آموزشبرنامهنویسی و علوم کامپیوتر
ساختن اپ با مدل زبانی
ساخت اپ و ایجنت هوش مصنوعی با مدل زبانی بزرگ: API هوش مصنوعی، پرامپت در کد، خروجی ساختاریافته، فراخوانی ابزار، RAG، MCP، ایجنت، سنجش و امنیت؛ تمرین با مدل باز و رایگان روی کامپیوتر خودتان.
میانه۱۰ ایستگاه۴۸ درس۵ درس آماده
شروع۴ از ۵ درس آماده
از کاربر هوش مصنوعی به سازندهی آن.
- ساختن اپ با مدل زبانی: از کجا شروع کنیمآماده
پیشنیاز پایتون یا تایپاسکریپت است؛ تمرینها با مدل باز و رایگان روی کامپیوتر خودتان اجرا میشوند و API پولی فقط یک گزینه است.
- مهندسی هوش مصنوعی چیستآماده
ساختن نرمافزاری که یک مدل زبانی بخشی از آن است؛ با همهی دقت، آزمون و امنیت نرمافزار معمولی.
- مدل زبانی از دروندر مسیر مدلهای زبانی بزرگ (LLM)آماده
- اجرای مدل باز روی کامپیوتر خودتانآماده
نصب ابزار رایگان اجرای مدل محلی و اولین گفتوگو بی اینترنت و بی هزینه.
- کدام مدل برای کدام کارآماده
اندازه، سرعت، هزینه و کیفیت؛ و اینکه همیشه بزرگترین مدل لازم نیست.
صدا زدن مدل از کد۱ از ۶ درس آماده
اولین برنامهای که با مدل حرف میزند.
- API هوش مصنوعی چیستآماده
فرستادن پیام به مدل از درون برنامه و گرفتن جواب.
اولین درخواست از کد بهزودی
پیام، نقشها و خواندن جواب؛ با مدل محلی.
- توکن، طول متن و هزینهدر مسیر مدلهای زبانی بزرگ (LLM)آماده
دما و پارامترهای جواب بهزودی
کنترل خلاقیت و طول جواب.
خطا، تلاش دوباره و زمان پایان بهزودی
مدل گاهی دیر یا بد جواب میدهد؛ برنامه باید آماده باشد.
نگه داشتن کلید API بهزودی
کلید هیچوقت در کد، مخزن یا مرورگر نمیآید.
پرامپت در کد۴ درس، بهزودی
پرامپتی که برنامه هر بار با آن کار میکند.
- مهندسی پرامپتدر مسیر مدلهای زبانی بزرگ (LLM)آماده
پیام سیستم و قالب پرامپت بهزودی
دستورهای ثابت و جای دادهی متغیر.
- یاد دادن با مثالدر مسیر مدلهای زبانی بزرگ (LLM)آماده
نسخهبندی پرامپت بهزودی
پرامپت هم کد است: تاریخچه، آزمون و برگشت.
خروجی ساختاریافته و ابزار۴ درس، بهزودی
جوابی که برنامه بتواند بخواند و کاری که مدل بتواند بکند.
خروجی ساختاریافته: جیسان با اسکیما بهزودی
گرفتن جواب در شکل قابل خواندن برای برنامه و بررسی آن.
فراخوانی ابزار (Function Calling) بهزودی
مدل میگوید کدام تابع با چه ورودی؛ برنامهی شما اجرایش میکند.
طراحی ابزار خوب برای مدل بهزودی
اسم، توضیح و ورودی روشن؛ ابزار کم و دقیق.
جریان جواب و کی لازم نیست بهزودی
نشان دادن جواب تکهتکه، و جاهایی که جواب یکجا بهتر است.
RAG: جواب از روی دادهی خودتان۷ درس، بهزودی
مدل دادهی شما را نمیداند؛ آن را به او برسانید.
- RAG چیستدر مسیر مدلهای زبانی بزرگ (LLM)آماده
- امبدینگدر مسیر مدلهای زبانی بزرگ (LLM)آماده
پایگاه داده برداری بهزودی
نگه داشتن امبدینگها و جستجوی نزدیکترینها؛ حتی در همان دیتابیس رابطهای.
