Devs HiveDevs Hive
System DesignНове
AI InterviewНове
Питання на інтервʼю
Роадмапи
Курси

Підготовка до інтерв'ю

  • КвізиПеревір знання на час і з рейтингом
  • МенторствоМок-інтерв'ю та персональна підготовка

Навчання

  • Корисні книгиДобірка книг, які варто прочитати
Увійти
Меню
System DesignНовеAI InterviewНовеПитання на інтервʼюРоадмапиКурси

Підготовка до інтерв'ю

КвізиМенторство

Навчання

Корисні книги
© 2026 Devs Hive. Всі права захищені.
Політика конфіденційності·LinkedInYouTube
System DesignНове
AI InterviewНове
Питання на інтервʼю
Роадмапи
Курси

Підготовка до інтерв'ю

  • КвізиПеревір знання на час і з рейтингом
  • МенторствоМок-інтерв'ю та персональна підготовка

Навчання

  • Корисні книгиДобірка книг, які варто прочитати
System DesignНовеAI InterviewНовеПитання на інтервʼюРоадмапиКурси

Підготовка до інтерв'ю

КвізиМенторство

Навчання

Корисні книги

Приєднуйтесь до нас

Увійдіть, щоб отримати доступ до всіх можливостей

УвійтиСтворити акаунт
←Усі курси

Текстовий курс

RAG з нуля на TypeScript

Як навчити LLM відповідати по ваших документах: embeddings, chunking, pgvector, відповіді з джерелами і чат на LangChain.js.

4 модулі · 12 уроків · 5 квізів

Почати курс

Для навчання потрібен акаунт, це безкоштовно.

RAG з нуля на TypeScript

LLM знають багато, але нічого не знають про ваші документи: регламенти компанії, документацію, нотатки. Retrieval-Augmented Generation (RAG) - найпоширеніший спосіб це виправити: на кожне питання знайти потрібні фрагменти документів і дати їх моделі.

Курс складається з двох частин:

  1. Теорія: чого не вміють LLM, що таке embeddings і семантичний пошук, з чого складається RAG-система;
  2. Практика: RAG вручну на OpenAI SDK, потім LangChain.js, розбиття документів, PostgreSQL з pgvector, відповіді з посиланнями на джерела, вебчат зі стрімінгом, перевірка якості і перенесення чату в Nest.js.

Курс для розробників, які знають TypeScript і основи бекенду, але ще не працювали з LLM. Після кожного модуля - короткий квіз, наприкінці - підсумковий квіз.

Готовий код усіх практичних уроків - у репозиторії з прикладами: окремо скрипти без вебфреймворку, чат на Express і чат на Nest.js.

Програма курсу

Модуль 1: Як працює RAG

Теорія без коду: чого не вміють LLM, що таке embeddings і семантичний пошук, з яких частин складається будь-яка RAG-система і як векторний індекс шукає серед мільйонів векторів.

  1. 1LLM і їхні обмеження
  2. 2Embeddings і семантичний пошук
  3. 3Анатомія RAG-системи
  4. 4Векторний індекс
  5. Квіз модуля9 питань

Модуль 2: Перший RAG

Практика: RAG вручну на OpenAI SDK, потім LangChain.js, chunking, pgvector і відповіді з посиланнями на джерела.

Почати курс
  • 5RAG вручну на OpenAI SDK
  • 6Документи і chunking з LangChain
  • 7Векторне сховище: від памʼяті до pgvector
  • 8Пошук і відповідь з джерелами
  • Квіз модуля5 питань
  • Модуль 3: Чат і якість

    Вебчат зі стрімінгом відповіді та історією розмови, і перша перевірка якості на наборі тестових питань.

    1. 9Чат зі стрімінгом та історією
    2. 10Як зрозуміти, що RAG працює
    3. Квіз модуля5 питань

    Модуль 4: Що далі

    Переносимо чат у Nest.js, огляд технік, які перетворюють прототип на продакшен-систему, і куди рухатися після курсу.

    1. 11Переносимо RAG у Nest.js
    2. 12Від прототипу до продакшену
    3. Квіз модуля8 питань
    • Підсумковий квіз15 питань