Le module sur le reranking a complètement changé ma façon d'aborder mes pipelines RAG, je ne pensais pas que ça ferait une telle différence sur la pertinence des résultats. L'utilisation de LangChain pour combiner recherche hybride et réécriture de requêtes est expliquée de manière très concrète.
RAG dengan Python: Hybrid Search, Reranking, dan Rewriting
Belajar membina aplikasi Retrieval-Augmented Generation moden menggunakan LangChain, vector databases, dan teknik carian pintar dari peringkat awal.
-
💬
Pengajar AI
Tanya tentang mana-mana pelajaran dan dapatkan jawapan jelas serta-merta, bila-bila masa. -
🕐
Mula bila-bila masa
Tiada jadual atau tarikh akhir — belajar mengikut rentak sendiri, bila-bila masa. -
🌐
Dalam bahasa Melayu
Pelajaran, tugasan dan sijil — semuanya sepenuhnya dalam bahasa anda.
Tentang kursus ini
Model bahasa besar adalah berkuasa, tetapi ia sering kali kekurangan akses kepada data khusus anda. Retrieval-Augmented Generation (RAG) merapatkan jurang ini, membolehkan anda menyambungkan AI kepada pangkalan pengetahuan tersuai.
Dalam kursus berasaskan teks ini, anda akan meneroka cara membina sistem RAG yang teguh menggunakan Python. Bermula dengan konsep asas, anda akan maju ke arah melaksanakan teknik moden seperti hybrid search, result reranking, dan query rewriting untuk meningkatkan ketepatan respons AI secara drastik.
Apa yang anda akan pelajari:
- Memahami seni bina teras dan terminologi Retrieval-Augmented Generation;
- Membina saluran paip RAG asas menggunakan Python dan LangChain;
- Melaksanakan vector databases untuk menyimpan dan mendapatkan semula document embeddings;
- Mengaplikasikan teknik hybrid search yang menggabungkan kata kunci dan semantic retrieval;
- Meningkatkan ketepatan AI menggunakan corak result reranking dan query rewriting;
- Meneroka konsep Agentic AI moden untuk pengambilan data autonomi.
Kursus ini bermula dengan definisi terminologi AI yang jelas sebelum beralih ke pelaksanaan Python yang praktikal. Anda akan membaca penjelasan terperinci, meneliti coretan kod, dan berlatih membina sistem pengambilan AI berasaskan teks langkah demi langkah.
Kursus ini direka untuk pemula dan pembangun yang bercita-cita tinggi; tiada pengalaman terdahulu dengan pembelajaran mesin lanjutan diperlukan. Mula membaca hari ini untuk membuka kunci kuasa RAG moden dan membina aplikasi berasaskan data yang lebih pintar.
Apa yang anda dapat
-
📜
Sijil tamat
Tambah ke profil LinkedIn anda -
💬
Tutor AI peribadi
Tersekat dalam pelajaran? Tanya tutor terbina dalam kamu apa sahaja, bila-bila masa. -
🎧
Termasuk versi audio
Belajar sambil bergerak — tanpa skrin -
♾️
Akses seumur hidup
Kembali bila-bila masa, tiada tamat tempoh -
📱
Telefon atau komputer
Berfungsi di mana-mana, mana-mana peranti -
💸
Pulangan 14 hari
Tanpa soalan -
⚡
Pendek dan fokus
2 jam 30 min kandungan praktikal
Ulasan (6)
Selama ini saya cuma tahu RAG sebatas 'ambil dokumen terus masukin ke prompt', tapi kursus ini benar-benar membongkar detail yang sering dilewatkan seperti hybrid search dan reranking. Bagian yang paling membuka mata saya adalah query rewriting, ternyata banyak hasil pencarian yang buruk itu bukan karena embedding jelek tapi karena pertanyaan awal dari user memang ambigu. Contoh kode dengan LangChain dijelaskan langkah demi langkah sehingga saya bisa langsung praktik di proyek sendiri tanpa kebingungan. Urutan materinya juga masuk akal, dari retrieval sederhana sampai pipeline lengkap yang menggabungkan semua teknik. Setelah menyelesaikan kursus ini, hasil pencarian RAG saya jauh lebih relevan dibanding sebelumnya.
Давно искал внятное объяснение гибридного поиска, и здесь наконец сложилась картина: как совмещать плотные эмбеддинги с BM25 и зачем потом прогонять результаты через реранкер. Особенно зашёл блок про переписывание запроса перед обращением к векторной базе — раньше я недооценивал этот шаг, а он реально поднял качество выдачи в моём проекте на LangChain. Примеры рабочие, всё запускается без танцев с бубном. Единственное, по выбору самой векторной БД хотелось бы поглубже, но в целом курс закрыл почти все мои вопросы по RAG.
أخيرًا شرح واضح لكيفية دمج البحث الهجين وإعادة الترتيب في نظام RAG بدلاً من الاكتفاء بالاسترجاع البسيط. الجزء الخاص بإعادة صياغة الاستعلامات باستخدام LangChain كان عمليًا جدًا وساعدني في تحسين دقة النتائج بشكل ملموس.
Hibrit arama ve reranking konularını bu kadar net anlatan başka bir kaynak bulamamıştım. LangChain ile query rewriting kısmını uygulamalı örneklerle göstermesi, RAG pipeline'ının neden bazen alakasız sonuç döndürdüğünü anlamamı sağladı.
Good deep dive into the parts of RAG that most tutorials skip, especially the hybrid search and reranking sections which finally explained why my retrieval results were mediocre. The LangChain code examples are solid, though the query rewriting module could use a bit more explanation on tuning the prompts.
Pelajar lain juga mengambil
🔥 Popular
🎓 Dengan sijil
Generative AI untuk Artis Tatu: Reka Bentuk dan Peletakan
Sijil
Amali
$14.99
→
🔥 Popular
🎓 Dengan sijil
Pengklonan Suara AI: Bina Suara Digital Peribadi Anda
Sijil
Amali
$14.99
→
🔥 Popular
🎓 Dengan sijil
AI untuk Guru ESL: Pelajaran, Teks, dan Ujian
Sijil
Amali
$14.99
→
🔥 Popular
🎓 Dengan sijil
Asas LLMOps: Deploy, Versi, dan Pantau LLM
Sijil
Amali
$14.99
→
Soalan lazim
Apa yang saya perlukan untuk mengikuti kursus ini? +
Hanya telefon atau komputer dengan internet. Tiada pemasangan, tiada perkakasan khas.
Bagaimana untuk membayar? +
Dengan kad melalui Stripe. Kami tidak menyimpan butiran kad — Stripe menguruskannya dengan selamat.
Bolehkah saya dapatkan bayaran balik? +
Ya — pulangan penuh dalam 14 hari, tanpa soalan.
Berapa lama saya akan mempunyai akses? +
Selamanya. Setelah membeli, kursus adalah milik anda — boleh lawat semula bila-bila masa.
Adakah saya akan mendapat sijil? +
Ya. Setelah tamat, anda akan menerima sijil yang boleh ditambah ke profil LinkedIn anda.
Direka untuk pelajar dalam
Teknologi
Reka bentuk
Kewangan
Pemasaran
Kesihatan
Pendidikan
Hospitaliti
Pembuatan