Cảm ơn bạn đã gửi yêu cầu! Một thành viên trong đội ngũ của chúng tôi sẽ liên hệ với bạn ngay lập tức.
Cảm ơn bạn đã gửi đặt chỗ! Một thành viên trong đội ngũ của chúng tôi sẽ liên hệ với bạn ngay lập tức.
Đề cương khóa học
Giới thiệu về LangGraph và các khái niệm đồ thị
- Tại sao sử dụng đồ thị cho ứng dụng LLM: điều phối so với chuỗi đơn giản
- Các nút, cạnh và trạng thái trong LangGraph
- Xin chào LangGraph: đồ thị chạy được đầu tiên
Quản lý trạng thái và chuỗi prompt
- Thiết kế prompt dưới dạng các nút đồ thị
- Chuyển trạng thái giữa các nút và xử lý đầu ra
- Mẫu bộ nhớ: ngữ cảnh ngắn hạn so với dài hạn (lưu trữ lâu dài)
Phân nhánh, luồng điều khiển và xử lý lỗi
- Định tuyến có điều kiện và quy trình đa đường
- Thử lại, giới hạn thời gian và chiến lược dự phòng
- Tính bất biến và khả năng chạy lại an toàn
Công cụ và tích hợp bên ngoài
- Gọi hàm/công cụ từ các nút đồ thị
- Gọi API REST và dịch vụ trong đồ thị
- Xử lý đầu ra có cấu trúc
Quy trình tăng cường truy xuất
- Nhập tài liệu và kỹ thuật phân đoạn cơ bản
- Vector nhúng và kho dữ liệu vector (ví dụ: ChromaDB)
- Trả lời có căn cứ với trích dẫn
Kiểm thử, gỡ lỗi và đánh giá
- Tests kiểu đơn vị cho các nút và đường đi
- Theo dõi và quan sát
- Kiểm tra chất lượng: tính chính xác, an toàn và tính xác định
Nền tảng đóng gói và triển khai
- Cài đặt môi trường và quản lý phụ thuộc
- Phục vụ đồ thị qua API
- Quản lý phiên bản quy trình và cập nhật dần
Tổng kết và các bước tiếp theo
Yêu cầu
- Hiểu biết về lập trình Python cơ bản
- Kinh nghiệm sử dụng API REST hoặc công cụ CLI
- Quen thuộc với các khái niệm LLM và nguyên tắc cơ bản của kỹ thuật prompt
Đối tượng
- Nhà phát triển và kỹ sư phần mềm mới làm quen với việc điều phối LLM dựa trên đồ thị
- Kỹ sư prompt và người mới bắt đầu với AI đang xây dựng ứng dụng LLM đa bước
- Chuyên gia dữ liệu đang khám phá khả năng tự động hóa quy trình với LLM
14 Giờ