Szkolenie Tworzenie systemu RAG (Retrieval-Augmented Generation) za pomocą biblioteki LangChain i modeli LLM od OpenAI - TERMIN GWARANTOWANY - 30.11.2026

Szkolenie Tworzenie systemu RAG (Retrieval-Augmented Generation) za pomocą biblioteki LangChain i modeli LLM od OpenAI: TERMIN GWARANTOWANY 30.11-02.12.2026

Szkolenie online na żywo z trenerem, 3 dni, w godz. 9:00-16:00. Termin gwarantowany odbędzie się na pewno, nawet przy jednym uczestniku. Prowadzi: Patryk Palej.

Szczegóły szkolenia, program i zapisy: Szkolenie Tworzenie systemu RAG (Retrieval-Augmented Generation) za pomocą biblioteki LangChain i modeli LLM od OpenAI na jsystems.pl
Wszystkie terminy gwarantowane JSystems: lista terminów gwarantowanych

W skrócie

Budujesz asystenta AI, który odpowiada na pytania na podstawie dokumentów Twojej firmy.

Przechodzisz całą drogę: od rozmowy z modelem przez API OpenAI i bibliotekę LangChain, przez wczytanie i podział dokumentów, embeddingi i bazę wektorową Qdrant, po wyszukiwanie hybrydowe, ocenę jakości w DeepEval i praktyczne projekty.

RAG (Retrieval-Augmented Generation, czyli generowanie wzbogacone wyszukiwaniem) to technika, na której opierają się chatboty obsługi klienta, asystenci prawni i wyszukiwarki wewnętrzne: model najpierw znajduje właściwe fragmenty dokumentów, a dopiero potem na ich podstawie odpowiada.

Co potrafisz po szkoleniu

• Rozmawiasz z modelem przez API - OpenAI i biblioteka LangChain, czyli szkielet do budowy aplikacji z dużymi modelami językowymi. Prompty, okno kontekstowe, role i realne koszty korzystania z API.
• Karmisz model swoimi danymi - Wczytywanie plików PDF, Word i tekstowych, odczyt tekstu z obrazów, a potem dzielenie dokumentów na fragmenty tak, żeby model nie gubił kontekstu.
• Budujesz pamięć wektorową - Embeddingi, czyli liczbowa reprezentacja znaczenia tekstu, i baza wektorowa Qdrant, która wyszukuje fragmenty najbliższe znaczeniem zadanemu pytaniu.
• Konfigurujesz serce systemu, czyli wyszukiwanie - Retriever, wyszukiwanie hybrydowe łączące podejście wektorowe i klasyczne, przestawianie wyników (reranking) i przekazanie znalezionych fragmentów do modelu.
• Mierzysz jakość zamiast zgadywać - Biblioteka DeepEval: osobne miary dla wyszukiwania, czyli czy system znalazł właściwy fragment, i dla odpowiedzi, czyli czy model dobrze go wykorzystał. Dzięki temu wiesz, która zmiana faktycznie poprawiła wyniki.
• Pracujesz na praktycznych projektach - Wyszukiwarka ofert nieruchomości dobierająca oferty do zapytania klienta oraz system odpowiadający na pytania o wydarzenia, postacie i miejsca w książkach.

Jak pracujemy

Piszesz kod od pierwszych zajęć, w gotowym środowisku w chmurze, bez instalowania czegokolwiek u siebie. Prowadzi Patryk Palej, programista Pythona od 2018 roku, który na co dzień buduje systemy RAG i agentów AI.

Dla kogo

Dla programistów Pythona i osób technicznych, które chcą zbudować firmie asystenta AI opartego na jej dokumentach.

Wymagania wstępne: niezbędna jest podstawowa znajomość Pythona. Doświadczenia z LangChain ani z bazami wektorowymi nie wymagamy.

Co zyskujesz

Umiejętność samodzielnego złożenia systemu RAG oraz wytłumaczenia, dlaczego działa i jak zmierzyć jego jakość. Termin gwarantowany odbywa się na pewno, bez ryzyka odwołania.

Zarezerwuj miejsce i zbuduj asystenta, który zna dokumenty Twojej firmy: od wczytania plików po wyszukiwanie, ocenę jakości i działający projekt.

Sprawdź, czy w Twoim przypadku dostępne jest finansowanie szkolenia ze środków BUR/KFS. Dostępność finansowania zależy od warunków danego programu oraz decyzji właściwej instytucji. Więcej informacji: https://jsystems.pl/dofinansowanie/

Prowadzący szkolenie

Patryk Palej

Programista Pythona od 2018 roku z backgroundem w data science i modelowaniu matematycznym.

Specjalizuje się w obszarach związanych z pozyskiwaniem, przetwarzaniem i analizą danych. Jako data scientist pracował w projektach dla branż takich jak telekomunikacja, media czy finanse.

