آموزش دوره جامع هوش مصنوعی مولد با جاوا و Spring AI: مدل‌های زبانی (LLMs)، سیستم‌های RAG و ایجنت‌های هوشمند - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• ساختار و سرفصل‌های دوره Course structure & Outline

• ساخت اولین اپلیکیشن Spring AI در ۵ دقیقه Build your first Spring AI app in 5 minutes

• مسیرهای یادگیری: نحوه پیمایش دوره بر اساس اهداف شما Learning paths: How to navigate this course based on your goals

• آنچه خواهید ساخت: موارد کاربردی پایه What you will build: Basic use cases

• آنچه خواهید ساخت: موارد کاربردی پیشرفته What you will build: Advanced use cases

• راه اندازی محیط توسعه Setting up the environment

• مخزن کدها، ارائه‌ها و دیاگرام‌ها Source code repository, presentations & diagrams

• نحوه ارائه قابلیت‌های ضروری Spring AI به اپلیکیشن‌های GenAI How Spring AI can provide necessary functionality to GenAI applications

• مبانی GenAI و Spring AI GenAI and Spring AI basics

جاوا و Spring AI: موارد کاربردی پایه GenAI Java & Spring AI: Basic GenAI Use Cases

• مقدمه‌ای بر Spring AI Spring AI Introduction

• تنظیم API Key مربوط به OpenAI Setting up Open AI API Key

• ساخت اولین اپلیکیشن Spring AI با پیکربندی ChatClient Creating the first Spring AI application with ChatClient configuration

• مورد کاربردی خلاصه‌ساز با API OpenAI Summarizer use case with Open AI API

• بررسی انواع پاسخ‌های ChatClient: محتوا در مقابل ChatClientResponse Exploring the ChatClient response types: Content vs ChatClientResponse

• استفاده از قالب پرامپت درجا برای مورد کاربردی خلاصه‌ساز امن و ساده Using in-place prompt template for secure and simplified Summarizer use case

• استفاده از Java Http Client برای فراخوانی API OpenAI Using a Java Http Client to call Open AI API

• استفاده از مدل‌های مختلف AI در Spring AI Using multiple AI models in Spring AI

• مورد کاربردی تولیدکننده کامنت‌های Java Doc با Google Gemini Vertex AI Java Doc comment generator use case with Google Gemini Vertex AI

• مقدمه‌ای بر Hugging Face Introduction to Hugging Face

• مورد کاربردی دستیار کمک‌برنامه‌نویس با مدل Qwen در Hugging Face - بخش ۱ Programming helper assistant use case with Hugging Face Qwen model - Part 1

• مورد کاربردی دستیار کمک‌برنامه‌نویس با مدل Qwen در Hugging Face - بخش ۲ Programming helper assistant use case with Hugging Face Qwen model - Part 2

• مدل‌های زبانی بزرگ متن‌باز (Open Source) Open Source Large Language Models

• مقدمه‌ای بر Ollama Introduction to Ollama

• مورد کاربردی پیش‌نویس ایمیل با Ollama و مدل Mistral Email Drafting use case with Ollama and Mistral model

• مورد کاربردی تولیدکننده پست لینکدین با Docker Model Runner و مدل Gemma3 Linkedin Post Generator use case with Docker Model Runner and Gemma3 model

• استفاده از OpenWebUI برای مدل‌های زبانی محلی Using OpenWebUI for local LLMs

• جزئیات پیاده‌سازی ChatClient و ChatModel در Spring AI Spring AI ChatClient and ChatModel implementation details

• جزئیات معماری Advisor در Spring AI و پیاده‌سازی انواع پیام‌ها Spring AI Advisor Architecture and Message Types implementation details

• نحوه فعال‌سازی فراخوانی مدل‌های زبانی راه دور و محلی در Spring AI How Spring AI enables calling remote and local Large Language Models

• درک نحوه توسعه دستیارهای AI با Spring AI Understanding how to develop AI Assistants with Spring AI

مفاهیم پیشرفته Spring AI Advanced Spring AI Concepts

• پاسخ استریمینگ در مورد کاربردی خلاصه‌ساز Streaming response with Summarizer use case

• انواع پاسخ‌ها در Spring AI Spring AI response types

• خروجی‌های ساختاریافته (Structured Output) در Spring AI Structured Output in Spring AI

