Selezionando un paese vedi i corsi disponibili nella tua regione.
⏱ 2 h 30 min📚 25 lezioni🎧 Versione audio
Costruire sistemi RAG agentici: progettare un assistente di ricerca AI
Imparare a progettare assistenti di ricerca intelligenti utilizzando LlamaIndex per costruire sistemi RAG agentic multi-tool che eseguono il recupero dinamico e analisi profonda.
💬Istruttore IA Fai domande su qualsiasi lezione e ricevi una risposta chiara all'istante, quando vuoi.
🕐Inizia quando vuoi Niente orari né scadenze: impara al tuo ritmo, quando vuoi.
🌐In italiano Lezioni, esercizi e certificato: tutto interamente nella tua lingua.
Informazioni sul corso
I motori di ricerca standard e le pipeline di recupero di base spesso non sono sufficienti quando si tratta di query di ricerca complesse e multi-step.Aggiornando a un sistema RAG agentico, è possibile creare assistenti AI che scelgono dinamicamente i propri strumenti, ragionano attraverso i problemi e forniscono una sintesi profonda. Questo corso basato su testo ti guiderà attraverso il processo di concettualizzazione, progettazione e implementazione di un assistente di ricerca agentico multi-strumento.Passerai dalla comprensione del recupero di base alla strutturazione di flussi di lavoro complessi che possono interrogare database vettoriali, chiamare API esterne e autocorreggere.
Cosa imparerai:
- Comprendere l'architettura fondamentale della generazione di recupero aumentata (RAG) e in che modo i flussi di lavoro agentici differiscono dalle pipeline standard.
- Configura LlamaIndex per gestire l'ingestione di documenti, l'indicizzazione e l'archiviazione di database vettoriali.
- Progetta strumenti specializzati e motori di query che il tuo agente AI può selezionare ed eseguire dinamicamente.
- Implementare la logica di routing e decisionale per gestire domande di ricerca complesse e multi-step.
- Applicare moderni modelli di ingegneria rapida per guidare i processi di ragionamento dell'agente e prevenire le allucinazioni.
- Valutare la qualità del recupero e l'accuratezza della risposta del sistema agentico utilizzando metodi di test sistematici.
Inizierai esplorando i concetti di base di RAG e i fondamenti di LlamaIndex prima di passare passo dopo passo attraverso la creazione di strumenti, il routing degli agenti e l'integrazione della memoria conversazionale.Attraverso chiare spiegazioni scritte e pratiche guide di codice, costruirai un modello completo per un assistente di ricerca AI funzionale.
Questo corso è progettato per sviluppatori, appassionati di dati e principianti AI che vogliono andare oltre le semplici interfacce di chat.Non è richiesta alcuna esperienza precedente con i framework agentici, anche se è utile una familiarità di base con Python.
Inizia a leggere oggi stesso per progettare i tuoi assistenti di ricerca AI intelligenti e auto-routing.
Cosa otterrai
📜Certificato di completamento Aggiungilo al tuo profilo LinkedIn
💬Tutor AI personale Bloccato su una lezione? Chiedi al tuo tutor integrato qualsiasi cosa, in qualsiasi momento.
🎧Versione audio inclusa Impara ovunque, senza schermo
♾️Accesso a vita Torna quando vuoi, senza scadenza
📱Telefono o computer Funziona ovunque, su qualsiasi dispositivo
💸Rimborso entro 14 giorni Senza domande
⚡Breve e mirato 2 h 30 min di contenuto pratico
Certificato di completamento
Ogni corso che completi su PickAClass rilascia una credenziale come questa — originale, con codice proprio, verificabile via URL e dettagliata su ciò che hai dimostrato.
P
PickAClass
Profilo competenze · verificabile
Documento
Certificato di Maestria
Si certifica che
Nome Cognome
ha dimostrato con successo la padronanza di
Costruire sistemi RAG agentici: progettare un assistente di ricerca AI
Competenze dimostrate
✓
Analisi dei modelli comportamentali
Fondamentale
1.2 h
✓
Framework di architettura decisionale
Competente
1.4 h
✓
Progettazione di test A/B
Competente
1.7 h
✓
Copywriting comportamentale
Avanzato
1.9 h
P
PickAClass — Nome Cognome
Costruire sistemi RAG agentici: progettare un assistente di ricerca AI
Pagina 2 di 2
Dettaglio prestazioni
Riepilogo del corso
Lezioni completate14 / 14
Domande di pratica26 / 28
Compiti consegnati4 (media 4,5 / 5)
Progetto finaleValutato — 4,6 / 5
Pratica totale6.2 h
Benchmark di prestazione
Posizione nella coorteTop 12% su 1,625
Tempo al completamento11 giorni (mediana: 22)
Punteggio di padronanza91 / 100
Punteggio domande di pratica94%
Verifica della competenzaPercorso di competenza verificato