Cuestionario vinculado a una guía · Medio Nivel

Prueba LangChain

Explore la composición de LangChain, el flujo de control con estado de LangGraph, las interrupciones humanas y la evaluación de LangSmith para aplicaciones LLM.

Rutas de guía relacionadasCadena Lang
Pregunta 1 de 8

¿Cuál es la idea central detrás de LangChain?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cuál es la idea central detrás de LangChain?
    • Componer y orquestar aplicaciones basadas en LLM de varios pasos
    • Entrenando grandes modelos de lenguaje desde cero
    • Alojamiento de GPU para inferencia de modelos
    • Generar imágenes a partir de indicaciones de texto
  2. ¿Quién creó LangChain y aproximadamente cuándo?
    • Sam Altman en 2020
    • Harrison Chase a finales de 2022
    • Lukáš Biewald en 2017
    • Jerry Liu en 2023
  3. ¿Para qué se utiliza LangGraph dentro del ecosistema LangChain?
    • Dibujar gráficos de métricas de entrenamiento.
    • Comprimir mensajes para guardar tokens
    • Creación de flujos de trabajo de agentes controlables y con estado como gráficos
    • Conversión de código entre lenguajes de programación
  4. ¿Cuál es la función principal de LangSmith?
    • Generando conjuntos de datos sintéticos
    • Sirviendo páginas web
    • Cifrar claves API
    • Seguimiento, depuración y evaluación de aplicaciones LLM
  5. En LangChain, ¿qué indica la sintaxis de canalización? modelo | ¿El analizador representa?
    • Componer componentes a través de la interfaz Runnable compartida
    • Un comando de shell para ejecutar scripts
    • Una consulta de base de datos
    • Una forma de eliminar cadenas.
  6. What happens when a LangGraph node invokes interrupt() with a checkpointer configured?
    • The graph discards its state and restarts training
    • The graph pauses with state saved, then can resume after external input
    • The graph converts the interrupt into a stateless chain
    • The graph changes the base model weights
  7. What kind of evaluation does LangSmith describe as monitoring application traces in production?
    • Offline evaluation on a fixed pre-deployment dataset only
    • A test that fine-tunes the application’s foundation model
    • Online evaluation that checks selected production runs for quality signals
    • An evaluation that reports only GPU training throughput
  8. What does an offline LangSmith evaluation test?
    • Only GPU utilization during model training
    • Every production user response with no reference examples
    • A guarantee of correctness on unseen inputs
    • An application against a curated dataset before deployment