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 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