LangChain / LlamaIndex Interview Questions Hindi mein

LangChain / LlamaIndex कोर्स के 33 सवाल, हर सवाल के सही जवाब और explanation के साथ। जवाब देखने से पहले ख़ुद सोचें।

Framework परिदृश्य

1. LLM frameworks मुख्य रूप से क्या देते हैं?

  1. मुफ़्त GPUs
  2. नया language model
  3. Prompts, retrieval, tools और मॉडलों के लिए पुनः उपयोग योग्य निर्माण-खंड और साझा interfaces
  4. Python का विकल्प
जवाब देखें

जवाब: Prompts, retrieval, tools और मॉडलों के लिए पुनः उपयोग योग्य निर्माण-खंड और साझा interfaces

वे मॉडल के आसपास की आम plumbing को मानकीकृत करते हैं।

पाठ: LLM Framework क्यों उपयोग करें

2. langchain-core में क्या है?

  1. Runnables, prompts, messages, parsers और tools जैसे आधार interfaces
  2. हर provider integration
  3. प्रशिक्षित मॉडल
  4. LangSmith सेवा
जवाब देखें

जवाब: Runnables, prompts, messages, parsers और tools जैसे आधार interfaces

Core साझा abstractions रखता है; integrations अलग packages में रहते हैं।

पाठ: LangChain, LlamaIndex और उनके Packages

3. LlamaIndex किसमें सबसे मज़बूत है?

  1. GPUs प्रबंधित करना
  2. Base models प्रशिक्षित करना
  3. Web pages render करना
  4. अपना डेटा लोड, index और query करना
जवाब देखें

जवाब: अपना डेटा लोड, index और query करना

इसके abstractions documents, nodes, indexes और query engines के आसपास बने हैं।

पाठ: LangChain बनाम LlamaIndex: कब कौन-सा

4. हर चरण के इनपुट और आउटपुट types के बारे में क्यों सोचें?

  1. इससे मॉडल छोटा होता है
  2. इससे आप चरण स्वतंत्र रूप से बदल, परख और debug कर सकते हैं
  3. इससे prompts की ज़रूरत हटती है
  4. इससे GPU तेज़ होता है
जवाब देखें

जवाब: इससे आप चरण स्वतंत्र रूप से बदल, परख और debug कर सकते हैं

स्पष्ट interfaces pipelines को modular और परखने योग्य बनाते हैं।

पाठ: मानसिक मॉडल: सब कुछ typed चरणों की Pipeline

LangChain Core: Prompts, Models और Chains

5. Prompt templates का एक लाभ क्या है?

  1. वे मॉडल को मुफ़्त करते हैं
  2. पुनः उपयोग योग्य prompts जो चर ग़ायब होने पर जल्दी विफल होते हैं
  3. वे prompt को मॉडल से छिपाते हैं
  4. वे parsers को बदलते हैं
जवाब देखें

जवाब: पुनः उपयोग योग्य prompts जो चर ग़ायब होने पर जल्दी विफल होते हैं

Templates prompt निर्माण को संरचना और validation देते हैं।

पाठ: Prompt Templates और Messages

6. LCEL में | operator क्या करता है?

  1. Server शुरू करता है
  2. Strings पर bitwise OR करता है
  3. चरण हटाता है
  4. Runnables जोड़ता है ताकि हर आउटपुट अगले चरण में जाए
जवाब देखें

जवाब: Runnables जोड़ता है ताकि हर आउटपुट अगले चरण में जाए

यह runnables को RunnableSequence में जोड़ता है।

पाठ: Chat Models और Pipe (LCEL) Chain

7. RunnableParallel क्या लौटाता है?

  1. उसी इनपुट पर चली हर शाखा के परिणामों का dict
  2. सिर्फ़ पहला परिणाम
  3. कुछ नहीं
  4. प्रशिक्षित मॉडल
जवाब देखें

जवाब: उसी इनपुट पर चली हर शाखा के परिणामों का dict

हर key एक शाखा का आउटपुट रखती है।

पाठ: Runnables: Lambda, Parallel, Passthrough और Batch

8. उत्तर Pydantic schema तोड़े तो क्या होता है?

