បញ្ចូលគម្រោង RAG នៅក្នុងគម្រោងរបស់ខ្ញុំនិងបទពិសោធរបស់ខ្ញុំជាមួយ Cursor អេឡិចត្រូនិ ខ្ញុំ សម្រាប់គម្រោង LangChain-MySQL បានបង្ហាញពីរបៀបដែលអេក្រង់ LangChain ដែលមានដំណោះស្រាយជាច្រើនអនុញ្ញាតឱ្យអ្នកសួរសំណួរជាជីវចលតាមរយៈ MySQL ។ ទម្រង់ LLM ដែលមានកម្រិតខ្ពស់និងទម្រង់ LLM ដែលជាកម្រិតខ្ពស់បានធ្វើឱ្យប្រព័ន្ធនេះឆាប់រហ័សនិងមានភាពងាយស្រួលក្នុងការទទួលបានអំណាច OpenAI “429 Too Many Requests” ។ ដំបូង អត្ថបទ ដំបូង អត្ថបទ What’s new in Part 2: ប្រព័ន្ធ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ Persistent FAISS vector store — ការធ្វើតេស្ត unit, integration និង mock-DB ដែលត្រូវបានបំពាក់ទៅក្នុង CI — ទទួលបានការដោះស្រាយ schema-drift និងការទាញយកកម្រិតកម្រិតមុនពេលដែលពួកគេចូលទៅក្នុងការផលិត។ Comprehensive test suite បានបន្ថែមទំនាក់ទំនងគោលបំណងអ៊ិនធឺណិតទៅ DB ដំណឹងដែលបង្កើនការបង្ហាញគំរូនិងកាត់បន្ថយការប្រើប្រាស់ token ។ LLM rate‑limit resolution — នៅពេលដែលយើងចូលទៅក្នុងទីនេះនេះគឺជាផ្នែកមួយនៃផ្នែកទីពីរនៃការធ្វើតេស្ត: Problem 1 — LLM Lost in Table Relationships LLM មិនដឹងអំពីរបៀបដែលបំពង់របស់អ្នកបណ្តុះបណ្តាល - អ្នកចុងបញ្ចប់ការសរសេរបន្ទាត់បណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល។ Problem 2 — Schema Bulk Breaks Rate Limits ការផ្លាស់ប្តូរទម្រង់ទិន្នន័យពេញលេញទៅក្នុងសំណួររបស់អ្នកបានបាត់បង់ tokens និងជារៀងរាល់ពេលបាត់បង់ការបាត់បង់ការបាត់បង់ 429 នៃ OpenAI មុនពេលដែលអ្នកអាចទទួលបានអត្ថប្រយោជន៍។ ការស្រាវជ្រាវនិងដោះស្រាយ: What is a Vector Database? អា វាគឺជាបណ្តាញទិន្នន័យដែលមានជំនាញវិជ្ជាជីវៈដែលត្រូវបានរចនាឡើងដើម្បីរក្សាទុកនិងពិនិត្យ (ប្រព័ន្ធផ្សព្វផ្សាយ) ដូចជាប្រព័ន្ធផ្សព្វផ្សាយ (ប្រព័ន្ធផ្សព្វផ្សាយ) ឬប្រព័ន្ធផ្សព្វផ្សាយ (ប្រព័ន្ធផ្សព្វផ្សាយ) ឬប្រព័ន្ធផ្សព្វផ្សាយ (ប្រព័ន្ធផ្សព្វផ្សាយ) vector database vector representations Integrating the Vector Database ទិន្នន័យប្លាស្ទិចទាំងអស់នៃទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យ Why FAISS? LLM បានបង្ហាញថា FAISS ។ លើសពីនេះ ខ្ញុំក៏អាចប្រើ ឬ — ទាំងអស់គាំទ្រការបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល។ សត្វ ហ្វេសប៊ុក, Qdrant សត្វ (Facebook AI Similarity Search) គឺជាសៀវភៅប្រព័ន្ធប្រតិបត្តិការអ៊ីនធឺណិតដែលបានបង្កើតឡើងដោយក្រុមប្រឹក្សាភិបាលស្រាវជ្រាវអ៊ីនធឺណិតមូលដ្ឋានរបស់ Meta សម្រាប់ការស្វែងរកប្រសិទ្ធិភាពនិងការកាត់បន្ថយប្រសិទ្ធិភាពនៃបណ្តុះបណ្តាលទម្ងន់។ សត្វ What I Store: More Than Just a Table Blueprint? ជាការសំខាន់ណាស់, ខ្ញុំមិនគ្រាន់តែរក្សាទុកទិន្នន័យគំរូទិន្នន័យជាមូលដ្ឋានដូចជាទម្រង់និងឈ្មោះបណ្តាញនៅក្នុងទិន្នន័យបណ្តាញបណ្តាញបណ្តាញបណ្តាញនេះ។ ខ្ញុំក៏រក្សាទុកទិន្នន័យអំពីទិន្នន័យអំពីទិន្នន័យគោលបំណងផ្សេងទៀតដែលកំណត់អំពីរបៀបបណ្តាញបណ្តាញបណ្តាញបណ្តាញទាំងនេះ។ What is RAG? Retrieval-Augmented Generation (RAG) គឺជាគំរូនៃ: ទាញយកការបណ្តុះបណ្តាលសំខាន់បំផុតពី vector DB, ការបង្កើនអត្ថប្រយោជន៍នៃ LLM ជាមួយនឹងបញ្ហាដែលបានទទួលបាននេះ, ការបង្កើតអត្ថប្រយោជន៍បញ្ចប់ ដូច្នេះ RAG ត្រូវបានផ្អែកលើបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្ត Why They Matter to LLM-Powered Apps? LLMs អាចរក្សាទុកសៀវភៅជាច្រើនតែមួយក្នុងការបញ្ជាក់មួយ។ ប្រព័ន្ធបណ្តុះបណ្តាល DB + RAG អនុញ្ញាតឱ្យអ្នករក្សាទុក "បណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល។ គំនិតអំពី LLM ជាអ្នកសិក្សានេះដែលអាចចែករំលែកតែមួយចំនួននៃទំព័រមួយក្នុងមួយពេល។ វេជ្ជបណ្ឌិត DB គឺជាកាតាឡុកនៃសៀវភៅនិង RAG គឺជាដំណើរការការងារនៃការទទួលបានទំព័រត្រឹមត្រូវដែលអ្នកសិក្សានេះត្រូវការមុនពេលដែលអ្នកសិក្សានេះបានសរសេរអត្ថបទរបស់ពួកគេ។ How Vector DB Helps with LLM API Rate Limit? ទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្ន ដូចជា លោក និង . top-k most relevant tables patients visits appointments វាត្រូវបានផ្លាស់ប្តូរទៅ LLM នេះដោយការរក្សាទុកការបញ្ជាក់តូចដោយការផ្តល់នូវព័ត៌មានដែលវាត្រូវការដើម្បីបង្កើត SQL ដែលត្រឹមត្រូវ។ Retrieval-Augmented Generation Flow (Steps 4 & 5) for the Project បន្ទាប់ពីការអនុវត្តការយល់ដឹងគោលបំណងអ៊ិនធឺណិតនៅក្នុងទិន្នន័យបណ្តាញ vector របស់ខ្ញុំបញ្ហា 2 (បាននិយាយមុន) ត្រូវបានដោះស្រាយយ៉ាងត្រឹមត្រូវ។ លក្ខខណ្ឌ GitHub: click ទីនេះ ទីនេះ ដំណឹង