• تنظیمات چت بخش ۱: ویژگی‌های مدل و حداکثر توکن Chat Options Part-1: Model and Max Token properties

• تنظیمات چت بخش ۲: ویژگی Temperature، عدم قطعیت و تصادفی بودن LLM Chat Options Part-2: Temperature property, LLM Non-determinism and randomness

• تنظیمات چت بخش ۳: Top p و Top K برای تصادفی بودن کنترل شده و توالی‌های توقف Chat Options Part-3: Top-p & Top-K for controlled randomness & stop sequences

• جزئیات معماری Advisor و افزودن SimpleLoggerAdvisor به خلاصه‌ساز Advisor Architecture Details & Adding SimpleLoggerAdvisor to Summarizer use case

• افزودن SafeGuardAdvisor به مورد کاربردی خلاصه‌ساز Adding SafeGuardAdvisor to Summarizer use case

• افزودن Advisor سفارشی برای مدیریت خطا در خلاصه‌ساز Adding Custom Error Wrapping Advisor to Summarizer use case

• افزودن System Advisor سفارشی به خلاصه‌ساز Adding Custom System Advisor to Summarizer use case

• افزودن Validation Advisor سفارشی به خلاصه‌ساز Adding Custom Validation Advisor to Summarizer use case

• مفاهیم پیشرفته Spring AI: استریمینگ، خروجی ساختاریافته، تنظیمات چت و مشاوران Advanced Spring AI concepts: streaming, structured output,chat options, advisors

• درک مفاهیم پیشرفته Spring AI Understanding advanced Spring AI concepts

مهندسی پرامپت Prompt Engineering

• مقدمه‌ای بر مهندسی پرامپت با Zero/One/Few shot و تکنیک COT Introduction to Prompt Engineering with Zero/One/Few shot and COT prompting

• بهترین روش‌های مهندسی پرامپت: بخش ۱ Prompt Engineering best practices: Part-1

• بهترین روش‌های مهندسی پرامپت: بخش ۲ Prompt Engineering best practices: Part-2

• به‌کارگیری تکنیک‌ها و بهترین روش‌های مهندسی پرامپت Applying prompt engineering techniques and best practices

• درک عمیق بهترین روش‌های مهندسی پرامپت Understanding Prompt engineering best practices

هک پرامپت Prompt Hacking

• تزریق پرامپت (Prompt Injection) در خلاصه‌ساز و Lakera Gandalf Prompt Injection with Summarizer use case and Lakera Gandalf

• جیل‌بریکینگ (Jailbreaking) در خلاصه‌ساز با استفاده از فراخوانی ابزار Jailbreaking with Summarizer use case using a Tool call

• نشت پرامپت (Prompt leaking) در مورد کاربردی خلاصه‌ساز Prompt leaking with Summarizer use case

• تکنیک‌های پیشرفته هک پرامپت: تغییر کانتکست و حمله دیکشنری Advanced prompt hacking techniques: Context switching & Dictionary attack

• مراحل پیشگیری و کاهش اثرات حملات هک پرامپت Prevention and Mitigation steps for Prompt hacking attacks

• بررسی جامع تزریق، جیل‌بریکینگ و نشت پرامپت به همراه روش‌های مقابله Prompt Injection, Jailbreaking and Prompt Injection together with Mitigations

• درک هک پرامپت و استراتژی‌های کاهش اثرات Understanding Prompt Hacking and Mitigation Strategies

مبانی GenAI و LLM GenAI and LLM Fundamentals

• مبانی هوش مصنوعی AI Fundamentals

• مبانی GenAI و LLM GenAI and LLM Fundamentals

• توکنایزرها و Embeddingها Tokenizers and Embeddings

• کدگذاری موقعیتی، Embeddingهای زمینه‌ای و ساختار داخلی ترنسفورمر Positional encoding, Contextual embedding and Transformer internals

• پیش‌بینی توکن و فرمول Softmax Token prediction and Softmax formula

• آیا LLM می‌تواند مانند انسان فکر کند؟ Can LLM think like a human?

