آموزش 2025 Master Langchain و Ollama - Chatbot، RAG و Agents

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• Requirements.txt را نصب کنید [باید] Install Requirements.txt [MUST]

راه اندازی اولاما Ollama Setup

• اوللاما را نصب کنید Install Ollama

• Base را با اولاما لمس کنید Touch Base with Ollama

• در حال بازرسی مدل LLAMA 3.2 Inspecting LLAMA 3.2 Model

• بررسی اجمالی معیار LLAMA 3.2 LLAMA 3.2 Benchmarking Overview

• چه نوع مدل هایی در اولاما موجود است What Type of Models are Available on Ollama

• دستورات اوللاما - سرور اوللاما، نمایش اوللاما Ollama Commands - ollama server, ollama show

• دستورات اولاما - olama pull، olama list، ollama rm Ollama Commands - ollama pull, ollama list, ollama rm

• دستورات اولاما - olama cp، olama run، olama ps، olama stop Ollama Commands - ollama cp, ollama run, ollama ps, ollama stop

• مدل اوللاما را با تنظیمات از پیش تعریف شده ایجاد و اجرا کنید Create and Run Ollama Model with Predefined Settings

• دستورات مدل اوللاما -/show Ollama Model Commands - /show

• دستورات مدل Ollama -/set،/clear،/save_model و/load_model Ollama Model Commands - /set, /clear, /save_model and /load_model

• درخواست های Ollama Raw API Ollama Raw API Requests

• بارگذاری مدل‌های بدون مجوز برای تولید محتوای ممنوعه [فقط با هدف آموزشی] Load Uncesored Models for Banned Content Generation [Only Educational Purpose]

شروع کار با Langchain Getting Started with Langchain

• معرفی Langchain Langchain Introduction

• نصب و راه اندازی Lanchain Lanchain Installation

• لنگسمیت راه اندازی قابلیت مشاهده LLM Langsmith Setup of LLM Observability

• فراخوانی اولین Langchain Ollama API شما Calling Your First Langchain Ollama API

• تولید محتوای بدون سانسور در Langchain [هدف آموزشی] Generating Uncensored Content in Langchain [Educational Purpose]

• خروجی ورودی LLM را در لنگسمیت ردیابی کنید Trace LLM Input Output at Langsmith

• در Langchain بسیار عمیق تر می شوید Going a lot Deeper in the Langchain

الگوهای درخواست چت Chat Prompt Templates

• چرا ما به الگوی سریع نیاز داریم Why We Need Prompt Template

• نوع پیام های مورد نیاز برای LLM Type of Messages Needed for LLM

• حلقه بازگشت به ChatOllama Circle Back to ChatOllama

• از انواع پیام Langchain با ChatOllama استفاده کنید Use Langchain Message Types with ChatOllama

• الگوهای اعلان Langchain Langchain Prompt Templates

• الگوهای درخواستی با ChatOllama Prompt Templates with ChatOllama

زنجیر Chains

• مقدمه ای بر LCEL Introduction to LCEL

• اولین زنجیره LCEL خود را ایجاد کنید Create Your First LCEL Chain

• اضافه کردن StrOutputParser با زنجیره شما Adding StrOutputParser with Your Chain

• Chaining Runnables (Chain Multiple Runnable) Chaining Runnables (Chain Multiple Runnables)

• زنجیر را به صورت موازی اجرا کنید قسمت 1 Run Chains in Parallel Part 1

• زنجیر را به صورت موازی اجرا کنید قسمت 2 Run Chains in Parallel Part 2

• مسیریاب زنجیره ای چگونه کار می کند How Chain Router Works

• ایجاد زنجیره های مستقل برای بررسی های مثبت و منفی Creating Independent Chains for Positive and Negative Reviews

• نسل پاسخ خود را به زنجیره صحیح هدایت کنید Route Your Answer Generation to Correct Chain

• RunnableLambda و RunnablePassthrough چیست What is RunnableLambda and RunnablePassthrough

