LangGraph Fundamenten: Grafische LLM-prompting en kettings Training Cursus

LangGraph is een framework voor het bouwen van graf-gebaseerde LLM-toepassingen die planning, vertakking, gebruik van tools, geheugen en gecontroleerde uitvoering ondersteunen.

Deze interactieve, live training (online of ter plaatse) is gericht op developers, prompt engineers en data practitioners met een beginnend niveau die betrouwbare, meerslagige LLM-werkstromen willen ontwerpen en bouwen met behulp van LangGraph.

Na afloop van deze training zijn deelnemers in staat om:

De kernconcepten van LangGraph (knooppunten, randen, status) uit te leggen en aan te geven wanneer deze moeten worden gebruikt.
Uit te voeren met prompt-ketens die vertakken, tools aanroepen en geheugen behouden.
Retrieval en externe API's te integreren in graf-werkstromen.
LangGraph-apps te testen, fouten te herstellen en te evalueren op betrouwbaarheid en veiligheid.

Opbouw van de cursus

Interactieve lezing en gefaciliteerd gesprek.
Geleide laboratoria en code-toelichtingen in een sandbox-omgeving.
Scenariogebaseerde oefeningen voor ontwerp, testen en evaluatie.

Passtroptions van de cursus

Neem contact met ons op om een aangepaste training voor deze cursus te plannen.

Cursusaanbod

Inleiding tot LangGraph en grafconcepten

Waarom grafieken voor LLM-apps: orchestratie versus eenvoudige ketens
Knooppunten, randen en status in LangGraph
Hello LangGraph: eerste uitvoerbare graf

Statusbeheer en prompt-kettings

Prompts ontwerpen als grafknooppunten
Status doorgeven tussen knooppunten en uitvoeren
Geheugenschema's: kortetermijn versus blijvende context

Vertakking, stroomsturing en foutafhandeling

Conditionele routing en multi-padwerkstromen
Opnieuw proberen, time-outs en back-upstrategieën
Idempotentie en veilige heruitvoering

Tools en externe integraties

Functie-/toolaanroepen vanuit grafknooppunten
REST API's en diensten aanroepen binnen de graf
Werkzaam met gestructureerde uitvoeren

Retrieval-augmented werkstromen

Documentinvoer en chunking-basis
Embeddings en vector-opslags (bijv. ChromaDB)
Grondleggen antwoord met citaten

Testen, fouten herstellen en evalueren

Unit-achtige tests voor knooppunten en paden
Tracing en observability
Kwaliteitschecks: feitelijkheid, veiligheid en determinisme

Verpakking en implementatie-basis

Omgevingen inrichten en afhankelijkheidsbeheer
Grafieken leveren achter API's
Werkstromen versiebeheer en rollende updates

Overzicht en volgende stappen

Vereisten

Basisbegrip van Python-programmeren
Ervaring met REST API's of CLI-tools
Bekendheid met LLM-concepten en de fundamenteel van prompt engineering

Doelgroep

Developers en software engineers die nieuw zijn voor graf-gebaseerde LLM-orchestratie
Prompt engineers en nieuwkomers in de AI die meerslagige LLM-apps bouwen
Data practitioners die automatisering van werkstromen met LLM's onderzoeken

Gerelateerde cursussen