لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش عوامل هوشمند با حافظه تقویتشده و پایدار
- آخرین آپدیت
دانلود Memory-augmented and Persistent Agents
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
آیا تا به حال یک عامل هوش مصنوعی ساختهاید که تمام جزئیات را بین تعاملات فراموش کند و ارائه نتایج سازگار و شخصیسازی شده را غیرممکن کند؟ در این دوره آموزشی با عنوان «عوامل هوشمند با حافظه تقویتشده و پایدار»، شما یاد میگیرید چگونه سیستمهای عاملی طراحی کنید که حافظه تقویتشده و پایداری داشته باشند تا بتوانند بافتار (Context) را در جلسات مختلف حفظ کرده و رفتار خود را در طول زمان شخصیسازی کنند.
ابتدا بررسی خواهیم کرد که چرا عاملها به حافظه نیاز دارند و محدودیتهای تعاملات بدون وضعیت (Stateless) در مدلهای زبانی بزرگ (LLM) را با نحوه توانمندسازی یادگیری، تداوم و انطباق در جریانهای کاری تکعاملی و چندعاملی مقایسه میکنیم.
سپس، به بررسی فریمورکهای عاملی و تکنیکهای حافظه میپردازیم و نحوه مدیریت حافظه در ابزارهای محبوب را با هم مقایسه میکنیم.
در نهایت، نحوه طراحی و ساخت یک سیستم چندعاملی با حافظه پایدار را خواهید آموخت که قادر است: تعاملات گذشته را به خاطر بسپارد، دانش را در طول زمان جمعآوری و بازیابی کند و تصمیمگیری و رفتار خود را در جلسات مختلف بهبود بخشد. پس از اتمام این دوره، شما مهارتها و دانش لازم برای طراحی، پیادهسازی و ارزیابی عاملهای حافظهدار و پایداری را خواهید داشت که در کاربردهای واقعی، بافتار را حفظ کرده و بهطور قابلاطمینانی عمل میکنند.
سرفصل ها و درس ها
چرا حافظه برای رفتار عاملی ضروری است؟
Why Is Memory Essential for Agentic Behavior?
چرا حافظه اهمیت دارد؟
Why Does Memory Matter?
عاملهای هوش مصنوعی بدون وضعیت در مقابل حافظهدار
Stateless vs. Memory-augmented AI Agents
انواع حافظه در عاملهای هوش مصنوعی
Types of Memory in AI Agents
مدیریت حافظه در سیستمهای هوش مصنوعی: محدودیتها و استراتژیها
Memory Management in AI Systems: Limitations and Strategies
مقایسه تکنیکها و فریمورکهای حافظه پایدار
Comparing Techniques and Frameworks for Persistent Memory
معرفی فریمورکهای پیشرو در پایداری حافظه
Introducing the Leading Memory Persistence Frameworks
کرنل (Kernel): مدیریت تاریخچه گفتگو
Kernel: Managing Conversation History
کرنل (Kernel): مدیریت تاریخچه گفتگو - بخش دوم
Kernel: Managing Conversation History – Part 2
استفاده از ذخیرهساز حافظه در سیستمهای هوش مصنوعی (Mem0)
Using a Memory Store in AI Systems (Mem0)
شروع کار با Mem0
Getting Started with Mem0
ساخت یک عامل RAG با آگاهی از حافظه
Building a RAG Agent with Memory Awareness
ممجیپیتی (MemGPT): ایجاد عاملها با بلوکهای حافظه
MemGPT: Creating Agents with Memory Blocks
ممجیپیتی (MemGPT): ایجاد عاملها با بلوکهای حافظه - بخش دوم
MemGPT: Creating Agents with Memory Blocks – Part 2
لاما ایندکس (LlamaIndex): ساخت یک تیم هوش مصنوعی مهندسی
LlamaIndex: Building an Engineering AI Team
لاما ایندکس (LlamaIndex): ساخت یک تیم هوش مصنوعی مهندسی - بخش دوم
LlamaIndex: Building an Engineering AI Team – Part 2
دموی جامع: یک سیستم چندعاملی با حافظه پایدار
End-to-end Demo: A Multi-agent System with Persistent Memory
لنگچین (LangChain): استراتژیها و تکنیکهای حافظه ترکیبی
LangChain: Hybrid Memory Strategies and Techniques
حفظ تاریخچه گفتگوهای کوتاهمدت
Maintaining Short-term Conversation History
پایداری حافظه بلندمدت در لنگگراف (LangGraph)
LangGraph Long-term Memory Persistence
مقیاسپذیری با کارایی بالا و در سطح عملیاتی (Production)
High Performance and Production-grade Scaling
مقیاسپذیری با کارایی بالا و در سطح عملیاتی - بخش دوم
High Performance and Production-grade Scaling – Part 2
تست و مانیتورینگ عملکرد
Testing and Monitoring Performance
سندی لودوسکی کار خود را به عنوان مشاور فناوری اطلاعات در کانادا آغاز کرد.
پس از توسعه وردپرس، سندی شروع به توسعه اپلیکیشن های موبایل iOS با زبان سوئیفت کرد.
سندی متخصص در فن آوری های موبایل و وب به مدت 7 سال، از مشتریان خود در پروژه های تحول دیجیتال پشتیبانی می کند. او همچنین به عنوان یک مربی مستقل برای حمایت از فراگیران در بازآموزی حرفه ای برای مشاغل در توسعه وب کار می کند. سندی اغلب در کارگاه ها و طرح های غیرانتفاعی دیده می شود، جایی که او اشتیاق خود را برای آموزش کد با داوطلبان دیگر به اشتراک می گذارد. در وب، او مرتباً آموزش هایی با محتوای آموزشی جدید منتشر می کند.
نمایش نظرات