آموزش ایجاد یک عامل هوش مصنوعی (OpenAI، LlamaIndex، Pinecone و Streamlit) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• راه اندازی محیط توسعه Setting up the development environment

• دریافت کلید API از OpenAI Getting an OpenAI API key

• درک LlamaIndex و RAG Understanding LlamaIndex and RAG

• ایجنت ها چه هستند؟ What are agents?

• تعبیه برداری Vector embeddings

ابزارها Tools

• ایجاد ابزاری برای دریافت مقالات از arXiv Creating a tool to fetch papers from arXiv

• ایجاد ابزاری برای دانلود مقالات Creating a tool to download papers

• تعریف مدل های Embed و LLM Defining the embed and LLM models

ساخت ایجنت Building the agent

• ساخت فهرست و ذخیره محلی آن Building the index and saving it locally

• ایجاد ابزار موتور پرس و جو RAG Creating the RAG query engine tool

• ساخت و تعامل با ایجنت Building and interacting with the agent

• دانلود مقالات و دریافت مقالات جدید Downloading the papers and fetching new papers

• بهبود اعلان برای دانلود فایل ها Enhancing the prompt to download the files

• روش دیگر برای دانلود همه فایل ها Another way of downloading all of the files

بازسازی کد Refactoring the code

• ساخت کلاسی برای مدیریت فهرست Building a class to manage the index

• ساخت کلاسی برای تعامل با ایجنت Building a class to interact with the agent

• ساخت رابط کاربری چت با Streamlit Building a chat UI with Streamlit

دریافت فهرست در Pinecone و استقرار برنامه Getting the index in Pinecone and the deploying the app

• دریافت کلید API از Pinecone Getting an API key from Pinecone

• ایجاد یک مدیر فهرست برای Pinecone Creating an index manager for Pinecone

• استفاده از فهرست Pinecone در برنامه Streamlit Using the Pinecone index in the Streamlit app

• استقرار برنامه در Streamlit community cloud Deploying the app to Streamlit community cloud

نتیجه گیری Conclusion

• نتیجه گیری Conclusion

• Repo در Github Repo on Github

• جلسه جایزه Bonus Lecture