Quiz lié à un guide · Moyen Niveau

Quiz LangChain

Explorez la composition LangChain, le flux de contrôle avec état LangGraph, les interruptions humaines et l'évaluation LangSmith pour les applications LLM.

Chemins de guidage associésLangchain
Question 1 de 8

Quelle est l’idée centrale derrière LangChain ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Quelle est l’idée centrale derrière LangChain ?
    • Composer et orchestrer des applications LLM en plusieurs étapes
    • Entraîner de grands modèles de langage à partir de zéro
    • Hébergement de GPU pour l'inférence de modèle
    • Générer des images à partir d'invites de texte
  2. Qui a créé LangChain et quand environ ?
    • Sam Altman en 2020
    • Harrison Chase fin 2022
    • Lucas Biewald en 2017
    • Jerry Liu en 2023
  3. À quoi sert LangGraph au sein de l’écosystème LangChain ?
    • Dessiner des graphiques de mesures de formation
    • Compression des invites pour enregistrer les jetons
    • Création de flux de travail d'agent dynamiques et contrôlables sous forme de graphiques
    • Conversion de code entre langages de programmation
  4. Quel est le rôle principal de LangSmith ?
    • Générer des ensembles de données synthétiques
    • Servir des pages Web
    • Chiffrement des clés API
    • Traçage, débogage et évaluation des applications LLM
  5. Dans LangChain, que fait la syntaxe du tube 'invite | modèle | l'analyseur représente-t-il ?
    • Composer des composants via l'interface partagée Runnable
    • Une commande shell pour exécuter des scripts
    • Une requête de base de données
    • Un moyen de supprimer des chaînes
  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