  1. मॉडल दोबारा प्रशिक्षित होता है
  2. ग़लत मान चुपचाप स्वीकार हो जाता है
  3. Parser exception उठाता है जिसे आप पकड़कर retry कर सकते हैं
  4. प्रोग्राम बिना error समाप्त होता है
जवाब देखें

जवाब: Parser exception उठाता है जिसे आप पकड़कर retry कर सकते हैं

ज़ोर से विफल होना आपको बुरे आउटपुट को स्पष्ट रूप से सँभालने देता है।

पाठ: Output Parsers और Structured Output

9. Streaming क्या सुधारता है?

  1. शब्दावली आकार
  2. मॉडल की सटीकता
  3. अनुभव की latency: users को पाठ जल्दी दिखता है
  4. प्रशिक्षण डेटा
जवाब देखें

जवाब: अनुभव की latency: users को पाठ जल्दी दिखता है

Streaming आंशिक आउटपुट तुरंत दिखाता है।

पाठ: Streaming और Async

LangChain: Tools, Routing और भरोसेमंदी

10. @tool decorator tool का विवरण कहाँ से लेता है?

  1. Function का docstring
  2. File का नाम
  3. Random string
  4. GPU
जवाब देखें

जवाब: Function का docstring

Docstring वह विवरण बनता है जो मॉडल पढ़ता है।

पाठ: Tools परिभाषित करना

11. RunnableBranch में हमेशा क्या होना चाहिए?

  1. प्रशिक्षित मॉडल
  2. ठीक एक शर्त
  3. GPU
  4. ऐसे इनपुट के लिए default शाखा जो किसी शर्त से मेल न खाएँ
जवाब देखें

जवाब: ऐसे इनपुट के लिए default शाखा जो किसी शर्त से मेल न खाएँ

Default के बिना अनपेक्षित इनपुट के पास जाने की जगह नहीं।

पाठ: Routing और Branching

12. किसी चरण को आँख मूँदकर retry कब नहीं करना चाहिए?

  1. जब वह pure function हो
  2. जब उसके दुष्प्रभाव हों, जैसे ईमेल भेजना
  3. जब वह केवल-पढ़ने वाला lookup हो
  4. जब वह तेज़ हो
जवाब देखें

जवाब: जब उसके दुष्प्रभाव हों, जैसे ईमेल भेजना

दुष्प्रभाव वाले चरण को दोहराने से उसका असर दोहरा सकता है।

पाठ: Retries, Fallbacks और Timeouts

13. Callbacks क्या पाते हैं?

  1. मॉडल weights
  2. Chain शुरू/अंत, मॉडल calls और errors जैसे events
  3. User का password
  4. सिर्फ़ GPU temperature
जवाब देखें

जवाब: Chain शुरू/अंत, मॉडल calls और errors जैसे events

Callbacks logging और tracing के लिए runs का जीवनचक्र देखते हैं।

पाठ: Callbacks, Tracing और Debugging

14. Chat histories को session ID से क्यों कुंजीबद्ध करें?

  1. सिर्फ़ prompts छोटे करने के लिए
  2. Tokens तेज़ करने के लिए
  3. मॉडल प्रशिक्षित करने के लिए
  4. ताकि users एक-दूसरे की बातचीत कभी न देखें
जवाब देखें

जवाब: ताकि users एक-दूसरे की बातचीत कभी न देखें

Session अलगाव users के बीच डेटा लीक होने से रोकता है।

पाठ: Chat History और Memory

LangChain से Retrieval

15. Chunk overlap किसलिए है?

  1. Chunk सीमाओं के पार संदर्भ बनाए रखना
  2. लागत दोगुनी करना
  3. पाठ encrypt करना
  4. Duplicates हटाना
जवाब देखें

जवाब: Chunk सीमाओं के पार संदर्भ बनाए रखना

सीमाओं पर थोड़ा पाठ दोहराना किसी विचार को आधा कटने से बचाता है।

पाठ: Documents, Loaders और Text Splitters

16. Retriever क्या है?

  1. Prompt template
  2. GPU का प्रकार
  3. ऐसा runnable जो query लेकर प्रासंगिक Documents लौटाता है
  4. मॉडल weight फ़ाइल
जवाब देखें

जवाब: ऐसा runnable जो query लेकर प्रासंगिक Documents लौटाता है

Retrievers search backend को सरल interface के पीछे छिपाते हैं।

पाठ: Embeddings, Vector Stores और Retrievers

17. RAG prompt को कौन-सी दो चीज़ें मिलती हैं?

  1. दो मॉडल
  2. GPU और CPU
  3. Retrieved संदर्भ और मूल सवाल
  4. सिर्फ़ उत्तर
जवाब देखें

