آموزش فراتر از مبانی: ساخت اپلیکیشن‌های هوش مصنوعی مولد با جاوا و LangChain4j - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• هوش مصنوعی مولد جاوا با LangChain4j: فقط آن را اجرا کنید! Java GenAI with LangChain4j: Just make it work!

1. هوش مصنوعی مولد و بررسی مقدماتی LangChain4j 1. Generative AI and Basic LangChain4j Review

• بررسی یک اپلیکیشن LLM بدون زمینه محتوایی A look at an LLM app without context

• الگوها، تاکسونومی و فناوری اطلاعات غیرقطعی Patterns, taxonomy, and non-deterministic IT

• ماهیت حیاتی زمینه محتوایی (Context) The critical nature of context

• تمرین عملی: ساخت یک اپلیکیشن ساده با زمینه محتوایی Hands-on lab: Build a simple app with context

• پرامپت‌ها و تکنیک‌های پرامپت‌نویسی Prompts and prompt techniques

2. پرامپت‌نویسی پیشرفته با استفاده از قالب‌ها 2. Advanced Prompting with Templates

• نحو و کاربرد PromptTemplate PromptTemplate usage and syntax

• تمرین عملی: ساخت یک قالب پیشرفته Hands-on lab: Build an advanced template

• بررسی قالب پرامپت برای خلاصه‌سازی متن A look at a prompt template with text summarization

• تزریق پارامتر و قالب‌بندی جای‌گذارها Parameter injection and placeholder formatting

3. اجزای سطح بالا با سرویس‌های LangChain4 3. Higher-Level Components with LangChain4 Services

• تمرین عملی: سرویس AiService چندکاربره Hands-on lab: Multiuser AiService

• چت چندکاربره Multiuser chat

• تمرین عملی: AiService ساده برای کامپوننت چت‌بات Hands-on lab: Simple AiService for chatbot component

• بررسی معماری چت‌بات Review of chatbot architecture

• آشنایی با AiService در LangChain4j Introduction to LangChain4j’s AiService

• بررسی چت‌بات چندکاربره با زمینه محتوایی مکالمه‌ای A look at a multi-user chatbot with conversational context

4. استریم کردن پاسخ‌های مدل‌های زبانی (LLM) 4. Streaming LLM Responses

• تمرین عملی: افزودن قابلیت استریم به چت‌بات Hands-on lab: Adding streaming to chatbot

• استریم با استفاده از CompletableFuture Streaming with CompletableFuture

• مزایای خروجی استریم Benefits of streaming output

• پیاده‌سازی استریم با LangChain4j Implementing streaming with LangChain4j

• بررسی خروجی استریم تولید شده توسط LLM A look at streaming output generated by an LLM

5. بهبود زمینه‌ی محتوایی (Context) 5. Improving Context

• تمرین عملی: مقایسه دو رشته متنی از طریق Embeddingها Hands-on lab: Comparing two strings via their embeddings

• تولید Embeddingها با استفاده از LangChain4j Generating embeddings using LangChain4j

• مرور سریع RAG، شباهت و Embeddingها Quick review of RAG, similarity, and embeddings

• بررسی تعیین شباهت رشته‌های متنی A look at determining similarity of text strings

6. ذخیره‌سازهای برداری Embedding 6. Embedding Vector Stores

• بررسی جستجو برای متون مشابه A look at searching for similar text

• جستجو در فضای Embedding Searching an embedding space

• استفاده از EmbeddingStore برای ذخیره Embeddingها Using an EmbeddingStore to store embeddings

7. ساخت یک چت‌بات پایه با متد RAG 7. Building a Basic RAG Chatbot

• جستجوی معنایی (Semantic Searching) Semantic searching

• بررسی دقیق معماری جذب داده در LangChain4j Detailed look at LangChain4j's data ingestion architecture

• تمرین عملی: ایجاد یک RAG کوچک با استفاده از چندین فایل Hands-on lab: Creating a mini RAG using multiple files

• بارگذاری محتوا در EmbeddingStore Loading content into an EmbeddingStore

• بررسی جستجوی متون مشابه در اسناد خصوصی A look at searching for similar text in our private documents

8. آشنایی با ایجنت‌ها (Agents) 8. Introduction to Agents

• بررسی نحوه فراخوانی متدهای جاوا توسط LLMها A look at how LLMs can call our Java methods

• ایجنت‌ها و LangChain4j Agents and LangChain4j

• فراخوانی توابع (Function Calling) Function-calling

• ابزارهای اولیه (Primitives) در LangChain4j LangChain4j's tool primitives

• تمرین عملی: استفاده از ابزارها با یک AiService ساده Hands-on lab: Using tools with a simple AiService

جمع‌بندی Conclusion

• مرور نهایی و نکات کلیدی Review and key takeaways