- تکه کردن سنددر مسیر مدلهای زبانی بزرگ (LLM)آماده
ساختن یک RAG ساده از صفر بهزودی
خواندن سند، تکه کردن، امبدینگ، جستجو و جواب با منبع.
جستجوی ترکیبی: کلمه و معنی بهزودی
ترکیب جستجوی کلمهای و برداری برای جواب دقیقتر.
چرا RAG بد جواب میدهد و چطور درستش کنیم بهزودی
تکهی اشتباه، منبع ناقص و پرامپت بد؛ پیدا کردن کدام.
MCP۴ درس، بهزودی
استاندارد باز وصل کردن مدل به ابزار و داده.
MCP چیست بهزودی
MCP (Model Context Protocol)، استانداردی باز که هر دستیار هوش مصنوعی با آن به ابزار و داده وصل میشود؛ مثل درگاه یکسان برای همهی دستگاهها.
ساختن یک سرور MCP بهزودی
در اختیار گذاشتن چند ابزار و داده برای هر دستیار سازگار.
وصل شدن به سرورهای MCP از برنامهی خودتان بهزودی
استفاده از ابزارهای آمادهی دیگران.
امنیت MCP: اجازه و اعتماد بهزودی
هر سرور MCP کد کسی دیگر است؛ چه اجازهای بدهیم.
ایجنت۶ درس، بهزودی
مدلی که چند قدم برمیدارد تا کاری را تمام کند.
- ایجنت هوش مصنوعی از دروندر مسیر مدلهای زبانی بزرگ (LLM)آماده
حلقهی ایجنت: فکر، ابزار، نتیجه بهزودی
ساختن سادهترین ایجنت با چند خط کد.
برنامهریزی و تقسیم کار بهزودی
شکستن کار بزرگ به قدمها؛ و کی یک گردش کار ثابت بهتر از ایجنت است.
حافظهی ایجنت بهزودی
نگه داشتن آنچه در گفتوگو و میان گفتوگوها لازم است.
چند ایجنت با هم بهزودی
کی میارزد و کی فقط پیچیدگی اضافه میکند.
- خطای ایجنت و مرز اختیاردر مسیر مدلهای زبانی بزرگ (LLM)آماده
امنیت۴ درس، بهزودی
مدلها راههای تازهای برای حمله باز کردهاند.
ده خطر امنیتی اپهای مدل زبانی بهزودی
فهرست جهانی خطرها، از تزریق پرامپت تا نشت داده، با راه جلوگیری از هر کدام.
تزریق پرامپت بهزودی
متنی در داده که دستور مدل را عوض میکند؛ و چرا هیچ پرامپتی کاملا جلویش را نمیگیرد.
- نشت داده و حریم خصوصیدر مسیر مدلهای زبانی بزرگ (LLM)آماده
مرز اختیار و تایید انسان بهزودی
کارهای برگشتناپذیر فقط با تایید آدم.
سنجش و نگهداری۴ درس، بهزودی
اپ مدل زبانی هم باید آزموده و پایش شود.
- سنجش اپ مدل زبانیدر مسیر تست نرمافزار و سنجش هوش مصنوعی
دیدن آنچه در اپ میگذرد بهزودی
ثبت هر درخواست، جواب، زمان و هزینه، بی دادهی شخصی.
هزینه و سرعت: کش و مدل کوچکتر بهزودی
کم کردن هزینه بی افت کیفیت.
- فاینتیون، RAG یا پرامپتدر مسیر مدلهای زبانی بزرگ (LLM)آماده
پروژهها۴ درس، بهزودی
اپهای واقعی از اول تا آخر.
پروژه: دستیار پرسش و پاسخ از روی اسناد بهزودی
RAG کامل با منبع، سنجش و رابط ساده.
پروژه: ایجنتی که با ابزار کار میکند بهزودی
فراخوانی ابزار، حلقهی ایجنت، مرز اختیار و ثبت.
پروژه: سرور MCP برای دادهی خودتان بهزودی
در اختیار گذاشتن یک دیتابیس کوچک برای دستیارها، امن.
بعد از این مسیر بهزودی
سنجش و تست عمیقتر، و انتشار روی سرور با داکر.