آموزش ادغام حرفه ای مدل های زبانی بزرگ (LLM) با لنگ چین (LangChain): ساخت راهکارهای هوش مصنوعی هوشمندتر - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• مخزن گیت برای دموها Git Repository for Demos

• سخنرانی‌های پایه Foundation Lectures

• شروع کار با LangChain: چارچوبی برای برنامه‌های هوش مصنوعی هوشمندتر Getting Started with LangChain: A Framework for Smarter AI Apps

• اجزای LangChain: بلوک‌های سازنده گردش‌کارهای مبتنی بر هوش مصنوعی LangChain Components: Building Blocks of AI-Powered Workflows

• کاربردهای LangChain در دنیای واقعی: هوش مصنوعی در عمل Real-World LangChain Applications: AI in Action

راه‌اندازی Setup

• راه‌اندازی LangChain: اولین قدم به سوی توسعه هوش مصنوعی Setting Up LangChain: Your First Step Towards AI Development

• راه‌اندازی Conda برای LangChain: مدیریت آسان محیط‌ها Conda Setup for LangChain: Managing Environments Easily

• اجرای اولین برنامه LangChain و دیدن هوش مصنوعی در عمل Run Your First LangChain Program & See AI in Action

• Ollama 101: مقدمه‌ای بر استقرار مدل هوش مصنوعی محلی Ollama 101: An Intro to Local AI Model Deployment

• راه‌اندازی Ollama: اجرای مدل‌های هوش مصنوعی بدون ابر Setting Up Ollama: Running AI Models Without the Cloud

• Ollama و LangChain: یکپارچه‌سازی یکپارچه LLM برای هوش مصنوعی هوشمندتر Ollama & LangChain: Seamless LLM Integration for Smarter AI

• ادغام LangChain و Ollama با هم: راهنمای عملی یکپارچه‌سازی Bringing LangChain & Ollama Together: Hands-on Integration Guide

• کاوش در اکوسیستم LangChain: ابزارها، ویژگی‌ها و قابلیت‌ها Exploring the LangChain Ecosystem: Tools, Features & Capabilities

بارکننده‌های سند Document Loaders

• مقدمه به بارکننده‌های سند: تغذیه هوش مصنوعی با داده‌های مناسب Intro to Document Loaders: Feeding AI the Right Data

• بارگذار PDF: استخراج بینش از فایل‌های PDF PDF Loader: Extracting Insights from PDF Files

• بارگذارهای CSV و JSON: ساختاردهی داده‌های سازگار با هوش مصنوعی CSV & JSON Loaders: Structuring AI-Friendly Data

• مدیریت اسناد بدون ساختار: درک متن خام Handling Unstructured Documents: Making Sense of Raw Text

• بارگذار دایرکتوری: مدیریت چندین فایل برای پردازش هوش مصنوعی Directory Loader: Managing Multiple Files for AI Processing

تقسیم کننده سند Document Splitter

• تقسیم اسناد: چرا برای پردازش هوش مصنوعی بسیار مهم است Splitting Documents: Why It’s Crucial for AI Processing

• تقسیم کننده‌های متن مبتنی بر کاراکتر: شکستن متن‌های بزرگ Character-Based Text Splitters: Breaking Down Large Texts

• دموی عملی: استفاده از تقسیم کننده‌های کاراکتر در LangChain Hands-on Demo: Using Character Splitters in LangChain

• تقسیم متن ساختاریافته: سازماندهی هوش مصنوعی Structured Text Splitting: Keeping AI Organized

• تقسیم اسناد HTML: استخراج محتوای قابل خواندن برای هوش مصنوعی Splitting HTML Documents: Extracting AI-Readable Content

• تقسیم فایل‌های JSON: ساخت داده‌های پیچیده سازگار با هوش مصنوعی Splitting JSON Files: Making Complex Data AI-Friendly

• تقسیم کننده Markdown: آماده سازی یادداشت‌ها و کد برای پردازش هوش مصنوعی Markdown Splitter: Preparing Notes & Code for AI Processing

• تقسیم کد و متن: پردازش کارآمد زبان و Markdown Splitting Code & Text: Processing Language & Markdown Efficiently

تعبیه‌ها Embeddings

• مقدمه به تعبیه‌ها: تبدیل متن به داده‌های قابل خواندن برای هوش مصنوعی Intro to Embeddings: Transforming Text into AI-Readable Data

• زمین بازی تعبیه‌ها: آزمایش با درک هوش مصنوعی Embeddings Playground: Experimenting with AI’s Understanding

