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.