WalkSelf · KI, Technologie & Ingenieurwesen · Generative KI & Deep Learning

Entwicklung von LLM-Anwendungen

Lernen Sie, wie Sie mit Frameworks wie LangChain und LlamaIndex Anwendungen erstellen, die auf großen Sprachmodellen (LLMs) basieren. Entwickeln Sie Chatbots, Frage-Antwort-Systeme und Agenten mit Retrieval-Augmented Generation (RAG).

Entwicklung von LLM-Anwendungen

LangChain Grundlagen: Erstellung von Retrieval-Augmented Generation (RAG) Anwendungen

KI-Workflows mit LangChain und Open-Source-LLMs erstellen

KI-Anwendungen entwickeln: Vom Konzept zur Bereitstellung

KI mit benutzerdefinierten Daten durch RAG verbinden

AI für Entwickler: Integration von LLMs mit APIs und Prompts

No-Code Generative AI Anwendungsentwicklung mit Dify

Einführung in RAG: KI-Antworten aus Ihren Dokumenten

API-Anwendungsentwicklung mit DeepSeek und Tongyi

LLM Apps für Daten: Erstellen Sie einen RAG Analytics Assistant

AI Agent Observability: LangSmith und Langfuse

Grundlagen der AI Agent Observability mit Langfuse

Grundlagen der Evaluation von AI Agents mit LangSmith

Erstellung von GraphRAG-Anwendungen mit LlamaIndex

Agentic RAG Grundlagen: Erstellen Sie AI Agents mit LangGraph

Erstellung von AI Agents mit LlamaIndex und RAG

LangGraph Studio: Erstellen und Debuggen von AI Agent Workflows

LangChain und LangGraph: Aufbau zustandsbehafteter AI-Agents

Grundlagen von RAG-Pipelines und LLMOps

Erstellen Sie einen lokalen privaten AI-Stack: Selbstgehostete LLMs und RAG

Erstellen von LLM-Apps mit TypeScript und LangChain.js

Java AI-Entwicklung: LangChain4j und Spring AI

Strukturierte LLM-Outputs: JSON, Pydantic und Validierung

LLM Function Calling: Verbinden Sie AI mit APIs und Datenbanken

LlamaIndex Grundlagen: Baue AI Agents und RAG Apps