prologue
Recommandation
Éloges des lecteurs
Avis des relecteurs de code
Téléchargement et demande de renseignements
Structure de ce livre

PARTIE 01 Première rencontre avec LangChain

CHAPITRE 01 Comprendre RAG
01 Pourquoi utiliser un chiffon ?
02 Les incroyables capacités de RAG
03 Construire un système RAG à l'aide de LangChain

CHAPITRE 02 PARAMÈTRES ENVIRONNEMENTAUX
01 Installation de l'environnement sous Windows
02 Installation de l'environnement sur macOS
03 Émission et configuration d'une clé API OpenAI
04 Émission et configuration d'une clé LangSmith

CHAPITRE 03 Terminologie de base du LLM
01 Comment utiliser Jupyter Notebook
02 Jetons, Calculateur de jetons, Coût des jetons par modèle
03 Fenêtre d'entrée/sortie et de contexte du modèle

CHAPITRE 04 Premiers pas avec LangChain
01 Paramètres clés et résultats de ChatOpenAI
02 Suivi de l'inférence GPT avec LangSmith
03 Reconnaître des images à l'aide d'un modèle multimodal et fournir des réponses
04 Utilisation des modèles d'invite
05 Création d'une chaîne avec LCEL
06 Enchaînement de l'analyseur de sortie
07 Traitement par lots avec la fonction batch()
08 Méthode d'appel asynchrone
09 Configuration d'une chaîne parallèle avec Runnable
RunnablePassthrough transmettant la valeur 10
11 RunnableParallel pour exécuter des Runnables en parallèle
RunnableLambda et itemgetter qui exécutent 12 fonctions

PARTIE 02 Analyseur d'invite et de sortie

CHAPITRE 05 Invite
01 Création d'un modèle d'invite
02 Utilisation de variables partielles
03 Chargement d'un modèle d'invite à partir d'un fichier YAML
04 Modèle d'invite de conversation
05 MessagesPlaceholder
06 Pushot Invite
07 Exemple de sélecteur
08 Modèle d'invite de message FewShotChat
09 Exemple de sélecteur adapté à vos besoins
10 suggestions de partage sur LangChain Hub

CHAPITRE 06 Analyseur de sortie
01 Analyseur de sortie Pydantic
02 liaison with_structured_output()
03 Vérification du flux de l'analyseur syntaxique de sortie dans LangSmith
04 Analyseur de sortie de liste séparée par des virgules
05 Analyseur de sortie structurée
06 Analyseur de sortie au format JSON
07 Analyseur de sortie DataFrame Pandas
08 Analyseur de format de date en sortie
09 Analyseur de sortie d'énumération

PARTIE 03 Modèles et mémoire

CHAPITRE 07 Modèle
01 Types de rôles et de modèles de LLM dans RAG
02 Différentes façons d'utiliser LLM et d'obtenir des clés API
03 Mise en cache des réponses LLM
04 Sauvegarde et chargement de modèles à l'aide de la sérialisation et de la désérialisation
05 Vérification de l'utilisation des jetons dans le modèle GPT
06 Modèle d'IA générative de Google
07 Utilisation de l'API d'inférence Hugging Face
08 Hébergement distant avec point de terminaison d'inférence dédié
09 Téléchargez le modèle local Hugging Face et effectuez l'inférence
10 Installation d'Ollama et configuration du fichier modèle
11 Création d'un modèle Ollama et utilisation de ChatOllama
12. Exécution d'un modèle local avec GPT4All

CHAPITRE 08 Mémoire
01 Mémoire tampon de conversation
02 Mémoire de la fenêtre tampon de conversation
03 Mémoire tampon des jetons de dialogue
04 Mémoire d'entité de conversation
05 Mémoire graphique de connaissances conversationnelles
06 Résumé de la conversation Mémoire
07 Mémoire de recherche du magasin vectoriel
08 Ajout de mémoire à la chaîne LCEL
09 Enregistrement des conversations dans SQLite
10. Stockage du contenu de la conversation dans une variable générale utilisant la mémoire volatile

PARTIE 04 Chargement des données et fractionnement du texte

CHAPITRE 09 Chargeur de documents
01 Comprendre la structure du chargeur de documents
02 Chargeur PDF
Chargeur 03 HWP
04 Chargeur CSV et chargeur de dataframe
05 WebBaseLoader
06 Chargeur de répertoire
07 UpstageDocumentParseLoader
08 LlamaParse

CHAPITRE 10 Segmentation du texte
01 Division par unité de caractères
02 Division récursive par caractère
03 Diviser en unités de jetons
04 Diviser en unités significatives
05 Division du code
06 Division avec en-tête Markdown
07 Division par en-tête HTML
08 Division en unités JSON

