Приєднуйтесь до нас
Увійдіть, щоб отримати доступ до всіх можливостей
Текстовий курс
Як навчити LLM відповідати по ваших документах: embeddings, chunking, pgvector, відповіді з джерелами і чат на LangChain.js.
4 модулі · 12 уроків · 5 квізів
Для навчання потрібен акаунт, це безкоштовно.

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:
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.
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.
Практика: RAG вручну на OpenAI SDK, потім LangChain.js, chunking, pgvector і відповіді з посиланнями на джерела.
Вебчат зі стрімінгом відповіді та історією розмови, і перша перевірка якості на наборі тестових питань.
Переносимо чат у Nest.js, огляд технік, які перетворюють прототип на продакшен-систему, і куди рухатися після курсу.