Free course · read lesson 1 without signing upफ़्री कोर्स · बिना साइन अप पाठ 1 पढ़ो
AI Engineering: RAG & Fine-tuningAI इंजीनियरिंग: RAG और फ़ाइन-ट्यूनिंग
Go beyond prompts — context engineering, tokenizers, embeddings, vector databases, RAG pipelines and fine-tuning, hands-on.Prompt से आगे बढ़ो — context engineering, tokenizer, embeddings, vector database, RAG pipeline और fine-tuning, हाथों-हाथ।
What you will learnआप क्या सीखेंगे
- ~12 minContext engineering: the real skillContext engineering: असली हुनर
- ~12 minTokenizers: how AI counts your wordsTokenizer: AI शब्द कैसे गिनता है
- ~13 minEmbeddings & vector databasesEmbeddings और vector database
- ~14 minRAG pipelines that actually workRAG pipeline जो सच में काम करे
- ~13 minFine-tuning: teach the model new tricksFine-tuning: मॉडल को नया हुनर सिखाओ
- ~14 minCapstone: prompt, RAG or fine-tune?कैपस्टोन: prompt, RAG या fine-tune?
Lesson 1 — read it free, no signupपाठ 1 — मुफ़्त पढ़ो, साइन अप ज़रूरी नहीं
This is the real first lesson, not a sample.यह असली पहला पाठ है, कोई नमूना नहीं।
Your prompt was perfect — so why was the answer wrong?
Here is a scene every AI engineer knows. You polish a beautiful prompt, send it... and the model answers using some stale detail from twenty messages ago. The problem was not your sentence — it was everything else sitting in the context window with it. Context engineering is the discipline of deciding what goes into that window: which instructions, which examples, which documents, how much chat history. Prompt engineering (our Prompting course) teaches you to word one message well; context engineering manages the whole window. Think of packing one small suitcase for a wedding trip: everything wants in, but only what earns its place gets packed. 🧳 As models get smarter, this packing skill starts to matter more than clever wording. ✨
आपका prompt perfect था — फिर जवाब गलत क्यों?
यह scene हर AI engineer जानता है। आपने एक शानदार prompt तराशा, भेजा... और model ने बीस messages पुरानी किसी बासी detail से जवाब दे दिया। दिक्कत आपके वाक्य में नहीं थी — उसके साथ context window में बैठी बाकी हर चीज़ में थी। Context engineering वह discipline है जो तय करती है window के अंदर क्या जाएगा: कौन से निर्देश, कौन से उदाहरण, कौन से documents, कितनी chat history। Prompt engineering (हमारा Prompting course) एक message को अच्छे शब्द देना सिखाती है; context engineering पूरी window सँभालती है। शादी के सफ़र के लिए एक छोटा suitcase pack करने जैसा समझो: अंदर जाना सबको है, पर जगह वही पाता है जो उसे कमाता है। 🧳 जैसे-जैसे model समझदार हो रहे हैं, packing का यह हुनर चालाक शब्दों से ज़्यादा मायने रखने लगा है। ✨
The context budget: every token pays rent
The window has a fixed size, and four things compete for it: your instructions, your examples, the chat history, and any retrieved documents (hello, RAG). Beginners assume more context is always safer. It is not. Stuffing in an 80-page policy manual when two sections answer the question gives the model more places to get lost — accuracy drops — and on paid APIs every extra token is billed, so the bloated prompt also costs real money. 💸 Picture a call centre bot at an IT services company: feed it only the leave-policy section for a leave question and it answers crisply; feed it the whole HR manual and it may confidently quote the travel policy instead. A good context engineer treats the window like a budget: every line must earn its place. Trimming context is not laziness — it is the engineering. 🎯
Context budget: हर token किराया देता है
Window का size तय है, और चार चीज़ें उसके लिए लड़ती हैं: आपके निर्देश, आपके उदाहरण, chat history, और कोई भी retrieved documents (नमस्ते, RAG)। नए लोग मान लेते हैं कि ज़्यादा context हमेशा safer है। ऐसा नहीं है। जब दो sections से जवाब मिल सकता था, तब 80-page policy manual ठूँसने से model के भटकने की जगहें बढ़ जाती हैं — सटीकता गिरती है — और paid APIs पर हर extra token का bill बनता है, यानी फूला हुआ prompt असली पैसे भी खाता है। 💸 एक IT services company के call centre bot की कल्पना करो: छुट्टी के सवाल पर सिर्फ़ leave-policy वाला हिस्सा दो, तो जवाब चुस्त मिलता है; पूरा HR manual दो, तो शायद वह पूरे भरोसे से travel policy quote कर दे। अच्छा context engineer window को budget की तरह देखता है: हर line को अपनी जगह कमानी पड़ती है। Context छाँटना आलस नहीं — यही तो engineering है। 🎯
Placement: where you put things changes what gets seen
Researchers testing long contexts found something odd, now nicknamed lost in the middle: models recall information placed at the start and end of the context best, while facts buried in the middle get missed far more often. Remember the tip from our prompting course — keep the key instruction near your latest message? This is the science behind it. So place critical rules and the actual question near the end, and let bulky reference material sit earlier. Then help the model navigate: structure the context into clearly labelled sections — headings, or simple XML-style tags like rules or data written in angle brackets — so it can jump straight to "the rules" instead of re-reading everything. A well-labelled context is like a well-labelled masala dabba: the right thing turns up in seconds. 🏷️
