Tutorial LLM

Kuasai dasar-dasar LangGraph — state, node, edge, memori — dan bangun agen AI yang dapat diskalakan dengan pola ReAct, tool kustom, dan manajemen state persisten.

LangGraph Studio adalah lingkungan pengembangan visual untuk kerangka LangGraph milik LangChain, yang menyederhanakan pengembangan aplikasi agentic kompleks yang dibangun dengan komponen LangChain.

Pelajari cara menggunakan LangSmith Agent Builder untuk membuat agen yang membaca Gmail, menyusun balasan, dan mencatat tindakan, semuanya tanpa menulis kode.

Pelajari cara mengimplementasikan late chunking dengan Jina AI untuk meningkatkan pelestarian konteks dan akurasi penelusuran dalam aplikasi RAG.

Pelajari apa itu LiteLLM dan cara menggunakannya untuk panggilan API terpadu ke berbagai penyedia LLM, mencakup penggunaan API dasar, penanganan error, fallback, streaming, output terstruktur, dan pelacakan biaya.

Pelajari cara membangun aplikasi RAG dengan Llama 3.1 8B menggunakan Ollama dan Langchain dengan menyiapkan lingkungan, memproses dokumen, membuat embedding, dan mengintegrasikan retriever.

Pelajari cara membangun aplikasi image captioning menggunakan Streamlit untuk front end, Llama 3.2 90B untuk menghasilkan caption, dan Groq sebagai API.

Dapatkan panduan langkah demi langkah untuk menyiapkan dan menjalankan Llama 3.2 1B di perangkat Android Anda menggunakan kerangka kerja Torchchat.

Pelajari langkah demi langkah menyiapkan aplikasi RAG menggunakan Llama 3.2 Vision, Ollama, dan ColPali.

Pelajari cara membangun aplikasi penjelasan kode multibahasa menggunakan Llama 3.3, Hugging Face, dan Streamlit.

Pelajari cara membangun pipeline retrieval-augmented generation (RAG) menggunakan Llama 4 untuk membuat aplikasi web sederhana.

Pelajari cara menerapkan dan menggunakan LLaMA 4 Scout dari Meta dengan vLLM di RunPod untuk penyelesaian teks dan inferensi multimodal.