inflearn logo

Agentic(Modular) RAG với LangGraph phiên bản 1 từ cơ bản đến nâng cao

Khóa học này về RAG (Retrieval-Augmented Generation) 👉 Không chỉ dừng lại ở việc giải thích khái niệm 👉 Mà là khóa học tập trung vào thực hành, nơi bạn sẽ trực tiếp xây dựng cấu trúc hoạt động thực tế 👉 Và trải nghiệm quá trình mở rộng, nâng cao hệ thống. Bắt đầu từ những ví dụ RAG đơn giản, bạn sẽ học từng bước từ Advanced RAG → Modular RAG → đến RAG dựa trên Agent để đạt đến cấp độ có thể ứng dụng ngay vào công việc thực tế.

(5.0) 2 đánh giá

71 học viên

Độ khó Cơ bản

Thời gian Không giới hạn

AI
AI
ChatGPT
ChatGPT
prompt engineering
prompt engineering
LLM
LLM
AI
AI
ChatGPT
ChatGPT
prompt engineering
prompt engineering
LLM
LLM

Bạn sẽ nhận được điều này sau khi học.

  • Hiểu rõ cấu trúc toàn bộ pipeline của RAG

  • Thấu hiểu những hạn chế của Naive RAG và lý do tại sao cần đến Advanced RAG

  • Thiết kế tách biệt cấu trúc giữa VectorDB, Retriever và Evaluation

  • Có kinh nghiệm triển khai RAG dựa trên nhiều loại VectorDB khác nhau như PGVector, Elasticsearch, v.v.

  • Mở rộng đến Self-RAG, Corrective RAG (CRAG) và Supervisor Agent RAG

Làm chủ RAG hoàn hảo: Từ cơ bản đến Agent

Khóa học này là khóa học tập trung vào thực hành để tìm hiểu mọi thứ về RAG (Retrieval-Augmented Generation).

Học tập theo từng bước, bắt đầu từ Naive RAG cơ bản, đi qua Advanced RAG, cho đến xu hướng mới nhất là Agentic RAG.

Bạn sẽ học cách xây dựng hệ thống RAG có thể áp dụng ngay vào thực tế bằng cách sử dụng LangChainLangGraph..

Đặc điểm của bài giảng này

📌Học tập theo từng bước: Tăng dần độ khó theo trình tự Naive → Advanced → Modular(Agentic)

📌Trải nghiệm đa dạng công cụ: Trực tiếp thực hành với nhiều Vector DB, Embedding Models và Retriever khác nhau

📌 Tìm kiếm Hybrid: Học cách kết hợp tìm kiếm vector và tìm kiếm từ khóa bằng cách sử dụng Elasticsearch

📌Công nghệ mới nhất: Tìm hiểu về cả Agent RAG sử dụng LangGraph

📌Đánh giá hiệu suất: Tìm hiểu cách đánh giá khách quan hiệu suất của hệ thống RAG thông qua RAGAs

Khuyên dùng cho những đối tượng sau

Nhà phát triển ứng dụng dựa trên LLM

Nếu bạn đã có kinh nghiệm sử dụng LLM API, thông qua khóa học này, bạn có thể xây dựng các dịch vụ AI cấp độ sản xuất (production-level) sử dụng dữ liệu doanh nghiệp.

Người mới bắt đầu học hệ thống RAG
Nếu bạn mới làm quen với RAG, khóa học này sẽ giúp bạn nắm vững mọi thứ từ cơ bản đến triển khai thực tế một cách hoàn hảo.

Những người quan tâm đến AI Agent
Nếu bạn quan tâm đến Agent, thông qua khóa học này, bạn có thể triển khai Agentic RAG thực hiện các quyết định phức tạp bằng LangGraph.

Sau khi hoàn thành khóa học, bạn có thể

  • Bạn có thể xây dựng hệ thống RAG từ nhiều nguồn dữ liệu đa dạng khác nhau

  • Bạn có thể lựa chọn Vector DB và Embedding Model phù hợp với đặc tính của dự án.

  • Có thể áp dụng nhiều kỹ thuật khác nhau để cải thiện hiệu suất RAG

  • Có thể thiết kế và triển khai RAG dựa trên Agent phức tạp bằng LangGraph.

