آموزش توسعه اپلیکیشن‌های LLM با LangChain - آخرین آپدیت

مبانی LangChain LangChain Fundamentals

• معرفی تخصص Specialization Introduction

• معرفی دوره Course Introduction

• LangChain چیست و چگونه با LLMها و LCEL کار می‌کند What Is LangChain and how it works with LLMs and LCEL

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

• دمو: نصب و راه‌اندازی محیط LangChain (کولب و API Keyها) Demonstration: Installing and Setting Up LangChain Environment (Colab + API Keys)

• دمو: ساخت اولین زنجیره LLM با استفاده از LCEL Demonstration: Building Your First LLM Chain Using LCEL

• قالب‌های پرامپت و حافظه در LangChain Prompt Templates and Memory in LangChain

• طراحی قالب‌های پرامپت تطبیقی برای کنترل متن و اعتبارسنجی Designing Adaptive Prompt Templates for Context Control and Validation

• دمو: افزودن حافظه گفتگو به زنجیره چت LLM Demonstration: Adding Conversation Memory to an LLM Chat Chain

• دمو: ادغام Pydantic با LCEL برای خروجی‌های ساختاریافته Demonstration: Integrating Pydantic with LCEL for Structured Outputs

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

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

• طراحی جریان‌های کاری استدلال ماژولار در LangChain Designing Modular Reasoning Workflows in LangChain

• دمو: ساخت زنجیره استدلال چند مرحله‌ای برای پرسش و پاسخ (LCEL) Demonstration: Building a Multi-Step Reasoning Chain for QnA (LCEL)

• دمو: تبدیل زنجیره‌ها به LCEL Runnables برای اجرای بهینه Demonstration: Converting Chains to LCEL-Runnables for Efficient Execution

ساخت اپلیکیشن‌های آگاه به متن: RAG و خط لوله‌های مستندات Building Context-Aware Applications - RAG and Document Pipelines

• چرا متن (Context) در پاسخ‌های LLM اهمیت دارد Why Context Matters in LLM Responses

• جایگذاری‌ها (Embeddings)، بردارها و LCEL در RAG Embeddings, Vectors and LCEL in RAG

• دمو: ایجاد Embeddings متنی با استفاده از مدل‌های Hugging Face یا OpenAI Demonstration: Creating Text Embeddings Using Hugging Face or OpenAI Models

• دمو: راه‌اندازی ذخیره‌ساز برداری با FAISS Demonstration: Setting Up a Vector Store with FAISS

• کار با بارگذارهای مستندات و قطعه‌بندی متن (Text Splitters) Working with Document Loaders and Text Splitters

• جریان کاری پردازش و اعتبارسنجی مستندات در LangChain Document Processing and Validation Workflow in LangChain

• دمو: بارگذاری و قطعه‌بندی فایل‌های متنی برای ایندکس‌گذاری Demonstration: Loading and Splitting Text Files for Indexing

• دمو: اعتبارسنجی مستندات با Pydantic و LCEL Demonstration: Validating Documents with Pydantic and LCEL

• طراحی جریان کاری بازیابی (Retrieval) Designing the Retrieval Workflow

• نظارت و ارزیابی در خط لوله‌های RAG با استفاده از LangSmith Observability and Evaluation in RAG Pipelines Using LangSmith

• دمو: ساخت زنجیره از ذخیره‌ساز برداری به بازیاب Demonstration: Building Vector Stores to Retreiver Chain

• دمو: پرس‌وجو از مستندات با یک LLM آگاه به متن Demonstration: Querying Your Documents with a Context-Aware LLM

اتصال عامل‌ها و ابزارها Connecting Agents and Tools

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

• استقرار و مدیریت عامل‌ها از طریق APIهای LangServe Deploying and Managing Agents via LangServe APIs

• دمو: ساخت یک ابزار ساده با استفاده از Agent Demonstration: Creating a Simple Tool-Using Agent

• دمو: افزودن خط لوله RAG به عنوان یک ابزار Demonstration: Adding Your RAG Pipeline as a Tool

• مرور LangGraph: اتصال عامل‌ها با گراف‌های جریان کاری (معرفی کوتاه) LangGraph Overview — Connecting Agents with Workflow Graphs (Brief Introduction)

• اتصال APIها و ردیابی عامل‌ها با LangSmith Connecting APIs and Tracking Agents with LangSmith

• دمو: اتصال به API آب‌وهوا برای به‌روزرسانی‌های لحظه‌ای Demonstration: Connecting to a Weather API for Real-Time Updates

• دمو: ساخت عامل‌های هوشمندتر با حافظه و جریان تصمیم‌گیری (بخش اول) Demonstration: Building Smarter Agents with Memory and Decision Flow - I

• دمو: ساخت عامل‌های هوشمندتر با حافظه و جریان تصمیم‌گیری (بخش دوم) Demonstration: Building Smarter Agents with Memory and Decision Flow - II

• مرور پروژه نهایی و برنامه‌ریزی معماری Capstone Overview and Architecture Planning

• دمو: ساخت عامل‌های مالی AI با پایتون Demonstration: Building AI Financial Agents with Python

• دمو: ابزارهای پیشرفته برای سیستم‌های معاملاتی AI Demonstration: Advanced Tools for AI Trading Systems

• دمو: عامل‌های معاملاتی AI در عمل Demonstration: AI Trading Agents in Action

• دمو: ارکستراسیون AI با پایتون Demonstration: AI Orchestration with Python

• دمو: داشبورد مالی تعاملی AI با Streamlit Demonstration: Interactive AI Financial Dashboard with Streamlit

جمع‌بندی دوره و ارزیابی Course Wrap-Up and Assessment

• خلاصه دوره: ساخت اپلیکیشن‌های LLM با LangChain Course Summary: Building LLM Applications with LangChain