Agentenbasierte und modulare RAG-Systeme mit LangGraph

Standard-Retrieval-Systeme versagen oft, wenn Abfragen komplex oder Dokumente unübersichtlich sind.Mit dem Wechsel zu agentic, modularem RAG, können Sie KI-Anwendungen erstellen, die ihre eigenen Suchergebnisse auswerten, Fehler korrigieren und Abfrages dynamisch weiterleiten. Dieser reine Textkurs führt Sie durch den Entwurf und die Implementierung von erweiterten Retrieval-Architekturen und zeigt Ihnen den Übergang von einfachen Dokumenten-Lookups zum Aufbau autonomer, zustandsgesteuerter KI-Agenten mit LangGraph. Was Sie lernen werden: - Verstehen Sie die Kernkonzepte von agentic RAG und wie sie sich gegenüber dem traditionellen Abruf verbessern. - Konfigurieren Sie Zustandsgraphen, Knoten und bedingtes Routing mit LangGraph. - Implementieren Sie korrigierende RAG-Muster, um abgerufene Dokumente zu bewerten und zu filtern. - Wenden Sie Abfrage-Rewriting- und Fallback-Mechanismen für genauere LLM-Antworten an. - Entwerfen Sie modulare Workflows, die komplexe, mehrstufige Benutzeranfragen verarbeiten. - Üben Sie den Aufbau strukturierter Werkzeugaufrufschleifen innerhalb eines zustandsorientierten Systems. Der Kurs beginnt mit der grundlegenden Terminologie und den grundlegendsten RAG-Konzepten. Schritt für Schritt werden die Graph-Zustände, die Routing-Logik und die Fehlerkorrekturschleifen erläutert. Sie lesen klare Erklärungen und analysieren strukturierte Code-Snippets, die Ihnen beim Aufbau robuster KI-Workflows helfen. Dieses Programm wurde für Entwickler und KI-Enthusiasten entwickelt, die sich für die Entwicklung von Suchanwendungen der nächsten Generation interessieren, ohne dass vorherige LangGraph-Erfahrung erforderlich ist.