Xây dựng chatbot RAG hoàn chỉnh với LangChain, Google Gemini Embeddings, ChromaDB, Groq LLM và giao diện Chainlit.
5-6 giờ
Thời gian
6
Bài học
412
Học viên
4.9
Đánh giá
Hiểu cơ chế Vector Embedding và dùng Google Gemini Embeddings qua LangChain
Xây dựng Vector Database với ChromaDB: chunking, lưu trữ, similarity search
Triển khai RAG Pipeline đầy đủ với Groq (Llama 3 / Qwen) + RetrievalQAWithSourcesChain
Đóng gói backend RAG thành class Python tái sử dụng (rag_pipeline.py)
Xây dựng giao diện chatbot hoàn chỉnh với Chainlit
6 bài học • Ước tính hoàn thành trong 2-3 ngày
0/6
Hoàn thành
Sẵn sàng bắt đầu?
Học theo trình tự từ bài 1
AI & Data Science Educator
Đội ngũ giảng viên MinAI với kinh nghiệm thực tế trong lĩnh vực AI, Machine Learning và Data Science. Chúng tôi cam kết mang đến nội dung chất lượng và hỗ trợ học viên tận tình.
Variables, functions, OOP, virtual environment
Hiểu về LLMs, prompt engineering, khái niệm embedding
💡 Gợi ý: Hoàn thành các yêu cầu trên để có trải nghiệm học tập tốt nhất. Bạn vẫn có thể bắt đầu dự án, nhưng một số khái niệm có thể khó hiểu hơn.
Tham gia cùng 412+ học viên đã hoàn thành dự án này và nâng cao kỹ năng của bạn ngay hôm nay.
Bắt đầu ngay miễn phí0 câu hỏi
Hãy là người đầu tiên đặt câu hỏi về dự án này!