  • Có thể đánh giá định lượng và cải thiện chất lượng của hệ thống RAG

Bạn sẽ được học những nội dung này.

Kỹ thuật Retriever nâng cao

Học cách cải thiện chất lượng tìm kiếm bằng cách sử dụng MultiQuery Retriever và Reranker..

Triển khai Hybrid RAG

Xây dựng hệ thống tìm kiếm hybrid kết hợp giữa Elasticsearch, tìm kiếm vectortìm kiếm từ khóa (BM25).

Đánh giá hiệu suất RAG

Sử dụng framework RAGAs để đo lường khách quan và cải thiện chất lượng câu trả lời của hệ thống RAG. framework.

Agent RAG sử dụng LangGraph

Triển khai các loại RAG dựa trên tác nhân (agent) đa dạng như Vanilla RAG, Corrective RAG, Self RAG, Supervisor Agents bằng LangGraph. using LangGraph.

Lưu ý trước khi khóa học bắt đầu

Môi trường thực hành

  • Bài giảng được giải thích dựa trên hệ điều hành MacOS. Tuy nhiên, chỉ cần là môi trường có thể chạy được Python, bạn đều có thể theo dõi bài giảng bất kể hệ điều hành nào như Windows hay Linux.

  • Trong bài giảng, tôi đã sử dụng trình soạn thảo VSCode, nhưng bạn có thể sử dụng bất kỳ trình soạn thảo nào khác như Cursor, PyCharm, v.v.

Tài liệu học tập

  • Cung cấp tệp nén cho mỗi phần (bao gồm requirements.txt, jupyter files, v.v.).

Kiến thức tiên quyết và lưu ý

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

  • Những người đã từng sử dụng LLM nhưng vẫn còn thấy bối rối về cấu trúc RAG

  • Những người đang sử dụng LangChain/LangGraph mà không có lý do cụ thể

  • Dành cho những ai muốn biết lý do tại sao hiệu suất RAG không tốt.

  • Những ai muốn mở rộng lên đến Agent-based RAG

Cần biết trước khi bắt đầu?

  • Chúng tôi sử dụng mô hình ChatGPT trả phí trong lớp học.

  • Cần có kiến thức cơ bản về Python.

Xin chào
Đây là goodwon5937125

492

Học viên

15

Đánh giá

2

Trả lời

4.9

Xếp hạng

4

Các khóa học

Xin chào, tôi là Cho Kyung-won, người phụ trách bài giảng này.
Tôi đã tích lũy được nhiều kinh nghiệm thực tế sâu rộng trong nhiều môi trường công nghiệp khác nhau, từ các doanh nghiệp vừa và nhỏ đến các tập đoàn lớn, bao gồm phát triển web, trí tuệ nhân tạo (AI) và xây dựng cơ sở hạ tầng AWS.

Dựa trên những kinh nghiệm này, từ năm 2022, tôi đã thực hiện các bài giảng trong lĩnh vực AI trực tiếp (offline), tiếp tục công việc giáo dục kết nối giữa thực tiễn và lý thuyết.

Thêm

Chương trình giảng dạy

Tất cả

50 bài giảng ∙ (9giờ 29phút)

Tài liệu khóa học:

Tài liệu bài giảng
Ngày đăng: 
Cập nhật lần cuối: 

Đánh giá

Tất cả

2 đánh giá

5.0

2 đánh giá

  • dachki님의 프로필 이미지
    dachki

    Đánh giá 71

    Đánh giá trung bình 5.0

    5

    100% đã tham gia

    Bài giảng được chuẩn bị rất tốt. Tuy nhiên, sẽ tuyệt vời hơn nếu nó được kết nối đến cả phần dịch vụ nữa.

    • paulmoon008308님의 프로필 이미지
      paulmoon008308

      Đánh giá 111

      Đánh giá trung bình 4.9

      5

      6% đã tham gia

      Khóa học khác của goodwon5937125

      Hãy khám phá các khóa học khác của giảng viên!

      Khóa học tương tự

      Khám phá các khóa học khác trong cùng lĩnh vực!

      1.040.745 ₫