• زنجیره قابل اجرا سفارشی خود را بسازید Make Your Custom Runnable Chain

• ایجاد زنجیره سفارشی با دکوراتور زنجیره ای Create Custom Chain with chain Decorator

تجزیه خروجی Output Parsing

• تجزیه خروجی چیست؟ What is Output Parsing

• Pydantic Parser چیست؟ What is Pydantic Parser

• دستورالعمل تجزیه کننده Pydantic را دریافت کنید Get Pydantic Parser Instruction

• تجزیه خروجی LLM با استفاده از تجزیه کننده Pydantic Parse LLM Output Using Pydantic Parser

• تجزیه با متد «.with_structured_output()». Parsing with `.with_structured_output()` method

• تجزیه کننده خروجی JSON JSON Output Parser

• تجزیه خروجی CSV - CommaSeparatedListOutputParser CSV Output Parsing - CommaSeparatedListOutputParser

• تجزیه خروجی تاریخ Datetime Output Parsing

حافظه پیام چت | چگونه تاریخچه چت را نگه داریم Chat Message Memory | How to Keep Chat History

• نحوه ذخیره و بارگیری تاریخچه پیام چت (مفهوم) How to Save and Load Chat Message History (Concept)

• راه اندازی زنجیره ساده Simple Chain Setup

• پیام چت با تاریخچه قسمت 1 Chat Message with History Part 1

• پیام چت با تاریخچه قسمت 2 Chat Message with History Part 2

• چت پیام با سابقه با استفاده از MessagesPlaceholder Chat Message with History using MessagesPlaceholder

اپلیکیشن چت بات خود را بسازید Make Your Own Chatbot Application

• مقدمه Introduction

• مقدمه ای بر Streamlit و برنامه چت ما Introduction To Streamlit and Our Chat Application

• راه اندازی کد اصلی ربات چت Chat Bot Basic Code Setup

• ایجاد تاریخچه چت در وضعیت جلسه Streamlit Create Chat History in Streamlit Session State

• با Streamlit ناحیه ورودی چت LLM ایجاد کنید Create LLM Chat Input Area with Streamlit

• گپ تاریخی را در رابط کاربری Streamlit به‌روزرسانی کنید Update Historical Chat on Streamlit UI

• برنامه ربات چت خود را تکمیل کنید Complete Your Own Chat Bot Application

• خروجی ربات چت خود را مانند ChatGPT پخش کنید Stream Output of Your Chat Bot like ChatGPT

لودرهای سند | پروژه ها بر روی اسناد PDF Document Loaders | Projects on PDF Documents

• مقدمه ای بر بارگذار اسناد PDF Introduction to PDF Document Loaders

• یک سند PDF را با PyMuPDFLoader بارگیری کنید Load Single PDF Document with PyMuPDFLoader

• همه فایل های PDF را از یک فهرست بارگیری کنید Load All PDFs from a Directory

• همه داده های PDF را به عنوان متن متن ترکیب کنید Combine All PDFs Data as Context Text

• چند توکن در داده های Contex وجود دارد. How Many Tokens are There in Contex Data.

• قالب‌ها و زنجیره‌های پاسخ سؤال را بسازید Make Question Answer Prompt Templates and Chain

• پروژه 1 - از اسناد PDF خود سؤال بپرسید Project 1 - Ask Questions from Your PDF Documents

• پروژه 2 - اسناد PDF خود را خلاصه کنید Project 2 - Summarize Your PDF Documents

• پروژه 3 - ایجاد گزارش ساختاری دقیق از اسناد PDF Project 3 - Generate Detailed Structured Report from the PDF Documents

لودرهای سند | پروژه تولید گزارش اخبار بورس Document Loaders | Stock Market News Report Generation Project

• مقدمه ای بر لودر صفحات وب Introduction to Webpage Loaders

• بارگذاری داده های بازار سهام بدون ساختار Load Unstructured Stock Market Data

• LLM QnA Script بسازید Make LLM QnA Script

• فراموشی فاجعه بار LLM Catastrophic Forgetting of LLM

• داده های متن بزرگ را به قطعات تقسیم کنید Break Down Large Text Data Into Chunks