जवाब: Retrieved संदर्भ और मूल सवाल

निष्ठा से उत्तर देने को मॉडल को प्रमाण और सवाल दोनों चाहिए।

पाठ: RAG Chain बनाना

18. MMR retrieval में क्या जोड़ता है?

  1. लगभग-duplicates घटाकर अधिक विविध परिणाम
  2. तेज़ GPUs
  3. मुफ़्त embeddings
  4. स्वचालित fine-tuning
जवाब देखें

जवाब: लगभग-duplicates घटाकर अधिक विविध परिणाम

Maximal marginal relevance प्रासंगिकता को विविधता से संतुलित करता है।

पाठ: Retrieval बेहतर बनाना: Filters, MMR, Reranking

LlamaIndex: डेटा, Indexes और Query Engines

19. LlamaIndex में Node क्या दर्शाता है?

  1. Prompt template
  2. Cluster में server
  3. GPU core
  4. Document का chunk, metadata और संबंधों सहित
जवाब देखें

जवाब: Document का chunk, metadata और संबंधों सहित

Nodes Documents से बनी retrieve होने वाली इकाइयाँ हैं।

पाठ: LlamaIndex Data Model: Documents और Nodes

20. Node पाठ के अलावा retriever के परिणाम में क्या शामिल है?

  1. GPU temperature
  2. Similarity score
  3. Password
  4. नया मॉडल
जवाब देखें

जवाब: Similarity score

NodeWithScore हर node को उसके मिलान की गुणवत्ता से जोड़ता है।

पाठ: Vector Index और Retriever बनाना

21. Response में source_nodes क्यों शामिल हैं?

  1. LLM प्रशिक्षित करने के लिए
  2. ताकि आप दिखा सकें कि किन अंशों ने उत्तर का समर्थन किया
  3. Index संपीड़ित करने के लिए
  4. Citations हटाने के लिए
जवाब देखें

जवाब: ताकि आप दिखा सकें कि किन अंशों ने उत्तर का समर्थन किया

Source nodes citations और debugging संभव करते हैं।

पाठ: Query Engines और Response Synthesis

22. Index persist क्यों करें?

  1. Retriever हटाने के लिए
  2. Queries को ग़लत करने के लिए
  3. Metadata छिपाने के लिए
  4. हर शुरुआत पर corpus दोबारा embed करने का भुगतान न करना पड़े
जवाब देखें

जवाब: हर शुरुआत पर corpus दोबारा embed करने का भुगतान न करना पड़े

Embedding महँगा चरण है, इसलिए उसका नतीजा पुनः उपयोग करें।

पाठ: Index को Persist और Reload करना

Agents और Workflows

23. हर agent loop में क्या होना चाहिए?

  1. अधिकतम iterations की सीमा और बजट
  2. असीमित retries
  3. कोई logging नहीं
  4. सब कुछ पर admin पहुँच
जवाब देखें

जवाब: अधिकतम iterations की सीमा और बजट

सीमाएँ अनियंत्रित लागत और अंतहीन loops रोकती हैं।

पाठ: Agents: Tool-Calling Loop

24. Checkpointing क्या संभव करती है?

  1. Prompts छिपाना
  2. मॉडल प्रशिक्षित करना
  3. State सहेजना और फिर शुरू करना, memory और विफलता-बहाली के लिए
  4. Nodes हटाना
जवाब देखें

जवाब: State सहेजना और फिर शुरू करना, memory और विफलता-बहाली के लिए

Checkpoints steps और runs के बीच graph state बनाए रखते हैं।

पाठ: LangGraph: Stateful Workflows

25. किस कार्रवाई को मानव अनुमोदन की सबसे स्पष्ट ज़रूरत है?

  1. तिथि format करना
  2. सार्वजनिक FAQ पढ़ना
  3. ग्राहक को refund जारी करना
  4. शब्द गिनना
जवाब देखें

जवाब: ग्राहक को refund जारी करना

अपरिवर्तनीय वित्तीय कार्रवाइयों को मानव जाँच चाहिए।

पाठ: Agentic Apps के लिए Guardrails

Testing, Evaluating और Shipping

26. Unit tests में fake models क्यों उपयोग करें?

  1. Tests तेज़, मुफ़्त और दोहराने योग्य बनते हैं
  2. वे मॉडल गुणवत्ता सुधारते हैं
  3. वे कोड की ज़रूरत हटाते हैं
  4. वे embeddings प्रशिक्षित करते हैं
जवाब देखें

जवाब: Tests तेज़, मुफ़्त और दोहराने योग्य बनते हैं

निश्चित आउटपुट आपके अपने तर्क पर assertions को भरोसेमंद बनाते हैं।

पाठ: Fake Models से Unit Testing

27. हर evaluation score को trace से क्यों जोड़ें?

