使用 RAG 和 LangChain 的 AI 代理基础知识

使用 RAG 和 LangChain 的 AI 代理基础知识

本课程是多个项目的一部分。

位教师：Abdul Fatir

访问权限由 Coursera Learning Team 提供

42,465 人已注册

3个模块

深入了解一个主题并学习基础知识。

203 条评论

中级等级

推荐体验

灵活的计划

9 小时完成

自行安排学习进度

89%

大多数学生喜欢此课程

3个模块

深入了解一个主题并学习基础知识。

203 条评论

中级等级

推荐体验

灵活的计划

9 小时完成

自行安排学习进度

89%

大多数学生喜欢此课程

您将学到什么

只需 8 小时，企业就能掌握使用 RAG 和 LangChain 构建 AI 代理所需的紧缺就业技能
如何应用情境学习和高级 prompt 工程的基本原理来改进 prompt 设计
关键的 LangChain 概念，包括工具、组件、聊天模型、链和代理
如何通过集成 RAG、PyTorch、Hugging Face、LLMs 和 LangChain 技术来构建 AI 应用程序

您将获得的技能

您将学习的工具

要了解的详细信息

可分享的证书

添加到您的领英档案

作业

7 项作业

授课语言：英语（English）

了解顶级公司的员工如何掌握热门技能

了解关于 Coursera for Business 的更多信息

Petrobras, TATA, Danone, Capgemini, P&G 和 L'Oreal 的徽标

积累特定领域的专业知识

此课程作为的一部分提供

在注册此课程时，您还需要选择一个特定的合作项目。

向行业专家学习新概念
获得对主题或工具的基础理解
通过实践项目培养工作相关技能
获得可共享的职业证书

该课程共有3个模块

企业对人工智能技术技能的需求呈爆炸式增长，能够使用大型语言模型（LLM）的人工智能工程师更是炙手可热。使用 RAG 和 LangChain 构建 AI 代理的基础》课程将为您的 AI 职业生涯提供就业准备技能。在本课程中，您将探索检索增强生成（RAG）、Prompt 工程和 LangChain 概念。您将了解 RAG 流程、其应用、编码器和 tokenizer 以及用于高维向量搜索的 FAISS 库。您还将使用 LangChain 的工具、组件、文档加载器、检索器、链和代理来简化基于 LLM 的应用程序开发。通过动手实验，您将开发出集成了 LLM、LangChain 和 RAG 技术的 AI 代理。此外，您还将完成一个可以在面试中展示的真实世界项目。本课程还包含全面的小抄和词汇表，以强化您的学习。立即报名，只需 8 小时就能掌握紧俏的生成式 AI 技能！

在本 Modulation 中，您将探索什么是 AI 代理，它们与传统 AI 系统有何不同，以及何时适合使用它们。您将学习工具调用的基础知识，以及它如何使 AI 代理与外部系统交互。通过动手实验室，您将从头开始构建一个简单的 AI 代理，并了解基于代理的方法在实际应用中的优势和局限性。

涵盖的内容

4个视频3篇阅读材料3个作业1个应用程序项目6个插件

4个视频总计25分钟

课程介绍3分钟
什么是 AI 代理？12分钟
为法律硕士调用工具5分钟
为什么 AI 需要工具？从猜测到实际行动5分钟

3篇阅读材料总计27分钟

课程概览10分钟
专业概述7分钟
Module 摘要：AI 代理基础10分钟

3个作业总计34分钟

练习测验：AI 代理简介9分钟
练习测验：工具调用入门10分钟
分级测验：AI 代理基础知识15分钟

1个应用程序项目总计30分钟

实验室：用 Python 从零开始构建 AI 代理30分钟

6个插件总计36分钟

完成课程的有用提示1分钟
阅读比较 AI 系统设计5分钟
阅读：何时（以及不何时）使用 AI 代理5分钟
实验室创建 AI 代理的方法5分钟
实验室AI 代理框架与从零开始的利与弊5分钟
小抄：AI 代理天气和每日菜肴15分钟

在本 Modulation 中，您将探索 Retrieval-augmented Generation（RAG）的基本原理，以及如何在聊天机器人和智能 AI 代理等应用中应用 RAG 生成更准确、更能感知上下文的响应。您将了解完整的 RAG 流程，包括其与 LangChain 的集成，以构建模块化和可扩展的 AI 解决方案。Modulation 涵盖了密集段落检索 (DPR) 等关键组件，它使用上下文编码器和问题编码器，每个编码器都与 tokenizer 配对，将文本转换为机器可读格式。此外，您还将通过实验获得实践经验，重点是使用两大机器学习框架实现基于 RAG 的系统：Hugging Face（用于从数据集中检索信息）和 PyTorch（用于评估内容相关性并生成有意义的回复）。

涵盖的内容

2个视频1篇阅读材料2个作业2个应用程序项目1个插件

2个视频总计17分钟

RAG7分钟
RAG、编码器和 FAISS10分钟

1篇阅读材料总计2分钟

阅读：摘要和要点2分钟

2个作业总计24分钟

实践测验：RAG 简介9分钟
分级测验：RAG 框架15分钟

2个应用程序项目总计120分钟

实验室：拥抱脸的 RAG60分钟
实验室使用 PyTorch 的 RAG60分钟

1个插件总计15分钟

小抄带拥抱脸和 Py 火炬的抹布15分钟

在本模块中，您将学习上下文学习和高级提示工程技术，以设计和完善提示，生成相关和准确的人工智能响应。然后，您将探索 LangChain 框架，这是一个开源接口，可使用大型语言模型 (LLM) 简化人工智能应用程序开发。涉及的关键概念包括 LangChain 的工具、组件和聊天模型，以及提示模板、示例选择器和输出解析器。您还将学习 LangChain 的文档加载器和检索器、链和代理，以构建智能应用程序。通过动手实验，您将应用这些概念来增强 LLM 应用程序，并开发一个集成了 LLM、LangChain 和 RAG 的人工智能代理，以实现交互式高效文档检索。此外，还提供了全面的小抄和词汇表，以强化您的学习。