• نحوه انتخاب یک مدل زبانی بزرگ مناسب Choosing a Large Language Model

• مبانی GenAI و LLM و درک توکنایزرها، Embeddingها و پیش‌بینی توکن Fundamentals of GenAI,LLM & understanding Tokenizers,Embeddings,Token Prediction

• درک مفاهیم بنیادی GenAI و LLM Understanding fundamentals of GenAI and LLM

حافظه چت Chat Memory

• مقدمه‌ای بر حافظه چت با پیاده‌سازی In-memory در Spring AI Introduction to Chat Memory with Spring AI in-memory implementation

• مورد کاربردی کمک‌کار وضعیت سفارش با حافظه In-memory: بخش ۱ Order Status Helper use case with in-memory chat memory implementation: Part-1

• مورد کاربردی کمک‌کار وضعیت سفارش با حافظه In-memory: بخش ۲ Order Status Helper use case with in-memory chat memory implementation: Part-2

• استفاده از پیاده‌سازی Jdbc برای حافظه چت در کمک‌کار وضعیت سفارش Using Jdbc chat memory implementation for Order Status Helper use case

• استفاده از Vector Store برای حافظه بلندمدت با PgVector: بخش ۱ Using Vector Store for long-term memory with PgVector: Part-1

• استفاده از Vector Store برای حافظه بلندمدت با PgVector: بخش ۲ Using Vector Store for long-term memory with PgVector: Part-2

• استفاده از Prompt Chat Memory Advisor و مرور مشاوران حافظه: بخش ۱ Using Prompt Chat Memory Advisor & Recap of Chat Memory Advisors: Part-1

• استفاده از Prompt Chat Memory Advisor و مرور مشاوران حافظه: بخش ۲ Using Prompt Chat Memory Advisor & Recap of Chat Memory Advisors: Part-2

• گزینه‌های حافظه چت: کوتاه مدت در مقابل بلندمدت با انتزاع Spring AI Chat memory options: short-term vs long-term using Spring AI abstraction

• درک حافظه چت در اپلیکیشن‌های AI با انتزاع Spring AI Understanding Chat Memory in AI applications with Spring AI abstraction

قابلیت‌های چندوجهی (Multimodality) Multimodality

• مقدمه‌ای بر قابلیت‌های چندوجهی (Multimodality) در Spring AI Introduction to Multimodality in Spring AI

• بررسی تطبیق بصری: مورد کاربردی تصویر به متن با API OpenAI Visual Compliance Checker: Image-to-Text use case with Open AI API

• تولیدکننده دارایی‌های مارکتینگ: مورد کاربردی متن به تصویر با مدل DALL-E 3 Marketing Asset Generator: Text-to-Image use case with Open AI dall-e-3 model

• دستیار هوشمند جلسات: مورد کاربردی گفتار به متن با Whisper 1 و GPT-4o Smart Meeting Assistant: Speech-to-Text use case with whisper-1 & gpt-4o

• ارائه وضعیت تیکت صوتی: مورد کاربردی متن به گفتار با TTS 1 و GPT-4o Ticket Status Provider on Voice: Text-to-Speech use case with tts-1 & gpt-4o

• پیاده‌سازی‌های چندوجهی در Spring AI Multimodality and Spring AI implementations

• درک قابلیت‌های چندوجهی در اپلیکیشن‌های AI Understanding multimodality in AI applications

محدودیت‌های LLM و روش‌های کاهش اثرات LLM Limitations & Mitigations

• بررسی محدودیت‌های LLM Listing the LLM Limitations

• بررسی روش‌های کاهش اثرات محدودیت‌های LLM Listing the Mitigations for LLM Limitations

• رابطه محدودیت‌های LLM و راهکارهای مقابله Mapping the LLM Limitations and Mitigations

• درک محدودیت‌های LLM و روش‌های کاهش آن‌ها Understanding the LLM limitations and their mitigations

سیستم‌های RAG (تولید تقویت شده با بازیابی) RAG (Retrieval Augmented Generation)

• مورد کاربردی پشتیبانی IT با کانتکست در پرامپت (Prompt Stuffing) IT Support use case with In-Prompt Context (Prompt Stuffing)

• مقدمه‌ای بر RAG Introduction to RAG

• مورد کاربردی دفترچه راهنمای کارکنان با جریان ساده RAG - خط لوله جذب: بخش ۱ Employee Handbook use case with Simple Rag Flow - Ingestion pipeline: Part-1

