🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش لنگگراف برای مبتدیان: گردش کار عاملیت محور در چند قدم ساده
- آخرین آپدیت
دانلود LangGraph for beginners : Agentic Workflows in simple steps
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
آموزش گام به گام LangChain: از مبتدی تا متخصص
آیا آمادهاید فراتر از برنامههای سادهی LLM بروید و با استفاده از LangGraph، گردشهای کاری قدرتمند، مبتنی بر وضعیت و عاملیتمند بسازید؟
در این دوره ی دوستانه برای مبتدیان، LangGraph را که کتابخانهی متنباز ساختهشده بر روی LangChain است و برای سازماندهی برنامههای چند عاملی با استفاده از معماری مبتنی بر گراف طراحی شده است، به طور کامل یاد خواهید گرفت. چه در حال ساخت عاملهای هوشمند، خطوط لوله پویای RAG یا راهحلهای سازمانی واقعی باشید، این دوره پایه و اساس محکمی را برای شما فراهم میکند.
مواردی که یاد خواهید گرفت:
LangGraph چیست و چگونه در اکوسیستم GenAI جای میگیرد؟
ساخت اولین گردش کاری LangGraph با استفاده از ماشین حالت
اعتبارسنجی و ساختاردهی وضعیت با استفاده از مدلهای Pydantic
استفاده از async و streaming برای ساخت برنامههای پاسخگو
پیادهسازی مسیریابی شرطی بر اساس خروجی LLM
درک reducerها و نحوهی مدیریت انتقال وضعیت توسط آنها
تسلط بر فراخوانی ابزار با ToolNode داخلی LangGraph
آشنایی با checkpointerها و استفاده از حافظهی کوتاهمدت (در حافظه) و بلندمدت (SQLite، Redis)
ساخت گردشهای کاری Agentic RAG با استفاده از ابزارها و بازیابی کنندهها
پیادهسازی گردشهای کاری Human-in-the-Loop با استفاده از Interrupt و resume
ماژولار کردن گرافهای پیچیده با استفاده از زیرگرافها
کاربرد همه چیز در یک سناریوی واقعی مدیریت درخواستهای بیمه بیمارستان
اضافه کردن ردیابی و قابلیت مشاهده با استفاده از LangSmith
بررسی الگوهای طراحی عاملیتمند برای مقیاسپذیری برنامههای شما
این دوره برای چه کسانی مناسب است؟
توسعهدهندگان هوش مصنوعی که به دنبال ساخت برنامههای عاملیتمند درجه تولید هستند
کاربران LangChain که میخواهند به سطح هماهنگی مبتنی بر گراف ارتقا یابند
مهندسان بکاند علاقهمند به استفاده از ابزار، حافظه و کنترل وضعیت
هر کسی که روی گردشهای کاری LLM در موارد استفاده واقعی کار میکند
پیشنیازها:
آشنایی اولیه با پایتون
آشنایی با LangChain
در پایان این دوره، قادر خواهید بود:
با اطمینان، گردشهای کاری LangGraph را بسازید، مقیاسپذیر کنید و اشکالزدایی کنید.
LLMها، ابزارها، حافظه و بازخورد انسانی را در برنامههای خود ادغام کنید.
LangGraph را در موارد استفاده تجاری واقعی مانند پردازش درخواستها، پشتیبانی مشتری و تجزیه و تحلیل اسناد اعمال کنید.
آمادهاید تا LangGraph را به طور کامل یاد بگیرید و برنامههای LLM خود را به سطح بعدی برسانید؟ همین حالا ثبتنام کنید و شروع به ساخت سیستمهای عاملیتمند هوشمند و تعاملی کنید!
سرفصل ها و درس ها
مقدمه
Introduction
مقدمه
Introduction
دانلود پروژه تکمیلشده
Download Completed Project
مبانی
The Fundamentals
Langgraph چیست؟
What is Langgraph
یک گردش کار ساده
A Simple Workflow
مبانی
The Fundamentals
Langraph در عمل
Langraph in action
تنظیم پروژه
Setup the project
اولین گردش کار
First WorkFlow
تعریف یک نقطه ورود (EntryPoint)
Define a EntryPoint
تولید تصویر گردش کار
Generate a image of the workflow
اعتبارسنجی وضعیت
State Validation
استفاده از طرح Pydantic
Use Pydantic Schema
فراخوانی ناهمگام و استریمینگ
Async Invocation and Streaming
مقدمه
Introduction
ناهمگام در عمل
Async in action
فراخوانی ناهمگام
Async Invocation
استریمینگ
Streaming
استریمینگ در عمل
Streaming in action
استریمینگ
Streaming
مسیریابی شرطی
Conditional Routing
مقدمه
Introduction
مسیریابی شرطی در عمل
Conditional Routing In Action
مطابقت گرهها
Match Nodes
مسیریابی شرطی
Conditional Routing
مسیریابی شرطی
Conditional Routing
کاهندهها (Reducers)
Reducers
مقدمه
Introduction
کاهندهها در عمل
Reducers In Action
استفاده از MessagesState
Using MessagesState
کاهندهها
Reducers
کاهندهها
Reducers
ابزارها و LLM
Tools and LLM
مقدمه
Introduction
فراخوانی ابزار با LLM
Tool Calling With LLM
استفاده از ToolNode
Use ToolNode
استفاده از ToolNode با تئوری LLM
Using ToolNode with LLM Theory
استفاده از ToolNode با LLM
Use ToolNode with LLM
فراخوانی ابزار و Tool Node
Tool calling and Tool Node
ابزارها و LLM
Tools and LLM
حافظه
Memory
چرا حافظه؟
Why memory
نحوه عملکرد حافظه
How Memory Works
استفاده از حافظه
Use Memory
نحوه عملکرد حافظه
How Memory works
RAG عاملمند
Agentic RAG
مقدمه
Introduction
RAG عاملمند در عمل
Agentic RAG in action
RAG عاملمند
Agentic RAG
انسان در حلقه
Human in the loop
مقدمه
Introduction
مورد استفاده و کد
Usecase and Code
HITL در عمل
HITL In Action
انتقال اطلاعات اضافی
Pass Additional Info
انسان در حلقه
Human In The Loop
انسان در حلقه
Human in the loop
حافظه بلند مدت
Long Term Memory
تنظیم Postgress
Setup Postgress
ایجاد پایگاه داده
Create Database
استفاده از حافظه پایدار
Use Persistent Memory
زیرگرافها
Subgraphs
مقدمه
Introduction
استفاده از زیرگراف به عنوان گره
Use Subgraph as Node
استفاده از Ollama
Use Ollama
فراخوانی زیرگراف از گره والد
Invoke Subgraph From Parent Node
مورد استفاده
Usecase
مقدمه
Introduction
تنظیم پایگاه داده
Setup the database
فراخوانی API ها
Invoke APIs
استفاده از جستجوی برداری
Use Vector Search
استفاده از LLM
Use LLM
استفاده از مسیریابی شرطی
Use Conditional Routing
ذخیره پاسخ در پایگاه داده
Store the response in the database
قطع برای بررسی انسانی
Interrupt for Human Review
برنامه Chainlit
Chainlit App
پیادهسازی انسان در حلقه
Implement Human In The Loop
تست تایید و رد
Test Approve Reject
تست بررسی انسانی
Test Human Review
ردیابی با استفاده از LangSmith
Tracing using LangSmith
نمایش نظرات