Đề cương khóa học

Giới thiệu về LangGraph và Khái niệm đồ thị

  • Tại sao sử dụng đồ thị cho các ứng dụng LLM: orchestration so với chuỗi đơn giản
  • Nút, cạnh và trạng thái trong LangGraph
  • Xin chào LangGraph: đồ thị chạy đầu tiên

Quản lý Trạng Thái và Chuỗi Đề Cử

  • Lập trình đề cử như nút đồ thị
  • Chuyển trạng thái giữa các nút và xử lý kết quả đầu ra
  • Mô hình bộ nhớ: ngắn hạn so với ngữ cảnh được lưu giữ

Cơ chế nhánh, Lưu trình điều khiển và Xử lý lỗi

  • Lộ trình điều kiện và quy trình làm việc đa đường dẫn
  • Lặp lại, thời gian chờ và chiến lược dự phòng
  • Tính idempotency và chạy an toàn

Công cụ và Tích hợp bên ngoài

  • Gọi hàm/công cụ từ các nút đồ thị
  • Gọi REST APIs và dịch vụ trong đồ thị
  • Làm việc với kết quả đầu ra có cấu trúc

Quy trình làm việc Tăng cường Khả năng Truy xuất

  • Các cơ bản về đưa vào và phân chia tài liệu
  • Embeddings và kho vector (ví dụ: ChromaDB)
  • Câu trả lời dựa trên dẫn chứng

Thử nghiệm, Debugging và Đánh giá

  • Thử nghiệm theo kiểu đơn vị cho các nút và đường dẫn
  • Theo dõi và khả năng quan sát
  • Kiểm tra chất lượng: tính chính xác, an toàn và quyết định

Các nguyên tắc Cơ bản về đóng gói và triển khai

  • Cài đặt môi trường và quản lý phụ thuộc
  • Cung cấp đồ thị thông qua các APIs
  • Lưu phiên bản quy trình làm việc và cập nhật liên tục

Tóm tắt và Bước tiếp theo

Yêu cầu

  • Có hiểu biết về lập trình Python cơ bản
  • Kinh nghiệm với REST APIs hoặc công cụ CLI
  • Thành thạo các khái niệm LLM và nền tảng kỹ thuật của prompt engineering

Đối tượng

  • Nhà phát triển và kỹ sư phần mềm mới làm việc với orchestration dựa trên đồ thị cho LLM
  • Kỹ sưprompt và người mới bắt đầu trong lĩnh vực AI đang xây dựng các ứng dụng LLM nhiều bước
  • Người thực hành dữ liệu khám phá tự động hóa luồng làm việc bằng LLM
 14 Giờ học

Số người tham gia


Giá cho mỗi người tham gia

Các khóa học sắp tới

Các danh mục liên quan