Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Czas trwania 14 godzin
Plan Szkolenia
Wprowadzenie do LangGraph i koncepcji grafów
- Dlaczego grafy w aplikacjach LLM: orkiestracja vs. proste łańcuchy
- Węzły, krawędzie i stan w LangGraph
- Witaj LangGraph: pierwszy działający graf
Zarządzanie stanem i łańcuchowanie promptów
- Projektowanie promptów jako węzłów grafu
- Przekazywanie stanu między węzłami i obsługa wyników
- Wzorce pamięci: krótkoterminowa vs. utrwalony kontekst
Rozgałęzienia, sterowanie przepływem i obsługa błędów
- Warunkowe kierowanie i przepływy z wieloma ścieżkami
- Ponawianie prób, limity czasu i strategie awaryjne
- Idempotencja i bezpieczne ponowne uruchomienia
Narzędzia i integracje zewnętrzne
- Wywoływanie funkcji/narzędzi z węzłów grafu
- Wywoływanie API REST i usług wewnątrz grafu
- Praca ze sformatowanymi wyjściami
Przepływy pracy z rozszerzonym pobieraniem danych (Retrieval-Augmented)
- Podstawy importu dokumentów i ich dzielenia na fragmenty (chunking)
- Wektory i magazyny wektorowe (np. ChromaDB)
- Odpowiadanie oparte na źródłach z cytowaniem
Testowanie, debugowanie i ewaluacja
- Testy jednostkowe węzłów i ścieżek
- Śledzenie (tracing) i obserwowalność
- Sprawdzenia jakości: faktuwalność, bezpieczeństwo i determinizm
Podstawy pakowania i wdrażania
- Konfiguracja środowiska i zarządzanie zależnościami
- Serwisowanie grafów za pomocą API
- Wersjonowanie przepływów pracy i aktualizacje rolujące
Podsumowanie i kolejne kroki
Wymagania
- Znajomość podstaw programowania w Pythonie
- Doświadczenie z API REST lub narzędziami CLI
- Znajomość koncepcji LLM i podstaw inżynierii promptów
Grupa docelowa
- Developerzy i inżynierowie oprogramowania początkujący w orkiestracji LLM opartej na grafach
- Prompt inżynierowie i nowicjowie w AI budujący wieloetapowe aplikacje LLM
- Specjaliści od danych eksplorujący automatyzację przepływów pracy za pomocą LLM