آموزش ساخت و تست ایجنت‌های هوش مصنوعی، چت‌بات و RAG با Ollama و LLM محلی - آخرین آپدیت

سرفصل ها و درس ها

مقدمه‌ای بر لنگ‌چین Introduction to Langchain

• مقدمه Introduction

• چرا لنگ‌چین؟ Why Langchain?

• درک اکوسیستم لنگ‌چین Understanding Langchain Ecosystem

• دانش خود را بررسی کنید! Check your knowledge!

کد منبع کامل دوره Complete Course Source code

• کد منبع کامل دوره نوت‌بوک جوپیتر Complete Course Source code of Jupyter Notebook

اجرای مدل زبانی بزرگ (LLM) محلی در ماشین محلی با اولاما Running Local Large Language Model (LLM) in local Machine with Ollama

• مقدمه Introduction

• درک LLMها برای اجرا در اولاما Understanding LLMs to run in Ollama

• اجرای LLMهای محلی با اولاما Running Local LLMs with Ollama

• استفاده از مدل اولاما در برنامه مبتنی بر GUI در ماشین محلی Using Ollama Model in GUI based App in Local Machine

• درک بیشتر خط فرمان اولاما Understanding Ollama command line further

• اجرای سرویس اولاما برای دسترسی به LLMها از طریق API Running Ollama Serve to access LLMs via API

• دانش خود را بررسی کنید! Check your knowledge!

درک و کار با مبانی لنگ‌چین Understanding and working LangChain Basics

• مقدمه Introduction

• نوشتن اولین کد لنگ‌چین Writing First Langchain code

• راه‌اندازی لنگ‌اسمیت برای مشاهده‌پذیری، اشکال‌زدایی و تست کد لنگ‌چین Setting Langsmith for Observability, Debugging and Testing Langchain code

• کار با قالب پرامپت لنگ‌چین Working with Langchain Prompt Template

• کار با ChatPromptTemplate Working with ChatPromptTemplate

• کار با MessagePromptTemplate Working with MessagePromptTemplate

• دانش خود را بررسی کنید! Check your knowledge!

زنجیره‌ها و اجراکننده‌های لنگ‌چین LangChain Chains and Runnables

• مقدمه و اجراکننده‌ها Introduction and Runnables

• درک و کار با زنجیره‌سازی در لنگ‌چین Understanding and working with Chaining in LangChain

• زنجیره‌سازی با StrOutputParse Chaining with StrOutputParse

• درک و کار با زنجیره‌های متعدد Understanding and working with Multiple Chains

• درک و کار با RunnableParallel Understanding and working with RunnableParallel

• اجرای توابع پایتون با RunnableLambda Running Python functions with RunnableLambda

• ایجاد زنجیره سفارشی با دکوراتور Chain@ Creating Custom Chain with @Chain decorator

• دانش خود را بررسی کنید! Check your knowledge!

سابقه پیام‌های چت با لنگ‌چین Chat Message History with LangChain

• مقدمه Introduction

• ایجاد سابقه پیام‌های چت در لنگ‌چین Creating Chat Message History in LangChain

• اجرای سابقه پیام‌های چت در لنگ‌چین Running Chat Message History in LangChain

• ذخیره سابقه پیام‌های چت در سابقه پیام‌های چت SQL Storing Chat Message History in SQL Chat Message History

• دانش خود را بررسی کنید! Check your knowledge!

ساخت ربات‌های چت با لنگ‌چین و استریملیت (مانند ChatGPT با LLM محلی) Building ChatBots with LangChain and Streamlit (Like ChatGPT with Local LLM)

• مقدمه Introduction

• راه‌اندازی اولیه برنامه استریملیت در نوت‌بوک ما Initial Setup of Streamlit application in our Notebook

• ایجاد سابقه جلسه برای چت در استریملیت Creating Session History for Chat in Streamlit

• حفظ سابقه جلسه در رابط کاربری برنامه استریملیت Maintaining the session history in Streamlit application UI

• ایجاد سابقه جلسه جدید و حفظ سابقه جلسه Creating New Session history and maintaining the session history

• جریان پاسخ چت در برنامه استریملیت با جریان لنگ‌چین Streaming Chat Response in Streamlit app with LangChain Stream

• ایجاد تغییرات ظاهری بیشتر برای ربات چت Building More cosmetic changes for ChatBot

• دانش خود را بررسی کنید! Check your knowledge!