• مورد کاربردی دفترچه راهنمای کارکنان با جریان ساده RAG - خط لوله جذب: بخش ۲ Employee Handbook use case with Simple Rag Flow - Ingestion pipeline: Part-2

• مورد کاربردی دفترچه راهنمای کارکنان با جریان ساده RAG - خط لوله بازیابی: بخش ۱ Employee Handbook use case with Simple Rag Flow - Retrieval pipeline: Part-1

• مورد کاربردی دفترچه راهنمای کارکنان با جریان ساده RAG - خط لوله بازیابی: بخش ۲ Employee Handbook use case with Simple Rag Flow - Retrieval pipeline: Part-2

• مبانی توکنایزر و اسپلیتر (Tokenizer & Splitter 101): بخش ۱ Tokenizer & Splitter 101: Part-1

• مبانی توکنایزر و اسپلیتر (Tokenizer & Splitter 101): بخش ۲ Tokenizer & Splitter 101: Part-2

• مبانی Embeddingها (Embeddings 101) Embeddings 101

• مبانی پایگاه‌های داده برداری (Vector Databases 101) Vector Databases 101

• مبانی جستجوی شباهت/معنایی (Similarity Search 101) Similarity (Semantic) Search 101

• مورد کاربردی پرسش و پاسخ داخلی با RAG پیشرفته: وابستگی‌ها، تنظیمات و فایل‌های ورودی Internal Q/A use case with Advanced RAG Flow: Dependency, Config and Input Files

• افزودن پیکربندی Beanها برای RetrievalAugmentationAdvisor و PgVectorStore Adding Bean configurations for RetrievalAugmentationAdvisor and PgVectorStore

• مورد کاربردی پرسش و پاسخ داخلی با RAG پیشرفته - خط لوله جذب: بخش ۱ Internal Q/A use case with Advanced RAG Flow - Ingestion Pipeline: Part-1

• مورد کاربردی پرسش و پاسخ داخلی با RAG پیشرفته - خط لوله جذب: بخش ۲ Internal Q/A use case with Advanced RAG Flow - Ingestion Pipeline: Part-2

• مورد کاربردی پرسش و پاسخ داخلی - خط لوله بازیابی با فیلترینگ متاداده Internal Q/A use case - Retrieval Pipeline with metadata filtering

• مورد کاربردی پرسش و پاسخ داخلی - افزودن Query transformer به خط لوله بازیابی Internal Q/A use case - Adding Query transformer to Retrieval Pipeline

• مورد کاربردی پرسش و پاسخ داخلی - افزودن Neighbour Stitching به بازیابی: بخش ۱ Internal Q/A use case - Adding Neighbour Stitching to Retrieval Pipeline: Part-1

• مورد کاربردی پرسش و پاسخ داخلی - افزودن Neighbour Stitching به بازیابی: بخش ۲ Internal Q/A use case - Adding Neighbour Stitching to Retrieval Pipeline: Part-2

• مورد کاربردی پرسش و پاسخ داخلی - افزودن Citation Header به خط لوله بازیابی Internal Q/A use case - Adding Citation Header to Retrieval Pipeline

• مورد کاربردی پرسش و پاسخ داخلی - افزودن Query Expander به خط لوله بازیابی Internal Q/A use case - Adding Query Expander to Retrieval Pipeline

• مورد کاربردی پرسش و پاسخ داخلی - افزودن Reranker به خط لوله بازیابی: بخش ۱ Internal Q/A use case - Adding Reranker to Retrieval Pipeline: Part-1

• مورد کاربردی پرسش و پاسخ داخلی - افزودن Reranker به خط لوله بازیابی: بخش ۲ Internal Q/A use case - Adding Reranker to Retrieval Pipeline: Part-2

• مورد کاربردی پرسش و پاسخ داخلی - افزودن متدهای Update/Delete به خط لوله جذب Internal Q/A use case - Adding Update/Delete methods to Ingestion Pipeline

• مورد کاربردی پرسش و پاسخ داخلی - افزودن سرویس Pdf Watcher برای به‌روزرسانی‌های پویا Internal Q/A use case - Adding Pdf Watcher Service for dynamic RAG file updates