• ایجاد خلاصه اخبار بازار سهام برای هر تکه Create Stock Market News Summary for Each Chunks

• گزارش نهایی بازار سهام را تهیه کنید Generate Final Stock Market Report

لودرهای سند | مایکروسافت آفیس فایل خوان و پروژه ها Document Loaders | Microsoft Office Files Reader and Projects

• مقدمه ای بر داده های بدون ساختار Introduction to Unstructured Data Loader

• داده های PPTX. را با DataLoader بارگیری کنید Load .PPTX Data with DataLoader

• پردازش داده های PPTX. برای LLM Process .PPTX data for LLM

• اسکریپت بلندگو برای ارائه .PPTX خود ایجاد کنید Generate Speaker Script for Your .PPTX Presentation

• بارگیری و تجزیه داده های اکسل برای LLM Loading and Parsing Excel Data for LLM

• برای داده های اکسل از LLM سؤال بپرسید Ask Questions from LLM for given Excel Data

• سند .DOCX را بارگیری کنید و ایمیل شغلی شخصی شده بنویسید Load .DOCX Document and Write Personalized Job Email

لودرهای سند | رونوشت های ویدیویی YouTube و تولید کننده کلمات کلیدی SEO Document Loaders | YouTube Video Transcripts and SEO Keywords Generator

• زیرنویس ویدیوی یوتیوب را بارگیری کنید Load YouTube Video Subtitles

• زیرنویس ویدیوی YouTube را در 10 دقیقه بارگیری کنید Load YouTube Video Subtitles in 10 Mins Chunks

• کلمات کلیدی YouTube را از رونوشت ها ایجاد کنید Generate YouTube Keywords from the Transcripts

وکتور فروشگاه ها و بازیابی ها Vector Stores and Retrievals

• مقدمه ای بر پروژه RAG Introduction to RAG Project

• مقدمه ای بر FAISS و پایگاه داده کروما وکتور Introduction to FAISS and Chroma Vector Database

• بارگیری تمام اسناد PDF Load All PDF Documents

• شکاف متن بازگشتی برای ایجاد تکه اسناد Recursive Text Splitter to Create Documents Chunk

• انتخاب اندازه قطعه چقدر مهم است؟ How Important Chunk Size Selection is?

• OlamaEmbeddings را دریافت کنید Get OllamaEmbeddings

• نمایه سازی اسناد در پایگاه داده برداری Document Indexing in Vector Database

• نحوه ذخیره و جستجو در پایگاه داده برداری How to Save and Search Vector Database

RAG | پاسخ سوال بر روی داده های مکمل های بهداشتی RAG | Question Answer Over the Health Supplements Data

• بارگذاری پایگاه داده برداری برای RAG Load Vector Database for RAG

• وکتور استور را به عنوان رتریور دریافت کنید Get Vector Store as Retriever

• کاوش انواع جستجوی شباهت با Retriever Exploring Similarity Search Types with Retriever

• الگوی RAG Prompt را طراحی کنید Design RAG Prompt Template

• ساخت زنجیره RAG LLM Build LLM RAG Chain

• تنظیم سریع و ایجاد پاسخ از زنجیره RAG Prompt Tuning and Generate Response from RAG Chain

فراخوانی ابزار و تابع Tool and Function Calling

• Tool Calling چیست What is Tool Calling

• ابزارهای جستجوی موجود در Langchain Available Search Tools at Langchain

• ابزارهای سفارشی خود را ایجاد کنید Create Your Custom Tools

• اتصال ابزارها با LLM Bind tools with LLM

• کار با Tavily و DuckDuckGo ابزارهای جستجو Working with Tavily and DuckDuckGo Search Tools

• کار با Wikipedia و PubMed Tools Working with Wikipedia and PubMed Tools

• ایجاد توابع ابزار برای ابزارهای داخلی Creating Tool Functions for In-Built Tools