ساخت برنامه RAG با فایل PDF، فروشگاه‌های برداری و امبدینگ با لنگ‌چین Building RAG Application with PDF File, Vector Stores & Embedding with LangChain

• مقدمه Introduction

• استخراج فایل‌های PDF متعدد با لودر سند PyPDF Extracting Multiple PDF Files with PyPDF Document Loader

• تقسیم متن به قطعات Text Splitting in Chunks

• تبدیل متن به بردار با استفاده از مدل‌های امبدینگ Embedding Texts in to Vectors using Embedding Models

• مقداردهی اولیه پایگاه داده Chroma به عنوان فروشگاه داده‌های برداری Initialize Chroma Database as Vector Datastores

• ذخیره قطعات داده در فروشگاه داده‌های برداری Stores Data chunks into Vector Datastores

• بازیابی داده از فروشگاه داده‌های برداری Retrieval of Data from Vector datastore

• بازیاب‌ها برای فروشگاه‌های برداری Retrievers for Vector stores

• بازیابی دستی داده از فروشگاه‌های برداری با پرامپت‌ها و LLM لنگ‌چین Manual Retrieval of Data from Vector stores with LangChain Prompts and LLM

• استفاده از لنگ‌چین هاب برای پرامپت‌ها Using LangChain Hub for Prompts

• استفاده از RetrievalQA برای بازیابی داده از فروشگاه‌های برداری و LLMها Using RetrievalQA to retrieve data from Vector Stores and LLMs

• دانش خود را بررسی کنید! Check your knowledge!

ابزارها و فراخوانی تابع با LLMها Tools and Function Calling with LLMs

• مقدمه Introduction

• کار با ابزارهای سفارشی مبتنی بر انجمن با LLM محلی و لنگ‌چین Working with Community Driven Custom Tools with Local LLM and LangChain

• ایجاد ابزار سفارشی با لنگ‌چین Creating Custom Tool with LangChain

• اتصال ابزارهای سفارشی با LLM محلی Binding Custom tools with Local LLM

• اجرای ابزارهای سفارشی با LLM محلی (منطق سفارشی) Executing Custom Tools with Local LLM (Custom Logic)

• فراخوانی همه ابزارها از LLM Invoking All tools from LLM

• دانش خود را بررسی کنید! Check your knowledge!

ساخت عامل‌های هوش مصنوعی با لنگ‌چین Building AI Agents with LangChain

• مقدمه Introduction

• استفاده از عامل‌های هوش مصنوعی برای انتخاب ابزارهای سفارشی با LLM Using AI Agents to choose the Custom Tools with LLM

• استفاده از PromptTemplate برای عامل هوش مصنوعی Using PromptTemplate for AI Agent

• استفاده از ابزار مرورگر Playwright برای انجام استخراج و ناوبری صفحه وب Using Playwright Browser Tool to perform Web Page Extraction and Navigation

• استفاده از عامل هوش مصنوعی برای فراخوانی استخراج صفحه وب با ابزار مرورگر Playwright Using AI Agent to invoke Web Page Extraction with Playwright Browser Tool

• دانش خود را بررسی کنید! Check your knowledge!

ساخت عامل هوش مصنوعی با پشتیبانی از RAG و ابزار (پروژه) Building AI Agent with RAG and Tooling support (Project)

• مقدمه Introduction

• ایجاد ابزار مرورگر وب Playwright و امبدینگ Creating Playwright Web Browser Tool and Embedding

• ایجاد فروشگاه‌های برداری و ابزار Creating Vector Stores and Tool

• ایجاد عامل هوش مصنوعی برای فراخوانی ابزار مرورگر وب RAG و Playwright Creating AI Agent To call RAG and Playwright Web browser Tool

درک ارزیابی/تست برنامه LLM Understanding Evaluating/Testing of LLM Application

• درک ارزیابی LLM Understanding Evaluation of LLM

• ارزیابی/تست غیرسنتی LLMها Non Traditional LLMs Evaluation/Testing

• کتابخانه‌های مختلف ارزیابی LLM Different LLM Evaluation Libraries

• درک RAGAs برای ارزیابی LLMها Understanding RAGAs for LLMs Evaluation

• ارزیابی برنامه LLM با SingleTurnSample با RAGAs Evaluating LLMs Application with SingleTurnSample with RAGAs

• ارزیابی برنامه LLM با MultiTurnSample با RAGAs Evaluating LLMs Application with MultiTurnSample with RAGAs

ارزیابی سیستم‌های RAG ساخته شده با لنگ‌چین و RAGAs Evaluating RAG Systems built with LangChain and RAGAs

