Langchain y LLMs con Python: desbloquea el poder de la IA en tus proyectos

• Horas: 30
• Duración: 2 meses

–       Comprender qué son los Large Language Models (LLMs) y cómo funcionan.

–       Conocer la arquitectura y los componentes principales de Langchain.

–       Instalar Python y la librería Langchain.

–       Configurar cuentas de API de OpenAI y gestionar claves para conectar con LLMs.

–       Utilizar Langchain para interactuar con LLMs y construir modelos de chat efectivos.

–       Diseñar y aplicar plantillas de prompts para optimizar la entrada de datos en LLMs.

–       Parsear y procesar la salida de los modelos para obtener resultados útiles.

–       Transformar documentos y manejar cargadores para integraciones con plataformas como Google y AWS.

–       Crear embeddings de texto y almacenar vectores en bases de datos para potenciar los LLMs con tus propios datos.

–       Optimizar resultados mediante la compresión de datos utilizando LLMs.

–       Diseñar modelos de cadena secuencial simples y avanzados en Langchain.

–       Enrutar cadenas con LLMRouterChain para mejorar la estructura y flujo de las aplicaciones.

–       Entender el concepto de memoria en Langchain y cómo implementarla.

–       Crear buffers de memoria completos, resumidos y con ventana para manejar conversaciones.

–       Desarrollar agentes que utilicen motores de búsqueda para mejorar sus respuestas.

–       Crear agentes programadores de código y herramientas personalizadas.

–       Implementar agentes conversacionales que puedan interactuar de manera efectiva utilizando LLMs y Langchain.

–       Aplicar el conocimiento adquirido para crear sistemas RAG con bases de datos vectoriales.

–       Crear agentes que realicen análisis automáticos de SQL a partir de consultas en lenguaje natural.

1-    Introducción a Langchain iy LLMs

¿Qué es un Large Language Model (LLM)?

¿Qué es Langchain y cuáles son sus componentes?

Instalación de Python y librería Langchain

¿Qué es una API? Configuración de la cuenta OpenAI y API Key

2-    Modelos de Entrada / Salida en Langchain

Interacción y uso de Langchain con LLMs y Modelos de Chat

Plantillas de prompts con Langchain para el modelo de entrada

Parsear y procesar la salida

Serialización de prompts (guardar y cargar)

3-    Conectores de Datos en Langchain

Cargadores de documentos

Caso de uso – Carga de ficheros pdf y conexión con LLM para resumen de documentos

Cargadores de documentos – integraciones con otras plataformas (Google, AWS, Wikipedia…)

Transformación de documentos

Incrustación de texto y creación de vectores (embeddings)

Almacenamiento de vectores en base de datos

Compresión y optimización de resultados a partir de LLMs

4-    Cadenas en Langchain

¿Qué son las cadenas y cómo crear el primer modelo de cadena secuencial simple?

Construcción del Modelo Secuencial Completo

Enrutamiento a cadenas con LLMRouterChain

Cadenas de Transformación

Cadenas para Preguntas y Respuestas sobre nuestros datos

5-    Memoria en Langchain

¿Qué es la memoria en Langchain y qué tipos de memoria podemos implementar?

Creación de Buffer de Memoria completa de una Conversación

Creación de Buffer de Memoria con Ventana

Creación de Buffer de Memoria Resumida

6-    Agentes en Langchain

¿Qué son los agentes y cómo implementar un primer caso de uso?

Creación de agente potenciado con motor de búsqueda

Creación de agente programador de código

Creación de herramientas personalizadas

Agentes conversacionales con memoria

7-    Agentes en Langchain: Desarrollo de proyectos reales

PROYECTO: Creación de Agente Chatbot con memoria a partir de sistema RAG con nuestra BD Vectorial

PROYECTO: Creación de Agente para Análisis automático SQL a partir de consultas en lenguaje natural

Inscríbete