  1. Metrics से बचने के लिए
  2. विफलताएँ छिपाने के लिए
  3. Datasets हटाने के लिए
  4. विफल मामलों के retrieved chunks, prompt और उत्तर देखने के लिए
जवाब देखें

जवाब: विफल मामलों के retrieved chunks, prompt और उत्तर देखने के लिए

Score बताता है कि कुछ विफल हुआ; trace दिखाता है क्यों।

पाठ: गुणवत्ता का मूल्यांकन: Datasets, Metrics, Tracing

28. Library संस्करण pin क्यों करें?

  1. Pinning मॉडल को होशियार बनाता है
  2. ये libraries जल्दी बदलती हैं और upgrades कोड तोड़ सकते हैं
  3. यह Python के लिए ज़रूरी है
  4. यह token लागत घटाता है
जवाब देखें

जवाब: ये libraries जल्दी बदलती हैं और upgrades कोड तोड़ सकते हैं

स्थिर संस्करण तब तक व्यवहार दोहराने योग्य रखते हैं जब तक आप upgrade न चुनें।

पाठ: संस्करण, लागत, Latency और सुरक्षा

29. सीधा provider SDK कब अक्सर काफ़ी है?

  1. जटिल बहु-agent workflow
  2. बिना retrieval या tools के एक prompt और एक मॉडल call
  3. लाखों दस्तावेज़ों की indexing
  4. कभी नहीं
जवाब देखें

जवाब: बिना retrieval या tools के एक prompt और एक मॉडल call

सरल apps को अतिरिक्त abstractions नहीं चाहिए।

पाठ: Framework कब छोड़ें

सब कुछ जोड़ना

30. डिज़ाइन agent को सिर्फ़ केवल-पढ़ने वाले tools क्यों देता है?

  1. Citations से बचने के लिए
  2. केवल-पढ़ने वाले tools तेज़ होते हैं
  3. Write tools मौजूद नहीं होते
  4. यदि मॉडल injected पाठ से बहका दिया जाए तो नुक़सान सीमित करने के लिए
जवाब देखें

जवाब: यदि मॉडल injected पाठ से बहका दिया जाए तो नुक़सान सीमित करने के लिए

न्यूनतम विशेषाधिकार सीमित करता है कि compromised agent क्या कर सकता है।

पाठ: केस स्टडी: Documentation सहायक

31. आपकी chain की JSON parsing कभी-कभी विफल होती है क्योंकि मॉडल अतिरिक्त पाठ जोड़ता है। सबसे मज़बूत सुधार क्या है?

  1. Native structured output या Pydantic parser, validate, और विफलता पर retry
  2. Errors अनदेखे करें
  3. Chunk आकार बढ़ाएँ
  4. Parser हटाएँ
जवाब देखें

जवाब: Native structured output या Pydantic parser, validate, और विफलता पर retry

सीमित आउटपुट के साथ validation और retry भटके पाठ को सँभालते हैं।

पाठ: Revision: Cheat Sheet और Self-Check

32. RAG app में ग़लत उत्तर की सबसे आम व्याख्या कौन-सा चरण करता है?

  1. Python संस्करण string
  2. UI का font
  3. Retrieval ने प्रासंगिक अंश नहीं लौटाया
  4. Repo नाम की लंबाई
जवाब देखें

जवाब: Retrieval ने प्रासंगिक अंश नहीं लौटाया

प्रमाण prompt में न हो तो मॉडल उसका उपयोग नहीं कर सकता।

पाठ: Revision: Cheat Sheet और Self-Check

33. Agent loop में हमेशा क्या होना चाहिए?

  1. हर system पर लिखने की पहुँच
  2. असीमित iterations
  3. चरण और बजट सीमाएँ, argument validation और tool calls की logging
  4. कोई tests नहीं
जवाब देखें

जवाब: चरण और बजट सीमाएँ, argument validation और tool calls की logging

सीमाएँ, validation और logs स्वायत्त loops को सुरक्षित और debug-योग्य रखते हैं।

पाठ: Revision: Cheat Sheet और Self-Check

← कोर्स पर वापस जाएँ