Finał serii o LangChain i LangGraph: kompletne API na FastAPI — endpoint indeksujący pliki Markdown z dysku do indeksu w pamięci i graf retrieve→generate odpytujący model przez OpenRouter.
Drugi wpis z serii o LangChain i LangGraph: model czatu przez OpenRouter, embeddingi, text splitter, InMemoryVectorStore i pierwszy graf StateGraph — wszystko, z czego złożymy RAG.
Pierwszy wpis z serii o LangChain i LangGraph: czym różnią się te biblioteki, czym jest graf stanów i jak wygląda przepływ RAG, który zbudujemy w kolejnych częściach.
Finał serii o RAG: kompletne API na FastAPI i LlamaIndex — endpoint indeksujący pliki Markdown z dysku do indeksu w pamięci i endpoint odpytujący dokumenty przez model z OpenRouter.
Drugi wpis z serii o RAG: klasy LlamaIndex, które zamieniają teorię w kod — Document, VectorStoreIndex, query engine i Settings, plus podłączenie modelu przez OpenRouter.
Pierwszy wpis z serii o RAG i LlamaIndex: czym jest Retrieval-Augmented Generation, jak działają embeddingi i wyszukiwanie podobieństwa oraz co z Pythona będzie potrzebne, żeby zbudować własny RAG.
Drugi wpis z podstaw Pythona przed pierwszym skryptem LLM: słowniki, definiowanie funkcji z *args i **kwargs oraz praca z formatem JSON.
Zanim napiszesz pierwszy skrypt z LlamaIndex, warto ogarnąć podstawy Pythona: różnicę między () a [], listy, krotki i podstawowe operacje na macierzach.
Dowiedz się, jak krok po kroku zbudować model AI do predykcji, wykorzystując najnowsze techniki uczenia maszynowego.
Dowiedz się, jak w kilka sekund wygenerować formularz w Dynamic Forms ver 9 używając prostego prompta do ChatGPT.
Informacje o nowych materiałach, szkoleniach i narzędziach prosto na Twoją skrzynkę. Subskrybenci newslettera dostają kupony ze zniżkami na nasze produkty oraz dostęp do darmowych narzędzi AI.