• Calling Tools با LLM Calling Tools with LLM

• ارسال نتیجه فراخوانی ابزار به LLM قسمت 1 Passing Tool Calling Result to LLM Part 1

• ارسال نتیجه فراخوانی ابزار به LLM قسمت 2 Passing Tool Calling Result to LLM Part 2

عوامل Agents

• چگونه نماینده کار می کند How Agent Works

• آماده سازی ابزار برای عامل Tools Preparation for Agent

• اطلاعات بیشتر درباره فرآیند کاری نماینده More About the Agent Working Process

• انتخاب Prompt for Agent Selection of Prompt for Agent

• عامل در عمل Agent in Action

ارسال متن به پرس و جوهای MySQL | با و بدون نماینده Text to MySQL Queries | With and Without Agents

• ایجاد اتصال MySQL با سرور محلی Create MySQL Connection with Local Server

• MySQL Execution Chain را دریافت کنید Get MySQL Execution Chain

• پرس و جوهای MySQL نادرست را با استفاده از LLM تصحیح کنید Correct Malformed MySQL Queries Using LLM

• اجرای زنجیره پرس و جو MySQL MySQL Query Chain Execution

• اجرای پرس و جو MySQL با Agents در LangGraph MySQL Query Execution with Agents in LangGraph

خراش دادن پروفایل لینکدین با استفاده از LLM LinkedIn Profile Scraping Using LLM

• مقدمه Introduction

• مقدمه ای بر اسکرپینگ پروفایل لینکدین Introduction to LinkedIn Profile Scraping

• مقدمه ای بر سلنیوم و سوپ زیبا bs4 Introduction to Selenium and BeautifulSoup bs4

• راه اندازی نوت بوک کد Code Notebook Setup

• ورود خودکار به LinkedIn با استفاده از ابزار Selenium Web Driver Tool Automated Login to LinkedIn Using Selenium Web Driver Tool

• اطلاعات منبع پروفایل لینکدین را با BeautifulSoup بارگیری کنید Load LinkedIn Profile Source Data with BeautifulSoup

• بخش داده های پروفایل را به طور عاقلانه دریافت کنید Get the Profile Data Section wise

• تمیز کردن متن برای LLM Text Cleaning for LLM

• اولین بخش و محدودیت های LLAMA یا هر مدل کوچکتر خود را تجزیه کنید Parse Your First Section and Limits of LLAMA or Any Smaller Models

• بخش داده های لینکدین را عاقلانه تجزیه کنید Parse LinkedIn Data Section wise

• تجزیه لینکدین را با استفاده از دومین تماس LLM درست کنید Correct LinkedIn Parsing using Second LLM Call

از سرگیری تجزیه با LLM Resume Parsing with LLM

• مقدمه ای بر تجزیه رزومه Introduction to Resume Parsing

• اطلاعات رزومه را بخوانید و متن و سوال را آماده کنید Read Resume Data and Prepare Context and Question

• خط لوله تجزیه و اعتبارسنجی LLM را آماده کنید Prepare Parsing and Validation LLM Pipeline

• هر داده رزومه را در فایل JSON تجزیه و اعتبارسنجی کنید Parse and Validate Any Resume Data into JSON file

• ایجاد Resume Parsing Streamlit Application Make Resume Parsing Streamlit Application

• هر نوع رزومه ای را با LLM و برنامه Streamlit تجزیه کنید Parse Any Type of Resume with LLM and Streamlit Application

استقرار Resume Parser LLM Application در تولید Deploy Resume Parser LLM Application in Production

• Deep Learning AWS EC2 Ubuntu Machine را راه اندازی کنید Launch Deep Learning AWS EC2 Ubuntu Machine

• نصب Olama و Langchain روی سرور EC2 Installing Ollama and Langchain on EC2 Server

• کد VS خود را با سرور EC2 از راه دور متصل کنید Connect Your VS Code with Remote EC2 Server

• برنامه LLM را بر روی سرور مستقر کنید Deploy LLM Application on the Server