• استفاده از Ollama برای تعبیه‌ها: اجرای مدل‌ها به صورت محلی Using Ollama for Embeddings: Running Models Locally

• تعبیه‌های OpenAI: کاوش در برداری سازی مبتنی بر ابر OpenAI Embeddings: Exploring Cloud-Based Vectorization

• ایجاد تعبیه‌ها برای فایل‌های متنی: ساختاربندی داده‌های خام Creating Embeddings for Text Files: Structuring Raw Data

• تعبیه PDFها: بهبود جستجو و بازیابی هوش مصنوعی Embedding PDFs: Enhancing AI Search & Retrieval

• تعبیه‌های HuggingFace: مدل‌های متن‌باز در عمل HuggingFace Embeddings: Open-Source Models in Action

• ذخیره‌سازی موقت تعبیه‌ها: بهینه‌سازی سرعت و کارایی Caching Embeddings: Optimizing Speed & Efficiency

• تعبیه‌های جعلی: درک تکنیک‌های تست هوش مصنوعی Fake Embeddings: Understanding AI Testing Techniques

فروشگاه برداری Vector Store

• مقدمه به فروشگاه‌های برداری: ذخیره هوشمندانه دانش هوش مصنوعی Intro to Vector Stores: Storing AI’s Knowledge Smartly

• دموی فروشگاه برداری: نحوه یادآوری و بازیابی داده‌ها توسط هوش مصنوعی Vector Store Demo: How AI Remembers & Retrieves Data

• فروشگاه برداری FAISS: بهینه‌سازی جستجو برای سرعت و دقت FAISS Vector Store: Optimizing Search for Speed & Accuracy

• FAISS با HuggingFace: شارژ فوق‌العاده ذخیره‌سازی و بازیابی هوش مصنوعی FAISS with HuggingFace: Supercharging AI Storage & Retrieval

• ChromaDB و WebStore: ذخیره‌سازی کارآمد داده برای برنامه‌های هوش مصنوعی ChromaDB & WebStore: Efficient Data Storage for AI Apps

• ChromaDB برای PDFها: ذخیره و جستجوی اسناد سازگار با هوش مصنوعی ChromaDB for PDFs: Storing & Searching AI-Friendly Documents

• فروشگاه برداری Sqlite: ذخیره‌سازی سبک برای داده‌های هوش مصنوعی Sqlite Vector Store: Lightweight Storage for AI Data

• فروشگاه برداری Weaviate: جستجو و کشف مقیاس‌پذیر هوش مصنوعی Weaviate Vector Store: Scalable AI Search & Discovery

• فروشگاه برداری Qdrant (در حافظه): بازیابی سریع و کارآمد Qdrant Vector Store (InMemory): Fast & Efficient Retrieval

• فروشگاه برداری Qdrant (کانتینر): استقرار جستجوی هوش مصنوعی در مقیاس بزرگ Qdrant Vector Store (Container): Deploying AI Search at Scale

• فروشگاه برداری PineCone: نیروگاه نمایه سازی هوش مصنوعی PineCone Vector Store: The Powerhouse for AI Indexing

• خلاصه فروشگاه‌های برداری: انتخاب ذخیره‌سازی مناسب برای هوش مصنوعی شما Vector Stores Recap: Choosing the Right Storage for Your AI

بازیاب‌ها Retrievers

• بازیاب‌ها 101: چگونه هوش مصنوعی اطلاعات درست را پیدا می‌کند Retrievers 101: How AI Finds the Right Information

• روش‌های مختلف بازیابی: کدام یک برای هوش مصنوعی شما مناسب است؟ Different Retrieval Methods: Which One Suits Your AI?

• بازیاب‌ها با امتیازدهی: رتبه‌بندی نتایج هوش مصنوعی برای دقت Retrievers with Scoring: Ranking AI Results for Accuracy

• بازیابی چند پرسشی: افزایش قابلیت‌های جستجوی هوش مصنوعی Multi-Query Retrieval: Enhancing AI’s Search Capabilities

• بازیابی Ensemble: ترکیب BM25 و FAISS برای بهترین نتایج Ensemble Retrieval: Combining BM25 & FAISS for Best Results

• مرتب‌سازی مجدد زمینه: هوشمندتر کردن هوش مصنوعی با زمینه بهتر Context Reordering: Making AI Smarter with Better Context

• بازیابی اسناد والد-فرزند: درک روابط Parent-Child Document Retrieval: Understanding Relationships

