15 minutterSådan bygger vi effektive agenter: Barry Zhang, Anthropic
Design enklere agentsløjfer med klare stopregler, opgavegrænser og menneskelige kontrolpunkter.
AvanceretAutomatiseringer
Udvikling af en LLM: opbygning, træning og finjustering
Sebastian Raschka. Sebastian Raschka gennemgår finjusteringens placering i den bredere proces for træning af LLM'er, herunder instruktionsfinjustering, klassifikationsfinjustering, parametereffektive metoder og de afvejninger, artiklen beskriver før en eventuel anbefaling af LoRA. Videoen er nyttig som fagligt overblik, når et team skal vurdere, om finjustering overhovedet er det rigtige næste skridt.
Bemærkning fra AI Expert
Modelnavne, priser og egenskaber ændrer sig hurtigt. Brug videoen til beslutningsmønstret, og kontrollér derefter den aktuelle models adfærd, før metoden tages i brug.
Hvad du bør få ud af dette
Placér finjustering i den bredere træningsproces, og vurdér, hvornår den kan være mere relevant end udformning af prompts eller RAG.
Forudsætninger
Grundlæggende forståelse af ML; gennemgangen er begrebsmæssig og kræver ikke et miljø til at følge kodeeksempler.
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