Explicação do projeto.

Este repositório tem o propósito de armazenar o conhecimento adquirido durante o curso proposto pela DeerpLearning.AI.

Acesse o curso neste link.

1. Models,Prompts and Parsers

Modelos - Seleção do modelo de linguagem que iremos trabalhar.

Prompts - Sequência de inputs que será passado ao modelo que irá orienta-lo.

Parsers - Pegando a saída destes modelos e definindo uma formatação mais estruturada para que sejá possível utilizar este Output para outras atividades.

2. Memory

• Forma mais prática e útil para se trabalhar e acessar a memória do modelo através de toda a interação realizada.

Quando utilizamos a memória para um chat conversacional o LLM estamos utilizando uma chave API independente, o modelo não possui está configuração embutida "de fábrica". Esse histórico de conversa é utilizado como contexto e este armazenamento é utilizado como input para o LLM.

Um histórico muito grande pode resultar em grande gasto dos Tokens, por isso o LangChain providencia formas diferentes de armazenamento e acumulo de conversas.

ConversationBufferMemory - Usado na maioria dos desenvolvimentos de Chatbots, dependendo da interação pode exigir bastante uso de tokens. Podemos extrair as mensagens em uma variável.

ConversationBufferWindowMemory - Armazena um número limitado de interações.

ConversationTokenBufferMemory - Armazena um número limitado de tokens, ideal para não deixar subir o preço das chamadas de LLM.

ConversationSummaryMemory - Criar um resumo das interações e passar como contexto para o LLM.

3. Chains

LLMChain - Um chain combina o LLM e o prompt para gerar uma sequência de operações no seu texto ou próprio dado.

SimpleSequentialChain - Esta Chain combina o Output de uma chain para servir de input para a próxima chain.

SequentialChain - Esta Chain combina o Output de múltiplas chains para servir de input para a próxima chain.

Router Chain - Sequência de sub-Chains que podem ser aproveitadas para gerar input de uma nova Chain.

4. Question and Awnser(QandA)

• Realizar perguntas e obter respostas utilizando arquivos externos.

5. Avaliação(Dando problema)

• Avaliação manual do modelo(e debugar)
• Avaliação assistida do LLM

6. Agents

• Utilizando LagChains tools nativas: DuckDuckGo search e Wikipedia
• Definindo suas próprias tools