12 bảng cheat cho MCP, RAG và các tác nhân dành cho kỹ sư AI (có hình ảnh):

1️⃣ Gọi hàm & MCP cho LLMs Trước khi MCP trở nên phổ biến, các quy trình AI dựa vào Gọi Hàm truyền thống để truy cập công cụ. Bây giờ, MCP đang chuẩn hóa nó cho Các Đại lý/LLMs. Hình ảnh mô tả cách Gọi Hàm & MCP hoạt động bên trong. Kiểm tra chủ đề bên dưới 👇

2️⃣ 4 giai đoạn đào tạo LLM từ đầu Hình ảnh này mô tả 4 giai đoạn xây dựng LLM từ đầu để làm cho chúng có thể áp dụng thực tế. - Đào tạo trước - Tinh chỉnh hướng dẫn - Tinh chỉnh sở thích - Tinh chỉnh lý luận Đây là chuỗi bài viết chi tiết của tôi về nó 👇

3️⃣ 3 Kỹ thuật Gợi ý cho Lập luận trong LLMs Điều này đề cập đến ba kỹ thuật gợi ý phổ biến giúp LLMs suy nghĩ rõ ràng hơn trước khi trả lời. - Chuỗi Suy nghĩ (CoT) - Tự nhất quán (hoặc Bỏ phiếu Đa số trên CoT) - Cây Suy nghĩ (ToT) Đọc chuỗi chi tiết của tôi về nó bên dưới 👇

4️⃣ Đào tạo LLMs bằng cách sử dụng các LLM khác LLMs không chỉ học từ văn bản thô; chúng còn học từ nhau. - Llama 4 Scout & Maverick được đào tạo bằng Llama 4 Behemoth. - Gemma 2 và 3 được đào tạo bằng Gemini. Hình ảnh giải thích 3 kỹ thuật phổ biến. Đọc chủ đề bên dưới 👇

5️⃣ Tinh chỉnh có giám sát & Tinh chỉnh tăng cường trong LLMs Hình ảnh này mô tả sự khác biệt giữa tinh chỉnh có giám sát và tinh chỉnh tăng cường. RFT cho phép bạn biến bất kỳ LLM mã nguồn mở nào thành một cỗ máy lý luận mà không cần dữ liệu được gán nhãn. Đọc chuỗi bên dưới 👇

6️⃣ Transformer so với Mixture of Experts trong LLMs Mixture of Experts (MoE) là một kiến trúc phổ biến sử dụng các "chuyên gia" khác nhau để cải thiện các mô hình Transformer. Hình ảnh dưới đây giải thích cách chúng khác với Transformer. Đây là chuỗi chi tiết của tôi về nó👇

7️⃣ RAG so với Agentic RAG Naive RAG chỉ truy xuất một lần và tạo ra một lần, nó không thể tìm kiếm thông tin một cách linh hoạt, và nó không thể lý luận qua các truy vấn phức tạp. Agentic RAG giải quyết vấn đề này. Xem chuỗi giải thích chi tiết của tôi về điều này👇

8️⃣ 5 mẫu thiết kế AI Agentic phổ biến Hành vi Agentic cho phép LLM cải thiện đầu ra của chúng bằng cách kết hợp tự đánh giá, lập kế hoạch và hợp tác! Hình ảnh này mô tả 5 mẫu thiết kế phổ biến để xây dựng các tác nhân AI. Kiểm tra chuỗi của tôi về điều này để biết thêm thông tin👇

9️⃣ 5 cấp độ của hệ thống Agentic AI Các hệ thống tác nhân không chỉ tạo ra văn bản; Họ đưa ra quyết định, gọi chức năng và thậm chí chạy quy trình làm việc tự động. Hình ảnh giải thích 5 cấp độ của cơ quan AI. Tôi đã liên kết chủ đề👇 giải thích chi tiết của mình

🔟 RAG truyền thống so với HyDE Các câu hỏi không giống với câu trả lời về mặt ngữ nghĩa, vì vậy hệ thống có thể truy xuất ngữ cảnh không liên quan. Trong HyDE, trước tiên hãy tạo một câu trả lời giả định (H) để truy vấn. Sau đó, sử dụng (H) để truy xuất ngữ cảnh có liên quan (C). Tôi đã viết một chủ đề chi tiết về nó👇

1️⃣1️⃣ RAG so với Graph RAG Trả lời các câu hỏi cần bối cảnh toàn cầu rất khó với RAG truyền thống vì nó chỉ truy xuất các phần liên quan top k. Graph RAG làm cho RAG mạnh mẽ hơn với các cấu trúc đồ thị. Kiểm tra chủ đề chi tiết của tôi bên dưới👇

1️⃣2️⃣ Bộ nhớ đệm KV Bộ nhớ đệm KV là một kỹ thuật được sử dụng để tăng tốc độ suy luận LLM. Tôi đã liên kết chủ đề chi tiết của mình bên dưới👇

That's a wrap! If you found it insightful, reshare it with your network. Find me → @_avichawla Every day, I share tutorials and insights on DS, ML, LLMs, and RAGs.