Projektowanie chatbotów LLM - Zbudujesz chatboty oparte na lokalnych i chmurowych modelach LLM, konfigurując pamięć rozmowy, obsługę kontekstu oraz własne handlery odpowiedzi dopasowane do realnych scenariuszy.
Tworzenie kompletnego RAG - Nauczysz się składać pełny pipeline RAG od dokumentów źródłowych, przez embeddingi i bazę wektorową, aż po generowanie odpowiedzi z kontrolą jakości i trafności wyników.
Przetwarzanie dokumentów i mediów - Opanujesz przygotowanie danych z PDF, DOCX, HTML, TXT oraz źródeł multimodalnych, w tym OCR i napisów wideo, aby zasilać systemy AI uporządkowaną i użyteczną wiedzą.
Dobór bazy wektorowej - Dowiesz się, jak wybrać lokalną lub chmurową bazę wektorową, tworzyć indeksy, filtrować metadane i aktualizować zasoby tak, aby wyszukiwanie semantyczne działało stabilnie i precyzyjnie.
Lepsze prompty i routing - Nauczysz się budować prompty dynamiczne, warunkowe łańcuchy i routing zapytań między modelami, bazami oraz źródłami wiedzy, dzięki czemu odpowiedzi będą trafniejsze i bardziej użyteczne.
Automatyzacja workflow AI - Zaprojektujesz workflow oparte na chains, agentach i klasyfikatorach, które samodzielnie dopytują o brakujące dane, rozpoznają intencje i kierują użytkownika przez kolejne kroki procesu.
Diagnostyka i ograniczanie błędów - Poznasz praktyczne metody wykrywania pustych wyników, nieadekwatnych odpowiedzi i halucynacji modelu oraz wdrażania fallbacków, walidacji i monitoringu jakości po uruchomieniu rozwiązania.
Bezpieczne wdrażanie rozwiązań - Przygotujesz się do wdrażania systemów AI z uwzględnieniem kontroli dostępu, ochrony danych, zgodności z RODO, audytowalności działań oraz dalszego utrzymania i rozwoju środowiska.
LangChain porządkuje budowę aplikacji AI, zastępując pojedyncze wywołania modeli modularnym workflow. Uczestnicy analizują role modeli, łańcuchów, agentów i narzędzi oraz relacje między tymi elementami. Na tej podstawie omawiane są typowe zastosowania, takie jak chatboty, RAG, rekomendacje i automatyzacja zadań.
Lokalne i zdalnie hostowane modele LLM narzucają odmienne sposoby integracji oraz inne ograniczenia operacyjne. Ta część obejmuje połączenia z modelami lokalnymi przez REST API i biblioteki, a także konfigurację kluczy API i limitów dla usług chmurowych. Dodatkowo zawiera pamięć rozmowy, kontrolę kontekstu i własne handlery.
RAG zmienia sposób pracy z modelami językowymi, bo przed wygenerowaniem odpowiedzi odwołuje się do zewnętrznej wiedzy. Sekcja zestawia to podejście z klasycznym użyciem LLM i wyjaśnia sekwencję od pobrania informacji do generacji. Pokazuje także rolę LangChain w budowie elastycznych potoków RAG.
Zanim dokumenty trafią do wyszukiwania, trzeba nadać im postać użyteczną dla dalszego przetwarzania. Sekcja obejmuje obsługę formatów PDF, DOCX, HTML i TXT, a także segmentację oraz ekstrakcję metadanych. Uwzględnia również wstępne oczyszczanie treści i decyzje dotyczące chunkowania.
Wybór wektorowej bazy danych wpływa na sposób wyszukiwania, utrzymania i wdrożenia rozwiązania. W tej części porównywane są warianty lokalne i chmurowe, a następnie omawiane zakładanie oraz aktualizacja indeksów. Zakres obejmuje też filtrowanie metadanych i personalizację wyników wyszukiwania.
Embeddingi decydują o tym, jak treść zostanie zapisana na potrzeby późniejszego wyszukiwania semantycznego. Uczestnicy porównują gotowe modele osadzania, a następnie analizują tworzenie i testowanie własnych reprezentacji. Na końcu omawiana jest integracja embeddingów z pełnym pipeline RAG.
Prosty klasyfikator wiedzy może usprawnić decyzje podejmowane jeszcze przed etapem wyszukiwania lub generacji. Sekcja wyjaśnia, kiedy warto go zastosować, jak dobrać cechy i etykiety oraz jak zdefiniować strukturę predykcji. Następnie pokazuje jego włączenie do szerszego potoku decyzyjnego.
Od źródła wiedzy do finalnej odpowiedzi potok RAG musi działać jako spójna całość. Ta część łączy embeddingi, bazę danych i generowanie odpowiedzi, a następnie przechodzi do oceny trafności i jakości wyników. Omawia też diagnostykę pustych rezultatów, nieadekwatnych odpowiedzi i halucynacji modelu.
