Laboratoire LangChain + RAG : De la Théorie à la Pratique

🎯 À la fin de ce lab : Vous aurez un assistant IA conversationnel capable de répondre précisément aux questions sur vos documents

🚀 Quick Start

Uniquement avec Docker

# load pre-build image (~1min)
docker load < langchain-lab.tar && \
docker run -d \
  --name langchain-lab \
  --env-file .env \
  -p 8888:8888 \
  -v langchain-vectorstore:/workspace/vectorstore \
  langchain-lab:latest

Note : Les fichiers du lab sont déjà copiés dans l'image Docker. Vos modifications dans Jupyter ne seront visibles que dans le conteneur et n'affecteront pas vos fichiers locaux.

Ou avec Docker Compose

# OR build image locally (~10min)
docker-compose up -d

Ouvrir http://localhost:8888

Suivre les notebooks dans l'ordre 00 → 01 → 02 → 03 → 04

🧹 Nettoyage

Pour terminer le lab et nettoyer toutes les ressources Docker créées :

Uniquement avec Docker

# Arrête et supprime le conteneur
docker stop langchain-lab
docker rm langchain-lab

# Supprime l'image du lab
docker rmi langchain-lab:latest

# Supprime le volumes
docker volume rm langchain-vectorstore

Avec Docker compose

# Arrêter et supprimer les conteneurs
docker-compose down

# Supprimer également les volumes (données vectorielles)
docker-compose down -v

# Supprimer l'image Docker créée (optionnel)
docker rmi langchain-lab-lab