Obecnie zajmuje się AI developmentem w obszarach takich jak RAG czy systemy agentowe. Doświadczony szkoleniowiec, który lubi i potrafi przekazywać wiedzę. W wolnym czasie podróżuje lub pracuje nad nowymi szkoleniami.

Program szkolenia

Moduł 1: Wprowadzenie

1. Komunikacja z dużymi modelami językowymi (LLM) poprzez API
   • Wprowadzenie do API OpenAI
   • Podstawowe zasady pracy z modelami LLM (prompty, okno kontekstowe, role)
   • Koszty korzystania z API
2. Biblioteka LangChain
   • Przegląd funkcji i zastosowań LangChain w tworzeniu systemów RAG
   • Podstawowe klasy i moduły w LangChain
   • Przykłady użycia (pipelines, chains)
3. Zasada działania systemu RAG
   • Koncepcja Retrieval-Augmented Generation - jak działa połączenie wyszukiwania i generowania tekstu?
   • Typowe komponenty: Retriever, Generator, Pipeline
   • Zalety systemu RAG w porównaniu z samodzielnymi modelami LLM

Moduł 2: Przygotowanie danych

1. Loadery dokumentów
   • Korzystanie z loaderów w LangChain
   • Obsługa różnych formatów danych (.txt, .pdf, .docx)
   • Odczytywanie tekstu z obrazów z wykorzystaniem AI
2. Podział na chunki
   • Dlaczego dzielimy dokumenty na mniejsze fragmenty?
   • Algorytmy podziału (np. na podstawie liczby tokenów, zdań, akapitów)

Moduł 3: Wektorowa reprezentacja dokumentów

1. Embedding
   • Czym są i jak działają embeddingi?
   • Generowanie embeddingów za pomocą różnych modeli
2. Wektorowa baza danych (Qdrant)
   • Wprowadzenie do Qdrant i jej zastosowań w RAG
   • Operacje zapisu i odczytu na bazie wektorowej
   • Integracja LangChain z Qdrant
3. Wyszukiwanie podobnych wektorów
   • Mechanizmy wyszukiwania w przestrzeni wektorowej (cosine similarity, dot product)

Moduł 4: Retrieval

1. Retrieval w LangChain
   • Konfiguracja i optymalizacja retrievera
   • Hybrid retrieval (połączenie podejść wektorowych i klasycznych)
   • Reranking
2. Integracja retrievera z modelem generacyjnym
   • Przekazywanie wyników wyszukiwania do LLM
   • Tworzenie promptów opartych na wynikach wyszukiwania

Moduł 5: Ewaluacja systemu RAG

1. Biblioteka DeepEval
   • Wprowadzenie do biblioteki DeepEval
   • Zastosowanie w systemach RAG
2. Metryki ewaluacji wyszukiwania (retrieval)
   • ContextualPrecisionMetric
   • ContextualRecallMetric
   • ContextualRelevancyMetric
3. Metryki ewaluacji generacji (generation)
   • AnswerRelevancyMetric
   • FaithfulnessMetric

Moduł 6: Praktyczne projekty

Projekty realizowane w miarę dostępnego czasu szkoleniowego.

1. Projekt systemu RAG do wyszukiwania ofert sprzedaży mieszkań
   Inteligentny asystent pośrednika nieruchomości, który na podstawie zapytania klienta zaproponuje zestaw najbardziej dopasowanych ofert.
2. System do wyszukiwania informacji o wydarzeniach fabularnych w książkach
   Zaawansowane narzędzie do przeszukiwania treści książek, które pozwoli użytkownikowi znaleźć szczegółowe informacje o wydarzeniach, postaciach i miejscach, występujących w określonych fragmentach akcji.

Przeczytaj na naszym blogu

• LangChain RAG tutorial Python - krok po kroku (PDF, Chroma, OpenAI)
• Bezpłatny kurs Claude Code - kompletny przewodnik dla programistów (29 lekcji) - Claude Code tutorial
• Najciekawsze modele na Ollamie - 6 modeli do różnych zastosowań
• Prompt Engineering - techniki które musisz znać żeby wyciągnąć maksimum z AI
• Co to jest agent AI - kompletny przewodnik dla firm (definicja, architektura, zastosowania)
• Agent AI krok po kroku - poradnik (n8n lub Python)
• Kurs Claude Code: 20 serwerów MCP które warto znać

Zapisz się na termin gwarantowany: Szkolenie Tworzenie systemu RAG (Retrieval-Augmented Generation) za pomocą biblioteki LangChain i modeli LLM od OpenAI | wszystkie terminy gwarantowane
Pytania: [email protected], tel. 22 299 53 69