• مقدمه Introduction

• ایجاد فروشگاه‌های برداری RAG برای RAGAs Creating RAG Vector Stores for RAGAs

• ایجاد بازیاب و RetrieverQA Creating Retriever And RetrieverQA

• ایجاد مجموعه داده MultiSetSample RAGAs به صورت پویا از فروشگاه‌های برداری و LLM Create RAGAs MultiSetSample Dataset dynamically from Vector Stores and LLM

• ارزیابی سیستم RAG با RAGAs با استفاده از LLM محلی Evaluating RAG system with RAGAs using Local LLM

• ارزیابی سیستم RAG با RAGAs با استفاده از مدل OpenAI GPT 4.0 Evaluating RAG System with RAGAs using OpenAI GPT 4.0 Model

ارزیابی عامل هوش مصنوعی + ابزار + سیستم RAG ساخته شده با لنگ‌چین و RAGAs Evaluating AI Agent + Tooling + RAG system built with LangChain and RAGAs

• مقدمه Introduction

• وارد کردن داده‌های تست CSV و فروشگاه‌های برداری برای مرجع استفاده شده در RAGAs Importing Test Data CSV and Vector Stores for Reference used in RAGAs

• ایجاد ابزار برای بازیابی داده از RAG با دکوراتور Tool@ Creating Tool to Retrieve data from RAG with @Tool decorator

• افزودن ابزار سفارشی به عامل هوش مصنوعی برای تست فراخوانی عامل هوش مصنوعی Adding Custom Tool to AI Agent to Test AI Agent invocation

• ایجاد مجموعه داده توصیه شده RAGAs از عامل ما Create RAGAs recommended DataSet from our Agent

• ارزیابی مجموعه داده با RAGAs Evaluating Dataset with RAGAs

• اجرای مجموعه داده MultiSetSample از عامل‌های هوش مصنوعی، RAG با RAGAs Executing MultiSetSample dataset from AI Agents, RAG with RAGAs

ارزیابی برنامه RAG با DeepEval Evaluating RAG Application with DeepEval

• مقدمه Introduction

• پیکربندی DeepEval در ویژوال استودیو کد با نوت‌بوک جوپیتر Configuring DeepEval in Visual Studio code with Jupyter Notebook

• ایجاد مجموعه داده طلایی DeepEval Creating DeepEval Golden DataSet

• ایجاد زمینه بازیابی شده واقعی از RAG از طریق فروشگاه‌های برداری و LLM Creating actual retrieved context from RAG via Vector Stores and LLM

• ایجاد LLMTestCase مورد نیاز برای DeepEval با داده‌های واقعی و مورد انتظار Creating LLMTestCase required for DeepEval with Actual and Expected data

• اجرای متریک‌های DeepEval برای پاسخ RAG ما Running DeepEval Metrics for our RAG response

• بهبود پاسخ RAG بر اساس متریک‌های DeepEval Improving the RAG response based on the DeepEval Metrics

ارزیابی فراخوانی ابزار عامل‌های هوش مصنوعی با DeepEval Evaluating AI Agents Tool Calling with DeepEval

• مقدمه Introduction

• تنظیم ابزارهای سفارشی و عامل‌های هوش مصنوعی با ابزارها Setting up Custom Tools and AI Agents with Tools

• ایجاد مجموعه داده طلایی با فراخوانی ابزار با استفاده از کلاس ToolCall Creating Golden Dataset with Tool Calling using ToolCall class

• بارگذاری مجموعه داده طلایی در DeepEval (هوش مصنوعی مطمئن) Uploading Golden Dataset to DeepEval (Confident AI)

• دریافت مراحل میانی از عامل هوش مصنوعی برای دریافت ابزارهای واقعی فراخوانی شده توسط عامل Getting Intermediate Steps from AI Agent to get the actual tools called by Agent

• ایجاد داده برای LLMTestCase Creating Data for LLMTestCase

• تهیه قالب LLMTestCase از واقعی و مورد انتظار با مجموعه داده طلایی Preparing LLMTestCase Format from actual and expected with Golden Dataset

• اجرای ToolCorrectnessMetrics برای ارزیابی ابزارهای فراخوانی شده توسط عامل Running ToolCorrectnessMetrics to Evaluate the Tools called by Agent

• گسترش ToolCorrectnessMetrics با ارزیابی عمیق‌تر Extending ToolCorrectnessMetrics with more in-depth Evaluation