Architektura MCP w LangChain jest analizowana przez pryzmat drogi danych od użytkownika do wygenerowanej odpowiedzi. Uczestnicy poznają role komponentów wejścia, przetwarzania i generacji oraz zależności między nimi. Praktyczne przykłady pokazują, jak ten układ przekłada się na rzeczywiste implementacje.
Budowanie przepływów w LangChain polega na takim łączeniu kroków, by reagowały na dane wejściowe i wyniki pośrednie. Sekcja obejmuje łańcuchy proste, sekwencyjne i równoległe, a także obsługę parametrów dynamicznych. Dopełnieniem są transformacje danych i warunkowanie dalszego przebiegu procesu.
Dynamiczne prompty łączą instrukcje dla modelu z logiką aplikacji i bieżącym kontekstem. W tej części omawiana jest różnica między promptem jako szablonem a promptem budowanym na podstawie reguł. Zakres obejmuje zmienne, dane historyczne i zależne oraz zachowania adaptacyjne przy brakujących informacjach.
Agent może aktywnie prowadzić rozmowę, zamiast tylko reagować na gotowe pytanie użytkownika. Sekcja pokazuje, jak budować mechanizmy pytań uzupełniających, rozpoznawania intencji i klasyfikacji zapytań. Ważnym elementem jest też konwersacja kontekstowa z pamięcią wspierająca ciągłość dialogu.
Łączenie wielu źródeł wiedzy w jednym workflow wymaga świadomego routingu i kontroli kontekstu. Uczestnicy analizują współpracę RAG z MCP i dodatkowymi repozytoriami oraz sposób kierowania zapytań do różnych modeli lub baz po klasyfikacji. Omawiane jest też przełączanie źródeł informacji bez utraty spójności.
Problemy z pamięcią rozmowy zwykle ujawniają się wtedy, gdy system traci kontekst między turami albo sesjami. Ta część koncentruje się na zarządzaniu sesjami użytkowników, przechowywaniu historii i ponownym jej wykorzystaniu. Uzupełnieniem są strategie fallbackowe oraz rozpoznawanie niekompletnych danych.
Wektorowa baza wiedzy zaczyna się od właściwego przygotowania danych i sposobu ich podziału. W tej części omawiane są czyszczenie treści, segmentacja, projektowanie metadanych oraz dobór strategii chunkowania. Dalej pojawiają się indeksy wektorowe, wersjonowanie, aktualizacja oraz wyszukiwanie semantyczne z filtrowaniem.
Praca z rzeczywistymi zasobami wiedzy wykracza poza prostą obsługę tekstu. Sekcja obejmuje ekstrakcję danych z PDF, dokumentów biurowych i HTML, a także z tekstów strukturalnych i niestrukturalnych. Dodatkowo pokazuje wykorzystanie OCR, obrazów, napisów wideo i integrację źródeł multimodalnych w RAG.
Wraz ze wzrostem liczby zastosowań AI pojedyncze workflow trzeba przekształcać w procesy możliwe do powtarzania i rozwijania. Sekcja pokazuje, jak organizować wykonanie zadań przy większym obciążeniu, częstszych uruchomieniach i szerszym użyciu operacyjnym. Uwzględnia też utrzymanie kontroli nad niezawodnością.
Bezpieczne systemy AI wymagają połączenia kontroli technicznych z odpowiedzialnością za wynik działania. Uczestnicy przechodzą przez zasady przechowywania danych, kontroli dostępu i walidacji odpowiedzi ograniczającej halucynacje. Omawiane są też RODO, prywatność, zgodność regulacyjna i audytowalność decyzji.
Po wdrożeniu rozwiązania głównym źródłem wiedzy stają się dane z jego działania. Ta część obejmuje rejestrowanie zapytań, analizę logów konwersacyjnych oraz monitorowanie jakości odpowiedzi z wykorzystaniem user feedback loop. Omawia też refaktoryzację i rozbudowę istniejących łańcuchów oraz promptów.
Podstawy programowania - Powinieneś swobodnie czytać i modyfikować prosty kod, uruchamiać skrypty oraz rozumieć zmienne, funkcje i podstawowe struktury danych używane w integracjach AI.
Praca z API i JSON - Powinieneś rozumieć, jak działa komunikacja z API, umieć odczytać żądanie i odpowiedź w formacie JSON oraz wiedzieć, do czego służą klucze API i podstawowa autoryzacja.
Znajomość pracy z danymi - Powinieneś mieć podstawowe doświadczenie z plikami tekstowymi i dokumentami oraz rozumieć, że dane wymagają czyszczenia, segmentacji i przygotowania przed użyciem w systemie AI.
Podstawy działania LLM - Powinieneś znać ogólną zasadę działania modeli językowych, rozumieć czym są prompt i kontekst oraz wiedzieć, że model może generować odpowiedzi błędne lub niepełne.
