[Partie 01 : Premiers pas avec Langchain]

Chapitre 1 : Comprendre les poètes IA et les services ChatPDF
poète IA
ChatPDF
Méthode de monétisation
Pile technologique

Chapitre 2 : Comprendre Langchain et le modèle GPT
Qu'est-ce qu'un LLM ?
Qu'est-ce que Langchain ?
Pourquoi apprendre Langchain
Langchain v0.3
Comprendre les modèles GPT avec OpenAI Playground

Chapitre 3 : Mise en place de l’environnement de développement de base
Préférences de Visual Studio Code
Paramètres de l'environnement Python
Définition des variables d'environnement
Paramètres d'environnement Langchain
Chaîne LLM
Configuration de Miniconda
paramètres de Langsmith

[Partie 02 : Notions de base de Langchain]

Chapitre 4 : Création d’une IA pour évaluer les avis sur les aliments, les restaurants et l’hébergement
Création d'une IA pour évaluer les avis sur les aliments
Création d'une IA qui évalue les avis sur les restaurants
Création d'un système d'évaluation des avis d'hébergement basé sur l'IA et utilisant LCEL

Chapitre 5 : Créer un poète IA
Structure de service à mettre en œuvre
Création de la chaîne LLM
Principes de base de Streamlit
Implémentation du front-end
Déploiement sur le terrain

Chapitre 6 : Création d’un générateur d’e-mails multilingues
Installation et configuration d'Ollama
Créer une réponse par e-mail
Configuration de l'application Streamlit

[Partie 03 : Service de questions-réponses utilisant l'intégration de documents]

Chapitre 7 : Création d’un ChatPDF
Structure de service à mettre en œuvre
Chargeur de documents
Séparateur de texte
Intégration
stockage vectoriel
moteur de recherche
Générateur
Implémentation du front-end
Déploiement sur le terrain
Monétisation des services Web
Mise en œuvre du streaming

Chapitre 8 : Création d’un bot par l’auteur Hyun Jin-geon
Qu'est-ce que l'API Responses ?
Comprendre les outils de recherche de fichiers avec OpenAI Playground
Intégration de l'API Responses
Implémentation du front-end

[Partie 04 Service de recherche de similarités utilisant la technique RAG]

Chapitre 09 Création d'index FAISS
Qu'est-ce que FAISS ?
Division des données textuelles en segments
Créer un index

Chapitre 10 : Mise en œuvre de la recherche par similarité avec FAISS VectorDB
Recherche de documents similaires basée sur une requête
Récupération de la similarité des documents à l'aide de vecteurs d'intégration

Chapitre 11 : Mise en œuvre de la recherche textuelle à grande échelle basée sur RAG
Créer un index FAISS
Mise en forme des documents et génération des réponses

[Partie 05 : Service de recherche d'actualités utilisant des techniques RAG avancées]

Chapitre 12 : Construction d’un système de recherche d’actualités basé sur des requêtes multiples
Technique multirequête + union unique
Technique multirequête + RAG Fusion

Chapitre 13 : Construction d’un système de recherche hybride
Création d'un système RAG avancé utilisant la recherche hybride
Recherche multirequête + Recherche hybride + Technique de fusion RAG
Recherche multirequête + Recherche hybride + Fusion RAG + Techniques Streamlit

[Partie 06 : Services intégrés utilisant des données multimodales]

Chapitre 14 : Construction d’un système RAG de données multimodales
Aperçu multimodal de RAG
Architecture RAG multimodale
Installation des paquets et configuration de l'environnement JupyterLab
Extraction et segmentation des données
Chercheur multi-vecteurs
Chaîne RAG multimodale

Chapitre 15 FashionRAG : Assistant de stylisme basé sur l’image
Comprendre le système FashionRAG
Charger l'ensemble de données Fashionpedia
Encodage Base64

Chapitre 16 : Création d'un service de génération de poésie/roman
Configuration des applications avec LangServe et FastAPI
Comparaison des modèles OpenAI et Ollama
Création d'interfaces avec Streamlit

[Partie 07 Agents utilisant Langgraph et Agentic RAG]

Chapitre 17 : Création d’agents d’IA utilisant des outils
Composants clés du système
Intégration des agents et des outils

Chapitre 18 : Création d’agents d’IA à l’aide de Langgraph
Caractéristiques principales de Langgraph
Créez des graphiques de flux de travail et gérez leurs états
Visualisez les graphiques de flux de travail et interagissez avec les agents

