สร้างแอปพลิเคชัน AI ที่ตระหนักถึงบริบทด้วย LangChain, RAG, และ Vector Databases
Retrieval Augmented Generation (RAG) แก้ไขข้อจำกัดหลักของโมเดลภาษาขนาดใหญ่: ไม่สามารถเข้าถึงข้อมูลหรือเอกสารส่วนตัวของคุณได้ แทร็กนี้สอนให้คุณรวม LangChain orchestration layer, embedding models, และ vector databases เพื่อให้แอปพลิเคชันของคุณสามารถดึงบริบทที่ถูกต้องในเวลาค้นหาและส่งให้ LLM — ทำให้ได้คำตอบที่แม่นยำและมีพื้นฐานแทนการ hallucinations ทักษะเหล่านี้สามารถนำไปใช้โดยตรงกับแชทบอทสำหรับเอกสารภายใน, เครื่องมือค้นหาแบบความหมาย, และ AI pipelines ในระบบผลิตภาพ
สิ่งที่คุณจะเรียนรู้
คุณจะเริ่มต้นด้วยการทำความเข้าใจวิธีการทำงานของ LLM และ RAG ในแนวคิด จากนั้นก้าวไปยัง LangChain core abstractions: chains, prompts, และ memory จากนั้นคุณจะครอบคลุม document loading, text chunking, และ embedding pipeline ที่สมบูรณ์ที่แปลงข้อความดิบให้เป็นเวกเตอร์ที่เก็บไว้ใน vector database คุณจะสร้างและประเมิน RAG application ที่สมบูรณ์, ปรับแต่ง LangChain components, และจัดการความเสี่ยงด้านความปลอดภัยและจริยธรรมที่เกี่ยวข้องกับระบบการดึงข้อมูล มดูลขั้นสูงครอบคลุมกลยุทธ์การดึงข้อมูลแบบไฮบริดและหนาแน่น, สถาปัตยกรรมภายในของ vector databases เช่น Pinecone, Weaviate, และ Chroma, และข้อกังวล operational — latency, cost, monitoring — ที่เกี่ยวข้องกับการส่ง RAG ไปยังสภาวะผลิตภาพ แทร็กปิดท้ายด้วย agentic RAG patterns ซึ่ง retriever เองกลายเป็นเครื่องมือที่ LLM สามารถเรียกใช้แบบไดนามิก
เส้นทางการเรียนรู้
สิบสองหลักสูตรก้าวหน้าจาก A1 ถึง C2 สองหลักสูตรแรก (A1–A2) สถาปนาฐาน: แนวคิด LLM และ RAG, จากนั้น LangChain building blocks หลักสูตรระดับ B (B1–B2) ครอบคลุม document processing, embeddings, vector database fundamentals, รอบการสร้างและประเมิน RAG ที่สมบูรณ์, component customization, และข้อกังวลด้านความปลอดภัย หลักสูตร C1 ก้าวเข้าสู่เทคนิคการดึงข้อมูลขั้นสูงและการมองอย่างลึกซึ้งเข้าไปในสถาปัตยกรรม vector database, สิ้นสุดด้วย Productionizing RAG Systems capstones สองตัว C2 — Agentic RAG and Tool Integration และ Advanced RAG Use Cases and Future Trends — ครอบคลุม multi-step agent workflows และรูปแบบที่เกิดขึ้นใหม่ที่ชายแดนของ applied LLM engineering
วิธีการทำงาน
แต่ละหลักสูตรแบ่งออกเป็นบทเรียนสั้นที่เน้นเฉพาะซึ่งคุณทำให้สมบูรณ์ในตัวแก้ไขโค้ดในตัวพร้อมข้อเสนอแนะแบบเรียลไทม์ tutor AI พร้อมใช้งานเมื่อคุณติดขัด และแบบฝึกหัดอยู่บนพื้นฐานของสถานการณ์จริง — โหลดเอกสารจริง, การค้นหา vector stores ที่ใช้งานอยู่, และการแก้จุดบกพร่องใน retrieval pipelines — ดังนั้นทักษะจึงโอนไปยังงาน production โดยตรง