ខ្ញុំបានទាញយកទិន្នន័យគំរូ - ក្នុងបរិស្ថានការធ្វើតេស្ត ស្លាក sakila ស្លាក ស្លាក ជម្រើសទាំងអស់រួមបញ្ចូលទាំង 3 ផ្នែក គម្រោង តម្រូវផលិតផល ការបង្ហាញ សត្វ សត្វ សត្វ In the Second Half of This Article, How Do I Steer My AI Coder(s)? នៅក្នុងផ្នែកទីពីរនៃអត្ថបទនេះ, តើខ្ញុំធ្វើដូចម្តេចដើម្បីគ្រប់គ្រងកូដ AI របស់ខ្ញុំ(s)? ខ្ញុំបានរក្សាទុកគម្រោងដោយការកំណត់គោលបំណងនិងសំណួរ, សាកលវិទ្យាល័យ LLM បានដោះស្រាយបញ្ហានេះ។ វាត្រូវបានបង្ហាញអំពីបញ្ហានេះបានផ្តល់ជូននូវដំណោះស្រាយនិងពន្យល់អំពីបញ្ហានេះនៅពេលដែលខ្ញុំបានដោះស្រាយបញ្ហានេះនៅលើដំណោះស្រាយបញ្ហានេះ។ ចំណាំមួយចំនួនសម្រាប់អ្នកដំណើររថយន្ត: អ្នកគឺជាអ្នកគ្រប់គ្រង, មិនមែនជាកូដ។ បានកំណត់គោលដៅនិងគោលដៅយ៉ាងច្បាស់ហើយបន្ទាប់មកអនុញ្ញាតឱ្យ LLM ដើម្បីដោះស្រាយលក្ខណៈពិសេសនៃការអនុវត្ត។ First, Think Like a Leader: ការធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើតេស្តធ្វើ Solid tests are your safety net — but with the LLM acting as your pair programmer, you get instant feedback. ដូចជាអ្នកគ្រប់គ្រងបុគ្គលិក, micromanagement បានកាត់បន្ថយប្រសិទ្ធិភាពរបស់ក្រុម។ ពិនិត្យឡើងវិញអ្វីដែលត្រូវធ្វើបានប៉ុន្តែបឹងផ្ដល់ឱ្យ LLM ដើម្បីកំណត់ពីរបៀបនេះ។ ការបង្វិលបង្វិលបង្វិលអាចនាំឱ្យមានការរចនាសម្ព័ន្ធអស្ចារ្យឬបង្វិលបង្វិលបង្វិលបង្វិល។ លើសពីនេះទៀតវាបង្វិលអ្នកចូលទៅក្នុងលក្ខណៈពិសេសនៃការអនុវត្តនិងបាត់បន្ថយអ្នក។ ជាធម្មតានេះនៅពេលដែលអ្នកចូលទៅក្នុងស្ថានភាពនេះវាមានភាពល្អបំផុតដើម្បីសរសេរកូដដោយដៃ។ Avoid Micromanagement: — ប្រសិនបើ LLM មានលក្ខណៈសម្បត្តិឬលក្ខណៈសម្បត្តិ, ការចែកចាយលក្ខណៈសម្បត្តិល្បឿនលឿនឬការចែកចាយលក្ខណៈសម្បត្តិទាំងអស់ដែលត្រូវការដើម្បីទទួលបានបន្ទាប់មក។ វាគឺជាការមិនមែនជាធម្មតាសម្រាប់ LLM ដើម្បីចំណាយពេលវេលា 20 នាទីដើម្បីធ្វើការបញ្ចប់ការធ្វើតេស្តដោយគ្មានជោគជ័យប៉ុន្តែវាត្រូវបានចំណាយពេលវេលាតែមួយ នាទីដើម្បីរកឃើញមូលហេតុ។ ក្រុម robot របស់យើងមានតម្រូវការជាអ្នកគ្រប់គ្រង។ Intervene When Needed សូមអរគុណយ៉ាងណាក៏ដោយយើងមិនចាំបាច់អរគុណយ៉ាងណាក៏ដោយអរគុណយ៉ាងណាក៏ដោយអរគុណយ៉ាងណាក៏ដោយអរគុណយ៉ាងណាក៏ដោយអរគុណយ៉ាងណាក៏ដោយអរគុណយ៉ាងណាក៏។ LinkedIn របស់ខ្ញុំ HERE នៅទីនេះ