Chapitre 19 : Création d’un système intelligent de recherche d’informations avec Agentic RAG
Flux d'agents
Statut d'agent de définition
Créer un graphique de flux de travail

[Partie 08 Agents collaboratifs utilisant CrewAI]

Chapitre 20 : Rédacteur de blog multi-agents
Caractéristiques des agents d'intelligence artificielle
Définition d'agent
Définir la tâche à effectuer

Chapitre 21 : FastAPI, générateur de contenu de blog basé sur CrewAI
Définition d'agent
Définir la tâche à effectuer
Combiner la logique de CrewAI avec les services web FastAPI

Chapitre 22 : Création d’un service de blog avec l’intégration React
Installer Node.js
Configuration du projet React
Créez les composants nécessaires à votre projet

De Langchain et Langgraph à RAG Fusion et Agentic RAG
Master en développement LLM dans un seul livre

Ce livre vous aide à comprendre les compétences d'un LLM de manière naturelle grâce à des exemples plutôt qu'à des théories complexes.
La structure pratique, qui s'étend progressivement, permet même aux débutants de développer facilement des services d'agents d'IA.
Il présente notamment des exemples pratiques applicables en pratique, couvrant la mise en œuvre de RAG multimodal qui répond aux questions en intégrant non seulement du texte mais aussi des tableaux et des images, et l'utilisation des VLM les plus récents tels que GPT-4 Vision et LLaVA.

● Étape 1 | Premiers pas vers le LLM
Toute personne possédant des connaissances de base en Python peut commencer à utiliser ce guide, depuis la configuration de l'API GPT jusqu'à l'installation de Langchain et la configuration de l'environnement de développement.
Étape 2 | Créez votre propre service d'IA capable d'écrire des poèmes et de lire les émotions.
Maîtrisez les concepts fondamentaux grâce aux exercices de base de Langchain, notamment les poètes IA, l'IA d'évaluation des avis et les générateurs d'e-mails multilingues.
Étape 3 | Créer un « ChatPDF » qui lit les documents et y répond
Découvrez comment monétiser votre service en créant un chatbot de questions-réponses sur les documents, capable d'analyser les PDF et de répondre aux questions, et même en ajoutant un champ de saisie de clé API et des boutons de don.
Étape 4 | Création d'un service d'IA avancé basé sur la recherche avec RAG et VectorDB
Intégrez des documents avec FAISS et ChromaDB, et mettez en œuvre des technologies de recherche de pointe telles que RAG Fusion et Hybrid Search.
Étape 5 | Conception d'un système d'agents avec LangGraph et CrewAI
Apprenez à gérer des flux de travail complexes en concevant des embranchements conditionnels, des agents multiples et des agents collaboratifs.
Étape 6 | Création d'un service complet : déploiement, surveillance et monétisation d'une application Web
Déployez avec Streamlit, suivez les performances avec Langsmith et construisez une véritable base opérationnelle grâce à la gestion des clés API et aux fonctionnalités de parrainage.

Je recommande ceci à ces personnes !

● Les personnes intéressées par la création de services d'IA à l'aide d'un LLM
● Ceux qui souhaitent créer des services d'IA mais qui trouvent les outils réservés aux développeurs trop difficiles à utiliser
● Ceux qui trouvent la documentation officielle trop difficile ou qui ont du mal à trouver des exemples pratiques dans RankChain
● Ceux qui souhaitent créer leur propre service web mais qui ne connaissent pas les aspects liés à la conception et au déploiement
● Ceux qui s'intéressent non seulement à la technologie, mais aussi à l'exploitation et à la monétisation des services
● Les praticiens, les planificateurs, les spécialistes du marketing et les créateurs qui ne veulent pas être à la traîne face à la tendance de l'IA générative

Un mot des bêta-lecteurs qui l'ont lu en premier

● C’est le premier livre que vous devriez lire si vous souhaitez créer un service utilisant LLM, et il servira de guide aux développeurs qui se préparent à développer des services d’intelligence artificielle.
_Kim Min-gyu
Des explications claires et des exemples de code pratiques permettent aux lecteurs de créer facilement leurs propres services d'IA. Cet ouvrage est indispensable à quiconque souhaite se démarquer sur le marché des services d'IA.
Lee Seok-gon
● Chaque exemple est suffisamment réaliste et pratique pour être connecté à un service réel plutôt que de simplement implémenter une fonction simple.
En suivant ces instructions, vous comprendrez naturellement la structure de la chaîne de langage et le fonctionnement de l'agent d'IA.
_Lee Ji-ah