📝 Задания

← К оглавлению урока

⚡ Что сделать

  • Цепочка LangChain для суммаризации текста по URL
  • Разобраться в PromptHub: найти и описать 3 промпта
  • (Доп.) Вопрос-ответ по небольшому текстовому файлу

Ответы — на странице Решения.

Часть 1. Вопросы

  1. Зачем нужен фреймворк вроде LangChain поверх «голого» вызова LLM?
  2. Что такое цепочка (Chain)? Приведите аналогию.
  3. Назовите три основных компонента LangChain и за что отвечает каждый.
  4. Чем Document Loaders отличаются от Vector Stores? Как они работают вместе?
  5. Зачем нужно версионирование промптов и чем PromptHub похож на Git?

Часть 2. Практика (из лекции)

  1. Задание 1. Создайте простую цепочку LangChain для суммаризации текста с веб-страницы (по URL). Используйте WebBaseLoader + цепочку + ChatGoogleGenerativeAI.
  2. Задание 2. Зарегистрируйтесь на PromptHub (или аналоге) и изучите интерфейс. Найдите и опишите 3 интересных промпта: что делают, какие переменные, где пригодятся.
  3. Задание 3 (дополнительно). Постройте цепочку «вопрос-ответ по документам» для небольшого текстового файла: загрузка → эмбеддинги → поиск → ответ.

Часть 3. Со звёздочкой

  1. Перепишите цепочку из задания 1 на LCEL (prompt | llm | StrOutputParser()).
  2. В задании 3 добавьте разбиение на чанки (RecursiveCharacterTextSplitter) и сравните качество ответа с вариантом без разбиения.