• طراحی و پیاده‌سازی خط لوله‌های پیشرفته جذب و بازیابی RAG Designing and implementing an advanced RAG ingestion and retrieval pipelines

• درک نحوه طراحی و پیاده‌سازی یک خط لوله RAG پیشرفته Understanding how to design and implement an advanced RAG pipeline

ایجنت‌های AI: فراخوانی ابزار و گردش‌کارهای زنجیره‌ای AI Agents: Tool Calling and Chained Workflows

• فراخوانی ابزار/تابع (Tool/Function Calling) Tool/Function Calling

• سیستم‌ها و الگوهای ایجنت AI AI Agent Systems & Patterns

• پیاده‌سازی سرویس ذخیره‌سازی فایل برای ابزار دیاگرام Implementing File Storage Service for Diagram Tool

• پیاده‌سازی ابزار دیاگرام در اپلیکیشن ایجنت AI Implementing Diagram Tool in AI Agent application

• پیاده‌سازی سرویس وضعیت (Posture Service) برای ابزار وضعیت Implementing Posture Service for Posture Tool

• پیاده‌سازی ابزار وضعیت در اپلیکیشن ایجنت AI Implementing Posture Tool in AI Agent application

• پیاده‌سازی ابزار وب در اپلیکیشن ایجنت AI: بخش ۱ Implementing Web Tool in AI Agent application: Part-1

• پیاده‌سازی ابزار وب در اپلیکیشن ایجنت AI: بخش ۲ Implementing Web Tool in Agent application: Part-2

• پیاده‌سازی ابزار RAG در اپلیکیشن ایجنت AI Implementing Rag Tool in AI Agent application

• مورد کاربردی بررسی امنیت - پیاده‌سازی ایجنت بررسی امنیت: بخش ۱ Security Review use case - Implementing Security Review AI Agent: Part-1

• مورد کاربردی بررسی امنیت - پیاده‌سازی ایجنت بررسی امنیت: بخش ۲ Security Review use case - Implementing Security Review AI Agent: Part-2

• مورد کاربردی بررسی امنیت - پیاده‌سازی ایجنت بررسی امنیت: بخش ۳ Security Review use case - Implementing Security Review AI Agent: Part-3

• مورد کاربردی بررسی امنیت - پیاده‌سازی سرویس بررسی امنیت Security Review use case - Implementing Security Review Service

• مورد کاربردی بررسی امنیت - پیاده‌سازی Rest controller بررسی امنیت Security Review use case - Implementing Security Review Rest controller

• اجرای کامل (End-to-End) ایجنت بررسی امنیت Running the Security Review AI Agent end to end

• پیاده‌سازی ایجنت AI با گردش‌کار زنجیره‌ای برای مورد بررسی امنیت Implementing a Chain Workflow AI Agent for Security Review use case

• طراحی و پیاده‌سازی یک ایجنت AI Designing and implementing an AI Agent

• درک نحوه طراحی و پیاده‌سازی یک ایجنت AI Understanding how to design and implement an AI Agent

ایجنت‌های AI با حضور انسان در چرخه: توقف و ادامه مبتنی بر چک‌پوینت با ماشین وضعیت Human-in-the-Loop AI Agents: Checkpoint-Based Pause & Resume with State Machine

• مقدمه‌ای بر الگوی حضور انسان در چرخه (Human in the Loop) در ایجنت‌ها Introduction to Human-in-the-Loop Pattern in AI Agents

• ساخت انواع داده‌ها، شمارش‌ها و فایل schema.sql برای حضور انسان در چرخه Creating required types, enumerations and schema.sql file for Human-in-the-loop

• ساخت Prompt Serializer برای استفاده در پایداری وضعیت (State persistence) Creating Prompt Serializer to use in state persistence

• افزودن مکانیزم تلاش مجدد (Retry) برای پاسخ‌های JSON نامعتبر از LLM در مرحله برنامه‌ریزی Adding a retry mechanism for malformed plan json response from LLM in Plan step

• به‌روزرسانی ایجنت گردش‌کار زنجیره‌ای با ماشین وضعیت مبتنی بر چک‌پوینت: بخش ۱ Updating Chained Workflow Agent with checkpoint-based state machine: Part-1

