Quiz collegato alla guida · Medio Livello
Quiz LangChain
Esplora la composizione LangChain, il flusso di controllo con stato LangGraph, gli interrupt umani e la valutazione LangSmith per le applicazioni LLM.
Domanda 1 di 8
Qual è l’idea centrale dietro LangChain?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è l’idea centrale dietro LangChain?
- Composizione e orchestrazione di applicazioni basate su LLM in più fasi
- Formazione da zero di modelli linguistici di grandi dimensioni
- Hosting di GPU per l'inferenza del modello
- Generazione di immagini da istruzioni di testo
- Chi ha creato LangChain e più o meno quando?
- Sam Altman nel 2020
- Harrison Chase alla fine del 2022
- Lukas Biewald nel 2017
- Jerry Liu nel 2023
- A cosa serve LangGraph all'interno dell'ecosistema LangChain?
- Disegnare grafici delle metriche di allenamento
- Compressione delle richieste di salvataggio dei token
- Creazione di flussi di lavoro con agenti stateful e controllabili come grafici
- Conversione di codice tra linguaggi di programmazione
- Qual è il ruolo principale di LangSmith?
- Generazione di set di dati sintetici
- Servire pagine web
- Crittografia delle chiavi API
- Tracciamento, debug e valutazione delle applicazioni LLM
- In LangChain, cosa richiede la sintassi della pipe | modello | parser' rappresenta?
- Composizione di componenti tramite l'interfaccia Runnable condivisa
- Un comando shell per l'esecuzione di script
- Una query sul database
- Un modo per eliminare le catene
- 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
- 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
- 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