Quiz LangChaina

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaka jest główna idea LangChain?
   • Tworzenie i orkiestracja wieloetapowych aplikacji opartych na LLM
   • Szkolenie dużych modeli językowych od podstaw
   • Hostowanie procesorów graficznych na potrzeby wnioskowania o modelu
   • Generowanie obrazów z podpowiedzi tekstowych
2. Kto stworzył LangChain i mniej więcej kiedy?
   • Sama Altmana w 2020 r
   • Harrisona Chase’a pod koniec 2022 r
   • Łukasza Biewalda w 2017 r
   • Jerry’ego Liu w 2023 r
3. Do czego służy LangGraph w ekosystemie LangChain?
   • Rysowanie wykresów metryk szkoleniowych
   • Kompresowanie monitów o zapisanie tokenów
   • Tworzenie stanowych, kontrolowanych przepływów pracy agentów w postaci wykresów
   • Konwersja kodu pomiędzy językami programowania
4. Jaka jest główna rola LangSmitha?
   • Generowanie syntetycznych zbiorów danych
   • Obsługa stron internetowych
   • Szyfrowanie kluczy API
   • Śledzenie, debugowanie i ocena aplikacji LLM
5. Co w LangChain oznacza składnia potoku „podpowiedź | modelka | parser” reprezentuje?
   • Komponowanie komponentów poprzez współdzielony interfejs Runnable
   • Polecenie powłoki służące do uruchamiania skryptów
   • Zapytanie do bazy danych
   • Sposób na usuwanie łańcuchów
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