la configuración de guiones bajos para ejecutar el proceso de configuración completo para un sistema RAG Llama a varios métodos en secuencia para cargar archivos PDF, cargar documentos, dividir documentos, configurar incrustaciones, crear un almacén de vectores, configurar un LLM local y configurar Este método toma parámetros opcionales para personalizar el proceso de configuración. Se registra la finalización del proceso de configuración. Cualquier excepción durante la configuración se captura, registra y vuelve a poner en marcha. Ahora bien, aquí está el ejemplo de uso. Esto crea una instancia del sistema Rag local y ejecuta su proceso de configuración El proceso de configuración configura el sistema con parámetros específicos como tamaño del fragmento y el modelo de idioma Después de la configuración, el código hace dos preguntas. El primero está aquí y el segundo está aquí e imprime la respuesta. Las preguntas demuestran la capacidad del sistema para comprender el tema principal y resumir puntos clave a partir de los documentos Las respuestas se generan con éxito utilizando el sistema Rag Entonces aquí lo que voy a hacer. Voy a ejecutar el código completo. También puede seleccionar tiempo de ejecución desde aquí, seleccionar cambiar tipo de tiempo de ejecución y seleccionar T para GPU y hacer clic en Guardar. Ahora lo ejecutaré. Vamos a esperar. Ahora aquí, subamos los documentos. Haga clic en Elegir archivos. Entonces digamos que subiré en medio de muestra punto PDF y certificación Python. Voy a hacer clic en Abrir. Ahora hemos subido dos documentos. Ahora extraerá el resultado. Está mostrando los temas principales, así como resumió los puntos clave de los documentos. Entonces en estos chicos, podemos trabajar con Lang Chin. Vimos a Lang chin con ejemplo de Rag. Gracias por ver.