• به‌روزرسانی ایجنت گردش‌کار زنجیره‌ای با ماشین وضعیت مبتنی بر چک‌پوینت: بخش ۲ Updating Chained Workflow Agent with checkpoint-based state machine: Part-2

• ساخت Review State Repository برای ذخیره وضعیت در دیتابیس Postgres Creating Review State Repository to persist the state in Postgres database

• به‌روزرسانی سرویس بررسی امنیت برای پیاده‌سازی حضور انسان در چرخه: بخش ۱ Updating Security Review Service for Human-in-the-loop implementation: Part-1

• به‌روزرسانی سرویس بررسی امنیت برای پیاده‌سازی حضور انسان در چرخه: بخش ۲ Updating Security Review Service for Human-in-the-loop implementation: Part-2

• افزودن نقاط انتهایی (Endpoints) تاییدیه انسانی به کنترلر بررسی امنیت Adding human approval endpoints to Security Review Controller

• اجرای کامل ایجنت بررسی امنیت با حضور انسان در چرخه Running the Security Review AI Agent with Human-in-the-loop end-to-end

• به‌روزرسانی ایجنت AI برای ذخیره وضعیت در هر چک‌پوینت جهت افزایش قابلیت اطمینان Updating AI Agent to persist the state in each checkpoint for reliability

• حضور انسان در چرخه: الگوی توقف و ادامه مبتنی بر چک‌پوینت با ماشین وضعیت Human-in-the-Loop: Checkpoint-Based Pause & Resume pattern with State Machine

• درک الگوی حضور انسان در چرخه در ایجنت‌های AI Understanding Human-in-the-loop pattern in AI Agents

پروتکل MCP (Model Context Protocol) MCP (Model Context Protocol)

• مقدمه‌ای بر پروتکل MCP Introduction to MCP

• تبدیل سرویس وضعیت به یک سرور MCP و تست با MCP Inspector Converting Posture Service into a MCP Server - Testing with MCP Inspector

• ساخت کلاینت MCP در ایجنت AI برای فراخوانی سرور MCP وضعیت: فراخوانی ابزار به ابزار Creating MCP Client in AI Agent to call Posture MCP Server: Tool-to-Tool call

• استفاده از کلاینت MCP در ایجنت AI برای فراخوانی مستقیم سرور MCP راه دور Using MCP Client in AI Agent to call remote Posture MCP Server directly

• استفاده از Streamable Http به جای پروتکل SSE در ارتباطات MCP Using Streamable Http in place of SSE protocol in MCP communication

• استفاده از سرورهای MCP راه دور در Claude Desktop و اپلیکیشن Spring AI Using Remote MCP Servers in Claude Desktop and in Spring AI application

• پیاده‌سازی سرور و کلاینت MCP با استفاده از Spring AI MCP server and client implementations using Spring AI

• درک پروتکل MCP با پیاده‌سازی‌های سرور و کلاینت Understanding MCP protocol with server and client implementations

قابلیت مشاهده در سیستم‌های AI Observability in AI Systems

• مقدمه‌ای بر قابلیت مشاهده (Observability) Introduction to Observability

• اجرای اجزای خارجی Observability با استفاده از Docker Running external Observability components using Docker

• افزودن Observability پایه به مورد کاربردی بررسی امنیت ایجنت AI Adding basic Observability to AI Agent security review use case

• گسترش قابلیت مشاهده در مورد کاربردی بررسی امنیت ایجنت AI Extending Observability of AI Agent security review use case

• استفاده از Trace ID یکسان بین کلاینت MCP و سرور MCP راه دور Using same trace id between MCP Client and remote MCP Server

• استفاده از داشبوردهای Grafana برای لاگ‌ها، تریس‌ها و متریک‌ها Using the Grafana Dashboards for logs, traces and metrics

• استفاده از Jaeger برای تریس‌ها به عنوان ابزار جایگزین Using Jaeger for traces as an alternative tool

• ستون‌های Observability در سیستم‌های AI با استفاده از Spring AI و جاوا The pillars of Observability in AI Systems using Spring AI and Java

• درک قابلیت مشاهده در سیستم‌های AI Understanding Observability in AI Systems

گام‌های بعدی What's next?

• درس جایزه (Bonus) Bonus Lecture