15 minutterSådan bygger vi effektive agenter: Barry Zhang, Anthropic
Design enklere agentsløjfer med klare stopregler, opgavegrænser og menneskelige kontrolpunkter.
AvanceretAutomatiseringer
Fine-tuning af LLM-modeller – kursus i generativ AI
freeCodeCamp.org. Det lange kursus går fra teori til kode og dækker kvantisering, LoRA, QLoRA og PEFT med Llama 2 og Gemma. Det viser et konkret hardwaremiljø og konkrete VRAM-budgetter, som gør artiklens diskussion af eksperimenter uden en klynge mere håndgribelig. Resultaterne gælder det viste miljø og er ikke et generelt løfte om, hvad almindelig udviklerhardware kan klare.
Bemærkning fra AI Expert
Modelnavne, priser og egenskaber ændrer sig hurtigt. Kursets basismodeller (Llama 2, Gemma) er ældre, og biblioteker samt API'er kan have ændret sig. De grundlæggende principper for LoRA, QLoRA og kvantisering er stadig relevante, men kontrollér dem med den valgte model med åbne vægte og det aktuelle værktøjssæt.
Hvad du bør få ud af dette
Få et grundlag for at gennemføre eksperimenter med kvantisering, LoRA og QLoRA fra start til slut på passende hardware.
Forudsætninger
Python og grundlæggende fortrolighed med ML-værktøjer; kontrollér selv, om din hardware opfylder kursets krav.
Senest gennemgået: 18. maj 2026
Se næste
Fortsæt ad den samme læringsvej med de næste kuraterede videoer.
15 minutter
190 minutterKomplet LangGraph-kursus for begyndere – komplekse AI-agenter med Python
Du kan bygge en LangGraph-agent med typed state, conditional routing, checkpoints og tool use og mærke, hvor eksplicitheden betaler sig.
AvanceretAutomatiseringer
8 minutterContext Rot: Hvordan flere inputtokens påvirker LLM-performance
Forstå, hvordan lang kontekst kan fejle under ambiguitet og distractors, og design derefter tests omkring den risiko.
AvanceretUdformning af prompts