
AI-apps bouwen met Python
Schrijf Python-programma's die een taalmodel op de juiste manier gebruiken. Roep een model aan via HTTP, stream de antwoorden, zet ze om in gevalideerde Python-objecten, laat het model je eigen functies aanroepen, bouw een kleine agent, laat het antwoorden uit je eigen documenten en test en budgetteer het resultaat.
Je hebt eerst Python in de praktijk nodig, omdat deze cursus voortbouwt op wat je daar leerde over requests, de opdrachtregel en testen. Python-basis II is aan te raden maar niet verplicht: de cursus legt de paar onderdelen daarvan die hij nodig heeft uit op de plek waar ze voor het eerst opduiken, zoals type hints op velden en een pydantic-model.
Elke les draait tegen een cursusmodel in de sandbox van de site. Het gescripte model is gratis en geeft elke keer hetzelfde antwoord, dus je kunt de hele cursus afmaken zonder live model of eigen API-sleutel.
12
hoofdstukken
93
lessen
63
oefeningen
11
projecten
De lessen staan in een aanbevolen volgorde, maar je kunt elke les openen.
Hoofdstuk 1
Een LLM-aanroep is een HTTP-request
Hoofdstuk 2
Gesprekken en instructies
- Een model onthoudt nietsoefening
- Systeem-, gebruikers- en assistant-berichtenoefening
- Houd een gesprek gaandeoefening
- Het contextvenster en max_tokens
- Houd de geschiedenis binnen budgetoefening
- Schrijf instructies die het model kan opvolgen
- Houd geplakte tekst gescheiden van instructiesoefening
- Project: een studiechat die bij het onderwerp blijfteindproject
Hoofdstuk 3
Streamen
- Waarom wachten op het hele antwoord?
- Hoe een stream eruitziet
- Open een stream en lees de bytesoefening
- Herken de regels die ertoe doenoefening
- Haal de tekst uit elk stukjeoefening
- Druk af wat binnenkomt, bewaar het hele antwoordoefening
- Als een stream halverwege afbreektoefening
- Project: stream antwoorden in de studiechateindproject
Hoofdstuk 4
Gestructureerde uitvoer
- Tekst is lastig voor een programma
- Vraag om JSON en controleer hetoefening
- Benoem het type van elke waardeoefening
- Lees een pydantic-modeloefening
- Schrijf een pydantic-modeloefening
- Valideer het antwoord van het modeloefening
- Laat het model de vorm zienoefening
- Probeer het één keer opnieuw bij ongeldige uitvoeroefening
- Project: maak quizvragen van een notitieeindproject
Hoofdstuk 5
De OpenAI-client gebruiken
Hoofdstuk 6
Tools
- Een model dat om hulp kan vragen
- Beschrijf een functie als tooloefening
- Lees een toolaanroep uit het antwoordoefening
- Zoek een functie op naam opoefening
- Stuur het resultaat terugoefening
- Controleer de toolaanroep voordat je iets uitvoertoefening
- Meerdere toolaanroepen in één antwoordoefening
- Project: laat de assistent een notitie opzoekeneindproject
Hoofdstuk 7
Een kleine agent
Hoofdstuk 8
Antwoorden uit je notities
- Het model kent je notities niet
- Splits de notities in fragmentenoefening
- Geef een fragment een score voor een vraagoefening
- Kies de paar beste fragmentenoefening
- Zet de bronnen in de promptoefening
- Controleer of het antwoord echte bronnen vermeldtoefening
- Zeg "ik weet het niet" als niets pastoefening
- Project: beantwoord vragen uit de cursusnotitieseindproject
Hoofdstuk 9
Als er iets misgaat
- Wat er mis kan gaan bij een modelaanroep
- Begrens elke aanroepoefening
- Probeer alleen opnieuw wat een nieuwe poging waard isoefening
- Wacht langer tussen pogingenoefening
- Herken een afgekapt antwoordoefening
- Stop eerst bij je eigen limietoefening
- Project: een aanroepwrapper die netjes faalteindproject
- Leid quiz- en agentaanroepen via de wrapperoefening
- Probeer een stream alleen opnieuw voordat hij iets afdruktoefening
Hoofdstuk 10
LLM-code testen
- Waarom je het exacte antwoord niet kunt asserten
- Gebruik de meegeleverde nep-clientoefening
- Test de agentlus met gescripte antwoordenoefening
- Sla een echte response op en speel die opnieuw afoefening
- Test eigenschappen, geen formuleringenoefening
- Bouw een kleine evalsetoefening
- Vergelijk twee prompts met de eval
- Project: tests voor de studieassistenteindproject
Hoofdstuk 11
Eindproject
Hoofdstuk 12