مدل چت و پیام‌ها Chat Model & Messages

• مقدمه به مدل‌های چت: چگونه مکالمات هوش مصنوعی کار می‌کنند Intro to Chat Models: How AI Conversations Work

• درک پیام‌های چت: ساختاردهی تعاملات هوش مصنوعی Understanding Chat Messages: Structuring AI Interactions

• دموی مدل چت: ایجاد اولین ربات چت هوش مصنوعی خود Chat Model Demo: Creating Your First AI Chatbot

• مدل چت LangChain: اتصال هوش مصنوعی با زنجیره‌های گردش کار LangChain Chat Model: Connecting AI with Workflow Chains

• مدل‌های چت و یکپارچه‌سازی ابزار: گسترش قابلیت‌های هوش مصنوعی Chat Models & Tool Integration: Expanding AI Capabilities

• اتصال و فراخوانی ابزارها: تعاملی‌تر کردن هوش مصنوعی Binding & Invoking Tools: Making AI More Interactive

• هوش مصنوعی با حضور انسان: چه زمانی اجازه دهیم کاربران هوش مصنوعی را کنترل کنند Human-In-The-Loop AI: When to Let Users Control AI

• مدیریت استفاده از توکن مدل: بهینه‌سازی هزینه‌های هوش مصنوعی Managing Model Token Usage: Optimizing AI Costs

• محدودیت نرخ در هوش مصنوعی: حفظ عملکرد در حد مطلوب Rate Limiting in AI: Keeping Performance in Check

• درخواست سریع چند نمونه‌ای: آموزش هوش مصنوعی با مثال‌های کوچک Few-Shot Prompting: Teaching AI with Small Examples

• قالب‌های درخواست: ساختاردهی درخواست‌های هوش مصنوعی برای خروجی بهتر Prompt Templates: Structuring AI Requests for Better Output

• ترکیب درخواست‌های موثر: تسلط بر ارتباطات هوش مصنوعی Composing Effective Prompts: Mastering AI Communication

تجزیه‌کننده‌های خروجی Output Parsers

• تجزیه‌کننده خروجی رشته‌ای: استخراج پاسخ‌های هوش مصنوعی به عنوان متن String Output Parser: Extracting AI Responses as Text

• تجزیه‌کننده خروجی JSON: قالب‌بندی خروجی‌های هوش مصنوعی برای برنامه‌ها JSON Output Parser: Formatting AI Outputs for Apps

• تجزیه‌کننده خروجی YAML: خروجی‌های ساختاریافته هوش مصنوعی به روشی ساده YAML Output Parser: Structured AI Outputs Made Simple

• تجزیه خروجی سفارشی: تنظیم پاسخ‌های هوش مصنوعی بر اساس نیازهای شما Custom Output Parsing: Tailoring AI’s Responses to Your Needs

LCEL LCEL

• رابط قابل اجرا: اتصال پویا اجزای هوش مصنوعی Runnable Interface: Connecting AI Components Dynamically

• دموی LCEL: اجرای گردش‌کارهای LangChain در عمل LCEL Demo: Running LangChain Workflows in Action

• کار با Runnables زنجیره‌ای: ساده‌سازی اجرای هوش مصنوعی Working with Chain Runnables: Streamlining AI Execution

• Runnable PassThrough: مدولارتر کردن هوش مصنوعی Runnable PassThrough: Making AI More Modular

• اجرای موازی: تسریع کارآمد وظایف هوش مصنوعی Parallel Execution: Speeding Up AI Tasks Efficiently

• جریان با Runnables: مدیریت داده‌های هوش مصنوعی در زمان واقعی Streaming with Runnables: Handling AI Data in Real-Time

• فراخوانی پیش‌فرض: بهینه‌سازی فراخوانی‌های گردش‌کار LangChain Default Invocation: Optimizing LangChain Workflow Calls

• مسیریابی زیر زنجیره‌ای: هدایت هوشمندانه فرآیندهای هوش مصنوعی Sub-Chain Routing: Directing AI Processes Smartly

• زنجیره‌های خود-ساز: هوش مصنوعی که سازگار می‌شود و تکامل می‌یابد Self-Constructing Chains: AI That Adapts & Evolves

• بازرسی Runnables: اشکال‌زدایی موثر گردش‌کارهای هوش مصنوعی Inspecting Runnables: Debugging AI Workflows Effectively

