描述
NVIDIA 的课程《使用 LLM 构建 RAG 代理》深入探讨了大型语言模型（LLM）的革命性演变及其在基于检索的系统中的应用。这些模型通过与各种工具和文档的交互，增强了生产力，使得信息交流更加高效。该课程专为渴望探索 LLM 潜力的个人量身定制，重点关注实际部署和高效实施，以满足用户和深度学习模型的需求。
阅读更多
参与者将深入了解先进的编排技术，包括内部推理、对话管理和有效的工具策略。课程旨在教会参与者如何构建一个与用户进行可预测交互的 LLM 系统，利用内部和外部推理组件。它还涵盖了设计对话管理和文档推理系统，以维护状态和结构信息。
课程包括 LLM 推理接口、使用 LangChain、Gradio 和 LangServe 设计管道、管理对话状态以及处理文档等主题。参与者将学习如何利用嵌入进行语义相似性和保护措施，并实施向量存储以实现高效的文档检索。在研讨会结束时，参与者将对 RAG 代理及开发自己 LLM 应用所需的工具有扎实的理解。
该课程适合具有初步深度学习知识、熟悉 PyTorch 和迁移学习以及具备中级 Python 经验的人员。它提供了对 RAG 代理的全面理解，使参与者具备有效开发和部署先进 LLM 系统的技能。
- 类别企业培训与在线学习
- 定价模式免费
NVIDIA 使用 LLM 构建 RAG 代理的核心功能
构建具有内部和外部推理的 LLM 系统
设计对话管理系统
利用嵌入模型进行相似性查询
无需微调实施 RAG 代理
探索 LLM 推理接口
使用 LangChain、Gradio 和 LangServe 设计管道
管理对话状态并集成知识提取
利用嵌入进行语义相似性
如何使用 NVIDIA 使用 LLM 构建 RAG 代理？
配置：为研讨会设置环境
使用：探索 LLM 推理接口和微服务
优化：使用 LangChain、Gradio 和 LangServe 设计 LLM 管道
评估：实施向量存储以实现高效的文档检索
NVIDIA 使用 LLM 构建 RAG 代理的使用案例
- 对话系统设计
- 内容检索
- LLM 应用开发
- 语义相似性
- 知识提取
