Xây các dòng làm việc với LangGraph
Cho tới giờ, chúng ta đã học về các LLMs, LangChain như một khung, và làm cách nào sử dụng các LLMs với
LangChain trong một vanilla mode (chỉ hỏi để khởi tạo một đầu ra text dựa trên một prompt). Trong học
phần này, chúng ta sẽ bắt đầu với một giới thiệu nhanh về LangGraph như một khung và làm cách nào
phát triển nhiều dòng làm việc phức tạp hơn với LangChain và LangGraph bằng cách móc xích cùng với nhau
nhiều bước. Như một ví dụ, chúng ta sẽ thảo luận duyệt các đầu ra LLM và nhìn vào các mô hình xử lí
lỗi với LangChain và LangGraph. Sau đó, chúng ta sẽ tiếp tục với nhiều cách thức tiên tiến hơn để phát
triển các prompts và khám phá các khối xây dựng gì LangChain cung cấp cho few-shot prompting và các kĩ
thuật khác.
Chúng ta cũng sẽ đi bao quát làm việc với các đầu vào đa thể thức, sử dụng bối cảnh dài, và điều chỉnh
lượng công việc của bạn để vượt qua các hạn chế liên quan đến kích thước cửa sổ bối cảnh. Cuối cùng, chúng
ta sẽ nhìn vào các cơ chế cơ bản cho quản lí ghi nhớ với LangChain. Hiểu các cơ bản này và các kĩ thuật
then chốt sẽ giúp chúng ta đọc LangGraph code, hiểu các tút và mẫu code, và phát triển các dòng làm việc
phức tạp của bản thân chúng ta. Chúng ta sẽ, tất nhiên, thảo luận các dòng làm việc LangGraph là gì và
sẽ tiếp tục xây dựng trên kĩ năng đó trong các học phần tiếp theo.
Trong lõi, chúng ta sẽ bao quát các chủ đề chính sau trong học phần này:
+ Các cơ bản LangGraph
+ Prompt engineering
+ Làm việc với các cửa sổ bối cảnh ngắn
+ Hiểu các cơ chế ghi nhớ
Luôn là, bạn có thể tìm thấy tất cả các mẫu code trên GitHub repository công cộng như các Jupyter
notebooks: https://github.com/benman1/generative_ai_with_langchain/tree/second_edition/chapter3