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.

Percorsi guida correlatiLangchain
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  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