บทนำสู่ RAG สำหรับ Codebases และ Documentation

การสำรวจ codebases ขนาดใหญ่และเอกสารทางเทคนิคที่ครอบคลุมอาจใช้เวลานาน Retrieval-Augmented Generation (RAG) มอบโซลูชันที่มีประสิทธิภาพโดยช่วยให้คุณสามารถสอบถาม repositories ของคุณและดึงคำตอบที่แม่นยำและสอดคล้องกับบริบทออกมาได้ คอร์สนี้จะแนะนำคุณเกี่ยวกับแนวคิดพื้นฐานของการสร้างระบบ RAG ที่ปรับแต่งมาสำหรับสภาพแวดล้อมทางเทคนิค จากการอ่านตัวอย่าง Python ที่ใช้งานได้จริงและคำอธิบายที่ชัดเจน คุณจะได้เรียนรู้วิธีการประมวลผล source code, สร้าง embeddings และใช้ประโยชน์จาก vector databases เพื่อดึงบริบทที่เกี่ยวข้องสำหรับโมเดลภาษา สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจสถาปัตยกรรมพื้นฐานและคำศัพท์ของ Retrieval-Augmented Generation - ประมวลผลและแบ่งส่วน (chunk) ไฟล์โค้ดและเอกสาร markdown เพื่อการทำ embedding ที่เหมาะสมที่สุด - กำหนดค่า vector databases เพื่อจัดเก็บและดำเนินการค้นหาเชิงความหมายบนเนื้อหาทางเทคนิค - ประยุกต์ใช้เทคนิค prompt engineering ขั้นพื้นฐานเพื่อปรับปรุงการดึงบริบทและความแม่นยำของคำตอบ - สร้าง query pipeline แบบข้อความที่เชื่อมต่อ Python scripts, search retrievers และโมเดลภาษา - ฝึกฝนการดึง code snippets ที่เกี่ยวข้องผ่านแบบฝึกหัดการเขียนที่มีโครงสร้าง หลักสูตรเริ่มต้นด้วยคำศัพท์ AI ที่จำเป็นและคำจำกัดความพื้นฐานก่อนที่จะเข้าสู่การนำไปใช้งานจริง คุณจะได้เรียนรู้ตามลำดับขั้นตอนที่สมเหตุสมผลตั้งแต่การนำเข้าข้อมูลพื้นฐานไปจนถึงการสร้าง workflow การค้นหาเชิงความหมายที่สมบูรณ์ คอร์สนี้ออกแบบมาสำหรับผู้เริ่มต้นและนักพัฒนาที่มีความรู้พื้นฐานเกี่ยวกับ Python โดยไม่จำเป็นต้องมีประสบการณ์ด้าน machine learning มาก่อน เริ่มสร้างเครื่องมือค้นหาอัจฉริยะสำหรับโปรเจกต์ทางเทคนิคของคุณได้ตั้งแต่วันนี้