$ cat can-ai-replace-humans.mdx
AI
AI អាចជំនួសការងារមួយចំនួនបាន ប៉ុន្តែការជំនួសមនុស្សទាំងមូលគឺជាសំណួរធំជាងនោះ។ ការផ្លាស់ប្ដូរពិតប្រាកដគឺមិនមែនមនុស្សប្រឆាំងនឹង AI ទេ ប៉ុន្តែជាមនុស្សដែលចេះប្រើ AI ប្រឆាំងនឹងមនុស្សដែលមិនព្រមរៀន។
$ cat designing-llm-evals-that-catch-regressions.mdx
AI
មុខងារ LLM ខូចក្នុងរបៀបដែល unit tests ធម្មតាមើលមិនឃើញ។ Eval suite ល្អគួរចាប់ផ្តើមពីឧទាហរណ៍ពិត ពិនិត្យអាកប្បកិរិយា មិនមែនអារម្មណ៍ ហើយបំបែកគុណភាពម៉ូដែលពីគុណភាពផលិតផល។
$ cat streaming-llm-responses-nextjs.mdx
AI
ការបញ្ជូនទិន្នន័យ token ម្តងមួយៗធ្វើអោយមុខងារ AI មានអារម្មណ៍ថាលឿនរហ័ស។ ខាងក្រោមជារបៀបដែលខ្ញុំបញ្ជូនទិន្នន័យត្រង់ចេញពី Next.js Route Handler ដោយប្រើប្រាស់ Web Streams API — មិនបាច់មានការបន្ថែម SDK ផ្សេងទៀត មិនមាន client library, សរុបប្រហែល៤០បន្ទាត់។
$ cat rag-pgvector-postgres.mdx
RAG
អ្នកមិនតម្រូវឱ្យមានប្រព័ន្ធទិន្នន័យ (vector database) ដាច់ដោយឡែកដើម្បីដំណើរការ retrieval-augmented generation (RAG) ទេ។ តាមរយៈ pgvector extension ប្រព័ន្ធ Postgres នៅពីក្រោមកម្មវិធីរបស់អ្នកនឹងក្លាយជា engine ដើម្បីធ្វើការ semantic search បានយ៉ាងងាយ។ ខាងក្រោមនេះជាពត៌មានលម្អិតពី: chunking, embedding, ផ្ទុក និង querying។
$ cat structured-outputs-tool-calling-llms.mdx
LLM
"សូមឆ្លើយនៅក្នុងទម្រង់ JSON" នៅក្នុង prompt មិនមែនជាការសន្យាទេ - វាគ្រាន់តែជាការស្នើរសុំ ដែលម៉ូដែលនឹងបំពាននៅពេលស្ថិតនៅក្រោមសំពាធការគិត។ ខាងក្រោមជារបៀបដែលខ្ញុំទទួលបានទិន្នន័យដែលគោរពតាមលក្ខខណ្ឌវិធាន (schema) គ្រប់ពេលវេលា ដោយប្រើប្រាស់ tool calling, schema validation និង រង្វិលជុំជួសជុល(repair loop) យ៉ាងម៉ត់ចត់។