• LLM و بازگشت به زنجیره: مدیریت موفقیت آمیز شکست‌های هوش مصنوعی LLM & Chain Fallbacks: Handling AI Failures Gracefully

انتخابگر مثال Example Selector

• انتخاب مثال: بهینه‌سازی پاسخ‌های هوش مصنوعی با زمینه Example Selection: Optimizing AI Responses with Context

• انتخاب بر اساس طول: مختصر نگه داشتن پاسخ‌های هوش مصنوعی Selecting by Length: Keeping AI Answers Concise

• انتخاب بر اساس شباهت: مطابقت پاسخ‌های هوش مصنوعی با ورودی Selecting by Similarity: Matching AI Responses to Input

• انتخاب بر اساس همپوشانی N-Gram: افزایش ارتباط هوش مصنوعی Selecting by N-Gram Overlap: Enhancing AI Relevance

• انتخاب مبتنی بر MMR: بهبود تنوع پاسخ هوش مصنوعی MMR-Based Selection: Improving AI’s Answer Diversity

ردیابی و ارزیابی Tracing & Evaluation

• مقدمه LangSmith: ردیابی موثر گردش‌کارهای هوش مصنوعی LangSmith Introduction: Tracing AI Workflows Effectively

• ردیابی LangSmith: اشکال‌زدایی هوش مصنوعی برای عملکرد بهتر LangSmith Tracing: Debugging AI for Better Performance

• ارزیابی دقت LangSmith: اندازه‌گیری اثربخشی هوش مصنوعی LangSmith Accuracy Evaluation: Measuring AI Effectiveness

• ردیابی Phoenix Arize: نظارت بر تصمیم‌گیری هوش مصنوعی Phoenix Arize Tracing: Monitoring AI’s Decision Making

• ارزیابی OpenAI با Arize Phoenix Evaluating OpenAI with Arize Phoenix

• ردیابی و ارزیابی برنامه پرسش و پاسخ: بهبود پاسخ‌های هوش مصنوعی QA App Tracing & Evaluation: Improving AI Responses

• ردیابی نماینده و فراخوانی ابزار: درک تعاملات هوش مصنوعی Tracing Agent & Tool Calls: Understanding AI Interactions

• ردیابی بازیاب سفارشی: نظارت بر دقت جستجوی هوش مصنوعی Custom Retriever Tracing: Monitoring AI Search Accuracy

• ردیابی زنجیره‌های LLM: بهینه‌سازی گام به گام گردش‌کارهای هوش مصنوعی Tracing LLM Chains: Optimizing AI Workflows Step-by-Step

• ردیابی جریان چت: تجزیه و تحلیل مکالمات هوش مصنوعی در زمان واقعی Chat Stream Tracing: Analyzing AI Conversations in Real-Time

مبانی Foundation

• مبانی هوش مصنوعی و یادگیری ماشین: درک نحوه یادگیری و تفکر ماشین‌ها AI & ML Basics: Understanding How Machines Learn & Think

• مقدمه به LLMها: چگونه مدل‌های زبان بزرگ هوش مصنوعی را متحول می‌کنند Intro to LLMs: How Large Language Models Transform AI

• Gen AI و RAG: باز کردن قفل هوش مصنوعی هوشمندتر با تولید تقویت شده با بازیابی Gen AI & RAG: Unlocking Smarter AI with Retrieval-Augmented Generation

• بردارها و شباهت: چگونه هوش مصنوعی در داده‌ها معنا پیدا می‌کند Vectors & Similarity: How AI Finds Meaning in Data

• تعبیه‌ها و بردارها: پایه درک هوش مصنوعی Embeddings & Vectors: The Foundation of AI Understanding

• پایگاه داده‌های برداری: ذخیره و بازیابی کارآمد دانش هوش مصنوعی Vector Databases: Storing & Retrieving AI Knowledge Efficiently

• شاخص‌ها در هوش مصنوعی: بهینه‌سازی جستجو و بازیابی برای پاسخ‌های سریع‌تر Indexes in AI: Optimizing Search & Retrieval for Faster Responses

• عوامل هوش مصنوعی: چگونه آنها فکر می‌کنند، عمل می‌کنند و وظایف را خودکار می‌کنند AI Agents: How They Think, Act & Automate Tasks

• زنجیره‌ها و گردش‌کارها: اتصال اجزای هوش مصنوعی برای اجرای هوشمندانه Chains & Workflows: Connecting AI Components for Smart Execution

نتیجه‌گیری Conclusion

• نتیجه‌گیری Conclusion