Курс Decoding AI: як зібрати Second Brain-асистента з RAG і LLMOps
Опенсорс курс від Decoding AI: 6 модулів про архітектуру, ETL, RAG, агенти, деплой і LLMOps. Notion-підтримка, Docker, MIT.
Вашому другому мозку потрібно більше, ніж демо-чатбот
Мені тут трапився один репозиторій курсу від Decoding AI для розробників, які хочуть створити асистента для особистої бази знань із LLM, агентами, RAG і LLMOps.
Що входить:
• Шість модулів - охоплює архітектуру, ETL, тонке налаштування, розгортання, RAG і LLMOps
• Офлайн + онлайн застосунки - розділяє ML/пайплайни даних і пайплайн інференсу асистента
• Підтримка Notion - використовує базу знань Second Brain, доступний публічний знімок, тож акаунт Notion не обов’язковий
• Використовуються LLMOps-інструменти, включно з - ZenML, Opik, Comet, Unsloth, MongoDB, Hugging Face і OpenAI
• Орієнтований на розробників із документацією модулів, готовий код, uv/ruff і Docker-інфраструктура
Коментарі
Дайджест щотижня
Найкраще про vibe coding, AI-агентів та open source — раз на тиждень, без спаму.
Схожі статті
Всі статті5 open-source no-code платформ для LLM, RAG та AI-агентів
Огляд 5 open-source no-code платформ для створення LLM, RAG і AI-агентів: AutoAgent, AnythingLLM, Open Agent Platform, Sim та Dify.
Microsoft випустила клієнт OpenClaw з MXC для безпечних AI-агентів
Офіційний клієнт OpenClaw від Microsoft: дозволи, керування з трея та запуск у контейнерах на базі Execution Containers (MXC). Open source.
Новий open-source RAG: корпус у 40 разів менший і пошук точніший
Open-source підхід до RAG: стискає корпус у 40 разів, зменшує токени на запит у 3 рази та підвищує релевантність векторного пошуку у 2,3 раза.