آموزش ساخت اپلیکیشن‌های LLM با ابزارها و بازیابی داده‌ها (RAG) - آخرین آپدیت

فراخوانی APIهای LLM در ارائه‌دهندگان مختلف Calling LLM APIs Across Providers

• معرفی تخصصی دوره Specialization Introduction

• معرفی کلی دوره Course Introduction

• بررسی بصری چشم‌انداز APIهای LLM The LLM API Landscape: A Visual Walkthrough

• راه‌اندازی پروژه پایتون، کلیدهای API و SDK مدل Groq Setting Up a Python Project, API Keys, and the Groq API SDK

• فراخوانی Gemini، Groq، OpenRouter و MiniMax M3 از یک کدبیس واحد Calling Gemini, Groq, OpenRouter, and MiniMax M3 from One Codebase

کنترل‌های تولید، خروجی‌های ساختاریافته و فراخوانی ابزارها Generation Controls, Structured Outputs, and Tool Calling

• پارامترهای کلیدی پیکربندی: Temperature، Top_P، Max_Tokens، توالی‌های توقف (Stop Sequences) Key Configuration Parameters: Temperature, Top_P, Max_Tokens, Stop Sequences

• تکنیک‌های استنباط (Inference) و نمونه‌برداری: مقدمه Inference and Sampling Techniques: An Introduction

• بررسی رفتار مدل با استفاده از Temperature و نمونه‌برداری Inspecting Behaviour with Temperature and Sampling

• کنترل خروجی با Max Tokens، توالی‌های توقف و Top p Controlling Output with Max Tokens, Stop Sequences, and Top-p

• مدیریت توکن‌ها و پنجره کانتکست (Context Window) Managing Token and Context Window

• استریمینگ پاسخ‌ها و اندازه‌گیری مصرف توکن و هزینه Streaming Responses and Measuring Token Usage and Cost

• اتصال مدل‌ها به اپلیکیشن‌ها Wiring Models Into Applications

• دریافت JSON معتبر بر اساس طرح (Schema) با خروجی‌های ساختاریافته Getting Schema-Valid JSON with Structured Outputs

• ارائه توابع پایتون به مدل با استفاده از Tool Calling Exposing Python Functions to a Model with Tool Calling

ارکستریشن با LangChain و LlamaIndex Orchestration with LangChain and LlamaIndex

• چارچوب‌های ارکستریشن: راهنمای بصری LangChain و LlamaIndex Orchestration Frameworks: A Visual Guide to LangChain and LlamaIndex

• چیست LangChain و نحوه کارکرد آن با LLMها و LCEL What Is LangChain and how it works with LLMs and LCEL

• درک جریان کاری و معماری LangChain Understanding the LangChain Workflow and Architecture

• زبان اکسپرشن LangChain (LCEL): ساخت جریان‌های کاری AI قابل اجرا LangChain Expression Language (LCEL): Building Runnable AI Workflows

• درک LCEL و Runnables در LangChain Understanding LCEL and Runnables in LangChain

• ترکیب اولین زنجیره شما با زبان اکسپرشن LangChain Composing Your First Chain with LangChain Expression Language

• ساخت با LangChain: زنجیره‌ها، ایجنت‌ها، ابزارها و حافظه Building With LangChain: Chains, Agents, Tools, Memory

• انواع زنجیره در LangChain: متوالی، روتور و سفارشی Chain Types in LangChain — Sequential, Router and Custom

• ایجنت‌ها چیستند و چگونه از ابزارها استفاده می‌کنند What Are Agents and How They Use Tools

• دادن دسترسی به ابزارها برای یک زنجیره Giving a Chain Access to Tools

• الگوهای پرامپت (Prompt Templates) و حافظه در LangChain Prompt Templates and Memory in LangChain

• مدیریت حافظه گفتگو با LangChain Managing Conversation Memory with LangChain

• کار با LlamaIndex: وارد کردن اسناد، ساخت ایندکس و پرس‌وجو Working With LlamaIndex: Document Ingestion, Index Building, Querying

• ایندکس‌گذاری داده‌ها و ارکستریشن جریان کاری Data Indexing and Workflow Orchestration

