آموزش ساخت اپلیکیشن با LLMها: مهندسی پرامپت و پروژه‌های واقعی هوش مصنوعی - آخرین آپدیت

مفاهیم بنیادی: سازوکارهای داخلی LLMها Core Concepts: The Inner Workings of LLMs

• مرور کلی بخش Section Overview

• درک توکن‌سازی (Tokenization) Understanding Tokenization

• آزمایشگاه عملی: بررسی توکن‌سازی Practical Lab: Exploring Tokenization

• آزمایشگاه عملی: مفاهیم پیشرفته توکن‌سازی Practical Lab: Advanced Tokenization Concepts

• نقش احتمالات لگاریتمی در تولید متن The Role of Log Probabilities in Text Generation

• آزمایشگاه عملی: شبیه‌سازی تولید جمله Practical Lab: Simulating Sentence Generation

• پنجره زمینه (Context Window) و محدودیت‌های آن The Context Window and Its Limitations

• اجزای کلیدی هزینه‌های استفاده از API Key Components of API Usage Costs

• آزمایشگاه عملی: محاسبه هزینه‌های API Practical Lab: Calculating API Costs

• آزمایشگاه عملی: تحلیل پیشرفته هزینه‌ها Practical Lab: Advanced Cost Analysis

• بررسی کلاس‌های مختلف مدل‌های زبانی Exploring Different Classes of Language Models

• اهمیت نقش‌های سیستم، کاربر و دستیار The Importance of System, User, and Assistant Roles

• آزمایشگاه عملی: طراحی پرامپت‌های سیستمی موثر Practical Lab: Crafting Effective System Prompts

الگوهای بنیادی مهندسی پرامپت Foundational Prompt Engineering Patterns

• مرور کلی بخش Section Overview

• کالبدشناسی یک پرامپت: دستورالعمل‌ها، زمینه و محدودیت‌ها The Anatomy of a Prompt: Instructions, Context, and Constraints

• آزمایشگاه عملی: ساخت یک پرامپت ساختاریافته Practical Lab: Building a Structured Prompt

• استفاده از جداکننده‌ها (Delimiters) برای ساختاردهی به پرامپت‌ها Using Delimiters to Structure Prompts

• بازنویسی پرامپت با استفاده از جداکننده‌ها Refactoring a Prompt with Delimiters

• آزمایشگاه عملی: به‌کارگیری موثر جداکننده‌ها Practical Lab: Applying Delimiters Effectively

• تعیین پرسونا برای دریافت پاسخ‌های هدفمند Setting Personas for Targeted Responses

• آزمایشگاه عملی: پیاده‌سازی الگوی پرسونا Practical Lab: Implementing the Persona Pattern

• آزمایشگاه عملی: تعیین دستورالعمل‌های رفتاری شفاف برای هوش مصنوعی Practical Lab: Setting Clear Behavioral Guidelines for the AI

• مطالعه موردی: ایجاد پرسونا برای مدیر پایگاه داده Case Study: Creating a Database Administrator Persona

• بهبود دقت با استفاده از Few-Shot Prompting Improving Accuracy with Few-Shot Prompting

• آزمایشگاه عملی: پیاده‌سازی نمونه‌های Few-Shot Practical Lab: Implementing Few-Shot Examples

• استراتژی‌های کنترل فرمت خروجی Strategies for Controlling Output Format

• تکنیک‌های پیشرفته فرمت‌بندی خروجی Advanced Output Formatting Techniques

• تشویق به استدلال با Chain of Thought Encouraging Reasoning with Chain-of-Thought

• آزمایشگاه عملی: به‌کارگیری پرامپت‌نویسی زنجیره افکار Practical Lab: Applying Chain-of-Thought Prompting

• سازماندهی اطلاعات با الگوی قالب (Template Pattern) Organizing Information with the Template Pattern

• آزمایشگاه عملی: ساخت و استفاده از قالب‌های پرامپت Practical Lab: Building and Using Prompt Templates

ماژول پروژه ۲: پیام‌های کامیت گیت با هوش مصنوعی Project Module #2: AI-Powered Git Commit Messages

• مرور کلی و اهداف ماژول Module Overview and Goals

• راه‌اندازی ساختار اولیه برای قابلیت کامیت Setting Up the Boilerplate for the Commit Feature

• بازیابی برنامه‌نویسی شده Diffهای گیت Programmatically Retrieving Git Diffs

• طراحی قالب‌های پرامپت برای پیام‌های کامیت Designing Prompt Templates for Commit Messages

• ساخت منطق اصلی برای کامیت‌های هوش مصنوعی Building the Core Logic for AI Commits

• افزودن مرحله بررسی و ویرایش توسط کاربر Adding a User Review and Edit Step

• بهبود مجموعه تست برای قابلیت کامیت Enhancing the Test Suite for the Commit Feature

• یکپارچه‌سازی سیستم ثبت وقایع (Logging) قدرتمند Integrating Robust Logging

• فعال‌سازی انتخاب مدل از طریق CLI Enabling Model Selection via the CLI

• مستندسازی قابلیت کامیت هوشمند Documenting the Smart Commit Feature