AI Agent Observability: LangSmith และ Langfuse

เมื่อแอปพลิเคชัน AI มีความซับซ้อนมากขึ้น การทำความเข้าใจว่า agent ของคุณตัดสินใจอย่างไรจึงเป็นเรื่องสำคัญอย่างยิ่ง การทำ tracing และ monitoring เวิร์กโฟลว์เหล่านี้คือกุญแจสำคัญในการสร้างระบบ AI ที่เชื่อถือได้ คอร์สนี้เป็นคู่มือรูปแบบข้อความที่ชัดเจนเกี่ยวกับ AI observability ซึ่งจะช่วยให้คุณเปรียบเทียบและปรับใช้ LangSmith และ Langfuse คุณจะได้เรียนรู้วิธีติดตามการใช้งาน token, debug ไปป์ไลน์ Retrieval-Augmented Generation (RAG) ที่ซับซ้อน และตรวจสอบประสิทธิภาพของ agent • ทำความเข้าใจแนวคิดพื้นฐานของ AI observability, LLM tracing และ telemetry • เปรียบเทียบฟีเจอร์หลัก จุดแข็ง และกรณีการใช้งานของ LangSmith และ Langfuse • เรียนรู้วิธีการเขียนโค้ด (instrument) เพื่อดักจับความคิดและการกระทำของ agent • ฝึกฝนการประเมินผลลัพธ์ของ LLM และจัดการเวอร์ชันของ prompt อย่างมีประสิทธิภาพ • วิเคราะห์รูปแบบ tracing สมัยใหม่สำหรับแอปพลิเคชัน RAG และระบบ multi-agent • เลือก observability stack ที่เหมาะสมกับความต้องการเฉพาะของโปรเจกต์คุณ หลักสูตรนี้เริ่มต้นด้วยคำศัพท์ที่จำเป็นและแนวคิดพื้นฐานของ telemetry ก่อนจะเข้าสู่คู่มือการปรับใช้จริงสำหรับทั้งสองเครื่องมือ คุณจะได้อ่านคำอธิบายที่ชัดเจนและ code snippets เพื่อทำความเข้าใจว่า tracing ทำงานอย่างไรเบื้องหลัง คอร์สนี้ออกแบบมาสำหรับผู้เริ่มต้นและนักพัฒนาที่ยังใหม่กับการทำ AI monitoring โดยไม่จำเป็นต้องมีประสบการณ์มาก่อนเกี่ยวกับแพลตฟอร์ม observability เริ่มอ่านวันนี้เพื่อให้มองเห็นการทำงานของ AI agents ของคุณได้อย่างครบถ้วน