PARTIE 05 Magasin et récupération de vecteurs

CHAPITRE 11 Intégration
01 OpenAIEmbeddings
02 CacheBackedEmbeddings
03 HuggingFaceEmbeddings
04 UpstageEmbeddings
05 OllamaEmbeddings

CHAPITRE 12 Boutique Vector
01 Chroma
02 FAISS
03 Pomme de pin

CHAPITRE 13 Récupérateur
01 Récupérateur de fichiers vectoriels en magasin
02 Compresseur de documents
03 Retriever à deux voies
04 Réorganisation du contexte long
05 Récupérateur de documents parents
06 Récupérateur de génération de requêtes multiples
07 Récupérateur de magasin multi-vecteurs
08 Récupérateur d'auto-interrogation
Récupérateur de magasin vectoriel pondéré de 09 heures

PARTIE 06 Exercices LangChain

CHAPITRE 14 Création d'une application Web ChatGPT avec Streamlit
01 Création d'une application web de base
02 Création d'une chaîne dans une application Web
03 Ajout d'une fonction de sélection du type d'invite

CHAPITRE 15 Automatisation des tâches par e-mail Chatbot
01 Extraction d'informations structurées à partir du contenu des e-mails
02 Utilisation de SerpAPI pour la récupération d'informations
03 Ajout de réponses structurées comme entrée pour la chaîne suivante
04 Chatbot pour la génération de rapports de synthèse basés sur des informations clés et des données de recherche issues des e-mails

CHAPITRE 16 Chatbots utilisant différents modèles
01 Séparer les fonctions dans des fichiers Python distincts
02 Utilisation du modèle Deepseek au lieu de GPT
03 RAG utilisant le modèle Ollama
04 Chatbot basé sur la reconnaissance d'images utilisant un modèle multimodal

CHAPITRE 17 Chatbot RAG
01 Création d'un questionnaire à réponses basé sur un document PDF
02 Créateur d'invites qui améliore les invites
03 Ajout d'une fonction de téléchargement de fichiers après la division des pages
04 Création d'un chatbot de questions-réponses basé sur un PDF
05 LangSmith Tracking, Application de divers LLM à RAG
06 Ajout d'une fonction de tableau et citation des sources dans l'invite de commande

Épilogue
Recherche

★ Un cours d'apprentissage complet qui vous aidera à maîtriser le pipeline RAG en 8 étapes.

Ce cours présente une démarche systématique qui enseigne les concepts fondamentaux de LLM et RAG, l'utilisation de base de LangChain et la grammaire de construction des chaînes LCEL. Vous pratiquerez successivement chacune des huit étapes du pipeline RAG (chargement du document → segmentation du texte → plongement lexical → stockage vectoriel → recherche par le récupérateur → génération de l'invite → génération de la réponse LLM → construction de la chaîne) et découvrirez divers modules et outils utilisables à chaque étape (chargeur PDF, différents segmentateurs de texte, plongements lexicaux OpenAI et Hugging Face, différentes bases de données vectorielles, récupérateurs avancés, etc.).
Ce processus vous permettra de construire une base solide en comparant les options, les fonctionnalités et les différences disponibles.

★ Expérience pratique complète grâce à l'utilisation répétée de différents modèles de manière courte, rapide et répétée.

Tout au long du livre, vous vous exercerez à plusieurs reprises à construire des modèles LLM (OpenAI, Hugging Face, Upstage, Ollama, etc.), des chargeurs de documents (PDF, HWP, CSV, données Web), des segmentateurs de texte, des magasins de vecteurs (Chroma, FAISS, Pinecone), des récupérateurs et des systèmes de mémoire.
Pour chaque fonction, vous apprendrez naturellement grâce à de courts exemples de code et aux résultats d'exécution, et en pratiquant et en comparant différentes options, vous développerez un sens pratique vous permettant de sélectionner rapidement le modèle et la fonction optimaux qui conviennent à l'objectif de votre projet.
Il présente également les articles les plus récents et vous permet de les appliquer directement dans votre pratique.

★ Création d'un système RAG pratique grâce à des projets de chatbot adaptés à des situations spécifiques.

Créez vos propres projets RAG pour différentes situations en utilisant le framework Streamlit.
Nous mettrons en œuvre des exemples concrets, notamment des chatbots de réponse aux questions basés sur des documents, des chatbots d'automatisation des tâches par e-mail, des chatbots basés sur l'image prenant en charge les entrées multimodales et des chatbots RAG avancés combinant divers modèles open source.

