آموزش ساخت اپلیکیشن با هوش مصنوعی: توسعه برنامه‌های مبتنی بر LLM با Streamlit - آخرین آپدیت

مقدمه Introduction

• معرفی GitHub Codespaces GitHub Codespaces

• ساخت اولین اپلیکیشن مبتنی بر LLM با پایتون و Streamlit Build your first LLM-powered app with Python and Streamlit

1. بخش عملی: ساخت زیرساخت اپلیکیشن چت 1. Hands-On: Building the Chat App Foundation

• ساخت اولین اپلیکیشن Streamlit Build your first Streamlit app

• پیاده‌سازی قابلیت‌های چت: افزودن ورودی و نمایش پیام‌ها Build chat features: Add input and display messages

• چرا از Streamlit برای ساخت اپلیکیشن‌های وب هوش مصنوعی استفاده کنیم؟ Why use Streamlit to build AI-powered web apps?

• دستورات پایه Streamlit برای توسعه وب Basic Streamlit commands for web development

2. مبانی مدل‌های زبانی بزرگ (LLM) 2. LLM Foundations

• ذخیره و نمایش تاریخچه چت در اپلیکیشن Save and display chat history in your application

• راهنمای کار با هوش مصنوعی و APIها Guidelines for working with AI and APIs

• تولید تقویت‌شده با بازیابی (RAG) چیست؟ What is retrieval-augmented generation (RAG)?

• ارسال درخواست‌های کاربر به LLM و نمایش پاسخ Send user prompts to an LLM and display the response

• نحوه اتصال به API شرکت OpenAI How to connect to OpenAI API

• مدل‌های زبانی بزرگ (LLMs) چیستند؟ What are large language models (LLMs)?

3. ساخت پایگاه دانش 3. Building Your Knowledge Base

• آماده‌سازی داده‌های متنی برای Embedding Prepare text data for embedding

• استفاده از تابع Query در RAG برای ترکیب جستجو و چت Use the RAG query function to combine search and chat

• پرس‌وجو از پایگاه داده برداری برای یافتن اطلاعات مرتبط Query the vector database to find relevant information

• ساخت پرامپت‌های موثر RAG برای دریافت پاسخ‌های بهتر از LLM Construct effective RAG prompts for better LLM answers

• نحوه عملکرد چت‌بات پرسش و پاسخ اسناد How the document Q&A chatbot works

• معرفی پروژه Explore California Introducing Explore California

• تولید Embedding از متن برای قابلیت جستجو Generate embeddings from text for searchability

• ساخت Vector Store با استفاده از Faiss برای بازیابی سریع Create a Faiss vector store for fast retrieval

4. طراحی رابط کاربری چت‌بات 4. Creating the Chatbot Interface

• طراحی رابط کاربری چت در Streamlit برای تعامل با LLM Create a chat UI in Streamlit for LLM interactions

• تست چت‌بات برای اطمینان از عملکرد روان Test your chatbot to ensure it works smoothly

• نگهداری و بهبود چت‌بات Maintain and improve your chatbot

• مدیریت صحیح خطاها در چت‌بات Handle errors gracefully with your chatbot

• استقرار رایگان چت‌بات در Streamlit Community Cloud Deploy your chatbot to Streamlit Community Cloud for free

• ارائه بازخوردهای واضح و مفید به کاربران Provide clear and helpful feedback to users

• ادغام خط لوله RAG در اپلیکیشن Streamlit Integrate the RAG pipeline into your Streamlit app

جمع‌بندی Conclusion

• گام‌های بعدی Next steps