• ساخت زنجیره‌ها و ایجنت‌ها Building Chains and Agents

• ایندکس‌گذاری با LlamaIndex Indexing with LlamaIndex

• استفاده از APIهای خارجی و ابزارها به عنوان ایجنت Using External APIs and Tools as Agents

• ادغام داده‌های خارجی در ایجنت‌های AI Integrating External Data into AI Agents

امبدینگ‌ها، دیتابیس‌های برداری و جستجوی شباهت Embeddings, Vector Databases, and Similarity Search

• از پرامپتینگ به بازیابی: RAG چگونه LLMها را مستند می‌کند From Prompting to Retrieval: How RAG Grounds LLMs

• چرا کانتکست در پاسخ‌های LLM اهمیت دارد Why Context Matters in LLM Responses

• امبدینگ‌های متنی: نمایش معنا در مدل‌های امبدینگ Text Embeddings: Representing Meaning in Embedding Models

• اهمیت امبدینگ‌ها در طراحی سیستم‌های بازیابی Importance of Embeddings in Retrieval System Design

• تولید امبدینگ‌های متنی با یک مدل امبدینگ Generating Text Embeddings with an Embedding Model

• امبدینگ‌ها، بردارها و LCEL در RAG Embeddings, Vectors and LCEL in RAG

• درک امبدینگ‌های متنی و جستجوی شباهت Understanding Text Embeddings and Similarity Search

• اندازه‌گیری شباهت معنایی در فضای برداری Measuring Semantic Similarity in Vector Space

• دیتابیس‌های برداری: ذخیره و بازیابی امبدینگ‌ها Vector Databases: Storing and Retrieving Embeddings

• جستجوی شباهت و ایندکس‌گذاری برداری Similarity Search and Vector Indexing

• ChromaDB: کالکشن‌ها، ذخیره‌سازی اسناد و امبدینگ‌ها ChromaDB: Collections, Document and Embedding Storage

• عملیات CRUD و فیلتر کردن متا‌دیتا با ChromaDB CRUD and Metadata Filtering with ChromaDB

• Pinecone و Weaviate: مقدمه Pinecone and Weaviate: An Introduction

• کار با دیتابیس‌های برداری مدیریت‌شده: Pinecone و Weaviate Working with Managed Vector Databases — Pinecone and Weaviate

• جستجوی تقریبی نزدیک‌ترین همسایه و تنظیم ایندکس (HNSW, IVF) Approximate Nearest-Neighbour Search and Index Tuning (HNSW, IVF)

ساخت خط لوله بازیابی پیشرفته (RAG Pipeline) Building a Retrieval-Augmented Pipeline

• معماری RAG: راهنمای بصری RAG Architecture: A Visual Guide

• لودرهای اسناد (Document Loaders): یک بررسی کلی Document Loaders: An Overview

• کار با لودرهای اسناد و تکه‌تکه‌کننده‌های متنی (Text Splitters) Working with Document Loaders and Text Splitters

• تکه‌تکه کردن و پاک‌سازی اسناد برای ایندکس‌گذاری Splitting and Cleaning Documents for Indexing

• استراتژی‌های تکه‌تکه کردن برای کیفیت بازیابی بهتر Chunking Strategies for Better Retrieval Quality

• طراحی جریان کاری بازیابی Designing the Retrieval Workflow

• خط لوله‌های بازیابی در سیستم‌های RAG Retrieval Pipelines in RAG Systems

• اتصال استورهای برداری به LLMها Connecting Vector Stores to LLMs

• ساخت بازیاب (Retriever) و زنجیره بازیابی Building the Retriever and Retrieval Chain

• توهمات (Hallucinations) به عنوان یک مشکل بازیابی Hallucinations as a Retrieval Problem

• طراحی پرامپت‌های بازیابی مستند با ارجاع و پاسخ‌های ایمن «پاسخ نمی‌دانم» Designing Grounded Retrieval Prompts with Citations and Safe No-Answer Responses

ساخت اپلیکیشن LLM ابزار-محور و مبتنی بر بازیابی Building a Tool-Using, Retrieval-Backed LLM Application

• ادغام API، تنظیم پارامترها و ساخت زنجیره‌های چند مرحله‌ای API Integration, Parameter Tuning and Building Multi-Step Chain

• ساخت اپلیکیشن LLM با ادغام ابزارها Building an LLM Application with Tool Integration

• جمع‌بندی دوره Course Summary