▶ Avis des relecteurs de code

« Il s’agit d’un guide pratique axé sur l’apprentissage des concepts par la pratique et directement applicable à des projets concrets. »
Sa valeur est encore plus grande lorsqu'elle se reflète dans des outils modernes tels que LangSmith. »
_Jeon Chang-won_ LG CNS

« J’ai hésité, moi qui ne suis pas spécialiste, à me lancer dans la rédaction de cette critique, mais je l’ai fait avec l’espoir qu’elle serait utile aux lecteurs qui, comme moi, commencent à s’intéresser à l’IA après en avoir ressenti le besoin dans un autre domaine. »
« Grâce à sa structure pratique et à ses explications conviviales, tout le monde peut se lancer sans aucune pression. »
_Kim Moo-sang_ Samsung Electronics

« 『RAG Secret Note Using Teddy Note’s Lang Chain』 est un magnifique code qui fait sauter LLM d’un bout à l’autre. »
« Au fur et à mesure de ma relecture, je ressentais à quel point l’auteur avait mis tout son cœur, toute sa sueur et toutes ses larmes dans ce code. »
_Kim Jung-wook_ Équipe de réflexion

▶Éloges pour ce livre

« Ce sera le meilleur choix pour tous ceux qui ont eu des difficultés à démarrer. »
_Kim Jae-ho_École doctorale de l'Université de Suwon, Département d'informatique

« Cet exemple coréen unique m’a permis de tout comprendre et de progresser rapidement. »
Park Jeong-gi, JCH SYSTEMS / Chercheur principal en IA / Ambassadeur de n8n en Corée

« Suivez les étapes une à une, sans explications compliquées ! C’est vraiment fascinant. »
« C’est vrai. »
Shin Jeong-ho, Ipsos Corée / Science des données

« Vous n’achetez pas un livre, vous achetez une boussole. »
_Oh Joo-young_ Freelance

"La Bible pour les débutants en LangChain"
Jeong Gwang-won, chef d'équipe, équipe de développement du Studio M

« Je n’ai plus besoin de chercher ce qu’est une chaîne de langage ni comment la développer. »
_Jo Young-jun_STG

« En suivant le code, je suis rapidement devenu un maître de Langchain. »
_Heo Su-young_Soins contre le vent

▶ Lecteurs qui ont besoin de ce livre

Débutants souhaitant apprendre systématiquement RAG, des concepts de base à la mise en œuvre concrète.
Développeurs souhaitant créer un système RAG à l'aide du framework Langchain.
Les professionnels des données qui souhaitent surmonter les limitations du LLM et combiner la récupération précise des informations avec la génération de réponses.
Les professionnels qui souhaitent appliquer l'IA à des tâches concrètes telles que la recherche de documents, l'automatisation des e-mails et la rédaction de rapports au sein de leurs entreprises ou organisations.
Personnes non-développeuses possédant des compétences de base en Python mais intéressées par l'IA

▶ Ce que ce livre aborde

_PARTIE 01 Première rencontre avec LangChain
Comprendre les concepts de base et la nécessité de RAG, apprendre à configurer l'environnement, la terminologie LLM de base, les fonctions principales de LangChain et la grammaire LCEL.
Nous abordons les bases de LangChain, notamment la configuration de ChatOpenAI, les modèles multimodaux et la configuration de la chaîne.

_PARTIE 02 Analyseur d'invite et de sortie
Apprenez différentes techniques d'invite, notamment la création de modèles d'invite, l'utilisation de variables partielles, d'invites à quelques exemples et de sélecteurs d'exemple, ainsi que la manière de contrôler les formats de sortie, tels que PydanticOutputParser, l'analyseur JSON et l'analyseur de dataframe.

PARTIE 03 Modèles et mémoire
Nous expliquons comment utiliser différents modèles LLM (OpenAI, Google, Hugging Face, Ollama, etc.) et comment construire des systèmes de mémoire qui conservent le contenu des conversations, tels que les tampons de conversation, les tampons de jetons, les mémoires de résumé et les mémoires de recherche de stockage vectoriel.

PARTIE 04 Chargement des données et fractionnement du texte
Découvrez différents chargeurs de documents tels que PDF, HWP et CSV, ainsi que différentes méthodes de segmentation de texte telles que l'unité de caractère, l'unité de jeton, l'unité de signification, le code, Markdown, HTML et JSON.

PARTIE 05 Magasin et récupération de vecteurs
Apprenez à utiliser des modèles d'intégration tels qu'OpenAI et HuggingFace, des bases de données vectorielles telles que Chroma, FAISS et Pinecone, et divers outils de recherche (compresseurs de documents, ensembles, génération de requêtes multiples, auto-requêtes, etc.).

PARTIE 06 Exercices LangChain
Vous mettrez pleinement en pratique les compétences acquises en réalisant des projets concrets avec Streamlit, notamment une application web ChatGPT, un chatbot d'automatisation des e-mails, un chatbot utilisant différents modèles et un chatbot RAG basé sur des PDF.