English translation is not available yet. Showing Russian content.
LangChain
LangChain
Определение
LangChain — популярный фреймворк для разработки приложений на основе LLM, предоставляющий инструменты для создания цепочек, агентов, памяти и интеграции с различными источниками данных.
Где встречается
- 1. Как бы вы спроектировали RAG-систему для 10 000 документов с разной структурой
- 2 Как вы решаете проблему lost in the middle при работе с длинными контекстами
- 3 Какие стратегии chunking'а вы знаете и когда какую применяете
- 16. Как вы оцениваете качество генерации в RAG. Назовите 3 ключевые метрики.
- 21. Когда вы выбираете fine-tuning вместо RAG, а когда — наоборот
- 38. Как вы fine-tune модель для функции вызов внешнего API
- 41. LangChain vs LlamaIndex vs Haystack — что выберете и почему
- 42. Что такое LangGraph и зачем он нужен
- 43. Как спроектировать агента, который может выполнять цепочку из 5-10 действий
- 49. Как вы дебажите агента, который делает неправильные действия
- 54. Что такое Semantic Kernel и чем отличается от LangChain
- 59. n8n, Make, Zapier — как вы интегрируете их с LLM
- 60. Как вы обрабатываете ошибки агента (action не сработал, API вернул ошибку)
- 69. Как вы организуете CICD для RAG-пайплайна
- 71. Как вы тестируете RAG-систему на новых документах без реальных пользователей
- 80. Какие 3 книгикурса вы рекомендуете по production LLM
- 82. Как бы вы спроектировали систему для реального времени (real-time) обработки документов
- 83. Как спроектировать систему, где LLM должна работать с конфиденциальными данными (медицина, финансы)
- 86. Как вы решаете проблему “я знаю, что ответ есть в документах, но retrieval не находит”
- 93. Как вы дебажите проблему LLM не следовала системному промпту
- 94. Как вы проектируете промпты, которые работают с разными моделями
- 96. Как вы предотвращаете галлюцинации в production RAG системе
- 101. Что такое DSPy и какую проблему он решает, которую не решают LangChain или LlamaIndex
- 104. Как вы интегрируете DSPy с RAG-пайплайном Приведите пример сигнатуры.
- 112. Как вы извлекаете логические отношения из диаграммы, а не просто текст
- 113. Как вы представляете граф знаний из изображения для LLM
- 115. Как вы обрабатываете большие таблицы в RAG (500+ строк)
- 116. Как вы индексируете видео-контент в RAG-системе
- 119. Как вы комбинируете текстовый и визуальный поиск (early fusion vs late fusion)
- 127. Как вы проводите red teaming LLM-приложения Назовите 3 техники.
- 141. В чем разница между Naive RAG, Adaptive RAG и Agentic RAG
- 142. Как вы проектируете «планировщика» (planner) для Agentic RAG
- 143. Как вы боретесь с «бесконечным циклом» агента в Agentic RAG
- 149. Как спроектировать агента, который может самоисправляться (self-correction)
- 165. Как тест-тайм компьютинг меняет MLOps
- 166. Назовите 7 production failure modes для agentic AI систем по PAEF (Pandey, 2026).
- 170. Что такое GIM (Grounded Integration Measure) и чем он отличается от GPQA
- 174. Что такое «многошаговая когерентность» (coherence illusion) в cascading agent systems
- 175. Как детектировать «объяснительно-решенческую декомпозицию»
- 176. Какие инструменты для агентской эвалюации вы используете