Podstawy modeli językowych z wykorzystaniem LangChaina Konfiguracja projektu LangChain Stosowanie modeli LLM w bibliotece LangChain Tworzenie promptów nadających się do wielokrotnego użycia Uzyskiwanie od modeli LLM wyników w określonych formatach Dane wyjściowe w formacie JSON Inne formaty czytelne dla oprogramowania z wykorzystaniem parserów wyjściowych Łączenie wielu elementów aplikacji korzystającej z modelu LLM Wykorzystanie interfejsu Runnable Łączenie imperatywne Łączenie deklaratywne RAG, część I: Indeksowanie danych Cel: wybór odpowiedniego kontekstu dla modeli językowych Osadzenia: zamiana tekstu na liczby Osadzenia przed erą modeli LLM Osadzenia oparte na modelach językowych Wyjaśnienie osadzeń semantycznych Konwersja dokumentów na tekst Dzielenie tekstu na mniejsze fragmenty Generowanie osadzeń tekstów Przechowywanie osadzeń w wektorowej bazie danych Konfiguracja PGVector Praca z magazynami wektorów Śledzenie zmian w dokumentach Optymalizacja indeksowania MultiVectorRetriever RAPTOR — rekurencyjne przetwarzanie abstrakcyjne dla wyszukiwania w strukturach drzewiastych ColBERT — optymalizacja osadzeń RAG, część II: Rozmawianie z własnymi danymi Wprowadzenie do generowania wspomaganego wyszukiwaniem Wyszukiwanie odpowiednich dokumentów Generowanie predykcji modeli LLM na podstawie istotnych dokumentów Przekształcanie zapytań Przepisz – wyszukaj – przeczytaj Wyszukiwanie danych z użyciem wielu zapytań RAG-Fusion Hipotetyczne osadzanie dokumentów Trasowanie zapytań Trasowanie logiczne Trasowanie semantyczne Tworzenie zapytań Filtr tekst na metadane Przetwarzanie języka naturalnego na zapytania SQL Dodanie pamięci do chatbota z wykorzystaniem LangGraphu Tworzenie systemu pamięci dla chatbotów Wprowadzenie do LangGraphu Tworzenie obiektu grafu stanowego Dodawanie pamięci do obiektu grafu stanowego Modyfikowanie historii czatu Przycinanie wiadomości Filtrowanie wiadomości Łączenie następujących po sobie komunikatów Architektury poznawcze z wykorzystaniem LangGraphu Wywołanie LLM Sekwencja Router Architektura agentowa Pętla planowania i działania Tworzenie agenta opartego na grafach językowych Zawsze w pierwszej kolejności używaj narzędzi Praca z wieloma narzędziami Agenty II Podgrafy w LangGraphie Bezpośrednie wywołanie podgrafu Wywoływanie podgrafu przy użyciu funkcji Architektury wieloagentowe Architektura z nadzorcą Wzorce efektywnego wykorzystania wielkich modeli językowych Ustrukturyzowane dane wyjściowe Wynik pośredni Strumieniowanie wyników modelu LLM token po tokenie Tryby rozwiązań typu human in the loop Wielozadaniowość modeli językowych Wdrażanie: uruchamianie aplikacji AI w środowisku produkcyjnym Instalacja zależności Duży model językowy Magazyn wektorowy API backendu Tworzenie konta LangSmith Prezentacja API LangGraph Platform Modele danych Możliwości Wdrażanie aplikacji AI w LangGraph Platform Utwórz konfigurację API LangGraph Przetestuj swoją aplikację LangGraph lokalnie Wdrażanie z wykorzystaniem interfejsu użytkownika LangSmith Uruchomienie LangSmith Studio Bezpieczeństwo Testowanie: ocena, monitorowanie i ciągłe doskonalenie Techniki testowania w cyklu rozwoju aplikacji opartych na modelach językowych Etap projektowania: RAG z autokorektą Etap przed wdrożeniem Tworzenie zestawów danych Określanie kryteriów oceny Testy regresyjne Ocena całościowej wydajności agenta Produkcja Śledzenie Zbieranie informacji zwrotnych w środowisku produkcyjnym Klasyfikacja i znakowanie Monitorowanie i usuwanie błędów Budowanie z wykorzystaniem modeli językowych Interaktywne chatboty Wspólna praca nad tekstem z wykorzystaniem modeli LLM Przetwarzanie w otoczeniu