Placement: चीज़ कहाँ रखी है, इससे फ़र्क पड़ता है
लंबे context पर test करते हुए researchers को एक अजीब चीज़ मिली, जिसका nickname पड़ गया lost in the middle: model context की शुरुआत और अंत में रखी जानकारी सबसे अच्छे से याद रखते हैं, जबकि बीच में दबे facts कहीं ज़्यादा बार छूट जाते हैं। हमारे prompting course की वह tip याद है — सबसे ज़रूरी निर्देश अपने ताज़ा message के पास रखो? यही उसके पीछे की science है। तो critical rules और असली सवाल अंत के पास रखो, और भारी reference material पहले आने दो। फिर model को रास्ता दिखाओ: context को साफ़ label वाले sections में structure करो — headings, या angle brackets में लिखे rules या data जैसे simple XML-style tags — ताकि वह सब दोबारा पढ़े बिना सीधे "rules" तक पहुँचे। अच्छे label वाला context अच्छे label वाले मसाला डब्बे जैसा है: सही चीज़ सेकंडों में मिल जाती है। 🏷️
Long chats: summarize, truncate, or write it down
A long-running chat eventually overflows the window, and you must choose what happens to old history. Truncate means simply dropping the oldest messages — cheap and fast, but early decisions vanish. Summarize means compressing old turns into a short note — a little slower, but the gist survives. Real-world example: Claude Code (from our AI-coding course) runs compaction — when its window fills, it summarizes the older part of the session to make room while keeping the important instructions. 🧹 The third trick is the most elegant: rules that must never be forgotten do not belong in chat history at all. Put them in a persistent rules file — Claude Code re-reads CLAUDE.md fresh every time, so those instructions survive any compaction — instead of repeating them message after message. The same trade-off appears everywhere: a customer-support bot might keep a one-line summary of every old ticket but the full text of only the latest one. History is rented space; a rules file is owned. 📌
लंबी chats: summary बनाओ, काटो, या लिखकर रखो
लंबी चलती chat आख़िरकार window से बाहर छलक जाती है, और पुरानी history का कुछ करना पड़ता है। Truncate मतलब सबसे पुराने messages बस गिरा देना — सस्ता और तेज़, पर शुरुआती फ़ैसले गायब हो जाते हैं। Summarize मतलब पुरानी बातचीत को छोटे सार में दबाना — थोड़ा धीमा, पर निचोड़ बचा रहता है। असली दुनिया का उदाहरण: Claude Code (हमारे AI-coding course से) compaction चलाता है — window भरने पर वह session के पुराने हिस्से का summary बनाकर जगह बनाता है, ज़रूरी निर्देश बचाते हुए। 🧹 तीसरी तरकीब सबसे सुंदर है: जो नियम कभी नहीं भूलने चाहिए, उनकी जगह chat history में है ही नहीं। उन्हें persistent rules file में रखो — Claude Code हर बार CLAUDE.md ताज़ा दोबारा पढ़ता है, तो वे निर्देश हर compaction से बचे रहते हैं — हर message में दोहराने की जगह। यही trade-off हर जगह दिखता है: customer-support bot हर पुराने ticket का एक-line summary रख सकता है, पर पूरा text सिर्फ़ सबसे नए का। History किराये की जगह है; rules file अपनी। 📌
One skill behind everything that comes next
Step back and the pattern appears. RAG is context engineering: out of a million stored chunks, which three deserve window space? Agents are context engineering: which tool results and notes does the agent carry into its next step? Long chats are context engineering: what gets summarized, what gets dropped, what lives in a rules file? Master the window, and the rest of this course — building RAG pipelines, tuning retrieval, deciding when fine-tuning is the better tool — becomes a series of sensible packing decisions instead of mysteries. Our railway slogan says mind the gap; a good AI engineer also minds the window. 🚆 Keep that packing instinct sharp — every lesson ahead leans on it. ✨
एक हुनर, जिस पर आगे का सब टिका है
एक कदम पीछे हटो और pattern दिखने लगता है। RAG context engineering है: लाखों stored chunks में से window की जगह किन तीन को मिले? Agents context engineering हैं: agent अगले कदम में कौन से tool results और notes साथ ले जाए? लंबी chats context engineering हैं: किसका summary बने, क्या गिरे, क्या rules file में रहे? Window पर पकड़ बना लो, तो इस course का बाकी हिस्सा — RAG pipelines बनाना, retrieval सुधारना, यह तय करना कि fine-tuning कब बेहतर औज़ार है — रहस्य नहीं, समझदार packing के फ़ैसलों की कतार बन जाता है। हमारा railway slogan कहता है mind the gap; अच्छा AI engineer window का भी ध्यान रखता है। 🚆 यह packing वाली नज़र तेज़ रखो — आगे का हर lesson इसी पर टिकेगा। ✨
+ 4 practice questions in this lesson, inside the app+ इस पाठ में 4 अभ्यास सवाल, ऐप के अंदर
Signup is free and only saves your progress, exam and certificate.साइन अप फ़्री है — यह सिर्फ़ आपकी प्रगति, परीक्षा और सर्टिफ़िकेट सहेजता है।
Free AI & job skills, in English & हिंदी.फ़्री AI और नौकरी के हुनर, English और हिंदी में।