آموزش Spring AI + RAG: ساخت سیستم‌های هوش مصنوعی سطح تولید با داده‌های شما - آخرین آپدیت

سرفصل ها و درس ها

راه‌اندازی پروژه و بررسی صحت Spring AI Project Setup & Spring AI Sanity Check

• زمینه دوره و آنچه می‌سازیم Course Context & What We Are Building

• دسترسی رایگان به IntelliJ IDEA (۹۰ روزه) Free IntelliJ IDEA (90 Days)

• ساخت پروژه Spring Boot و پیکربندی Spring AI Create Spring Boot Project & Configure Spring AI

• ساخت یک API چت حداقلی Build a Minimal Chat API

• سورس کد دوره و راهنمای شاخه‌های Git Course Source Code & Git Branch Guide

• مفاهیم Spring AI و انتزاع Provider Spring AI Concepts & Provider Abstraction

• بررسی صحت و چرا چت ساده کافی نیست Sanity Check & Why Plain Chat Is Not Enough

آمادگی برای RAG: مورد مصرف، داده‌ها و زیرساخت RAG Readiness: Use-Case, Data & Infrastructure

• مورد مصرف NexaCorp و اهداف سیستم NexaCorp Use-Case & System Goals

• مروری بر منابع داده: PDF، ویکی و دیتابیس Data Sources Walkthrough: PDF, Wiki & Database

• راه‌اندازی PostgreSQL و بارگذاری داده‌های دانش PostgreSQL Setup & Loading Knowledge Data

• راه‌اندازی Redis و بررسی با Redis Insight Redis Setup & Inspection with Redis Insight

• مدل ذهنی RAG و تحلیل نقاط شکست RAG Mental Model & Failure Baseline

لوله‌های ورود داده برای سیستم‌های RAG Data Ingestion Pipelines for RAG Systems

• اصول ورود داده‌ها و طراحی لوله‌ها Ingestion Fundamentals & Pipeline Design

• ورود داده‌های PDF: بارگذاری و استخراج متن PDF Ingestion: Loading & Text Extraction

• ورود داده‌های ویکی: اسناد Markdown Wiki Ingestion: Markdown Documents

• ورود داده‌های دیتابیس برای RAG Database Ingestion for RAG

• ارکستراسیون ورود داده‌ها و Idempotency Ingestion Orchestration & Idempotency

استراتژی‌های تکه‌تکه کردن برای RAG با کیفیت بالا Chunking Strategies for High-Quality RAG

• چرا تکه‌تکه کردن (Chunking) لازم است (و چرا روش‌های ساده شکست می‌خورند) Why Chunking Exists (and Why Naive Chunking Fails)

• تکه‌تکه کردن با اندازه ثابت: ایجاد یک خط پایه Fixed-Size Chunking: Establishing a Baseline

• تکه‌تکه کردن با اندازه ثابت و هم‌پوشانی (Overlap) Fixed-Size Chunking with Overlap

• تکه‌تکه کردن آگاه از معنا برای محتوای ویکی Semantic-Aware Chunking for Wiki Content

• تکه‌تکه کردن کاربردی برای PDFها Pragmatic Chunking for PDFs

• تکه‌تکه کردن دیتابیس Database Chunking

• لوله ارکستراسیون تکه‌تکه کردن Chunking Orchestration Pipeline

• درک متادیتای تکه‌ها (Chunk Metadata) Understanding Chunk Metadata

Embeddings و ذخیره‌سازی برداری Embeddings & Vector Storage

• چرا Embeddings در سیستم‌های RAG وجود دارند Why Embeddings Exist in RAG Systems

• ساخت یک لوله Embedding Building an Embedding Pipeline

• توضیح Vector Storeها: مفاهیم و انتخاب‌های طراحی Vector Stores Explained: Concepts & Design Choices

• ذخیره Embeddingها در یک Vector Store Persisting Embeddings into a Vector Store

لوله‌های بازیابی برای RAG و ادغام با چت Retrieval Pipelines for RAG & Chat Integration

• بازیابی در RAG: مدل ذهنی سیستم Retrieval in RAG: System Mental Model

• طراحی قرارداد لوله بازیابی Designing the Retrieval Pipeline Contract

• بازیابی پایه بر اساس شباهت برداری Basic Vector Similarity Retrieval

• بازیابی آگاه از متادیتا با فیلترینگ Metadata-Aware Retrieval with Filtering

• رتبه‌بندی و باز-رتبه‌بندی نتایج بازیابی شده Ranking & Re-Ranking Retrieved Results

• ادغام بازیابی در جریان چت Integrating Retrieval into the Chat Flow

• اعتبارسنجی سرتاسری لوله بازیابی End-to-End Retrieval Pipeline Validation

ارکستراسیون پرامپت و پاسخ‌های قابل اطمینان AI Prompt Orchestration & Reliable AI Responses

• چرا ارکستراسیون پرامپت در RAG اهمیت دارد Why Prompt Orchestration Matters in RAG

• طراحی قرارداد پرامپت بک‌اند Designing a Backend Prompt Contract

• پرامپت‌های سیستمی و کنترل رفتار LLM System Prompts and LLM Behavior Control

• ساخت زمینه (Context) پرامپت از تکه‌های بازیابی شده Building Prompt Context from Retrieved Chunks

• قوانین Grounding: پاسخ فقط بر اساس زمینه Grounding Rules: Answer Only from Context

• استنادها و ارجاع به منبع Citations and Source Attribution

• ادغام پرامپت با چت و اعتبارسنجی رفتار پرامپت Integrate Prompt with Chat and Validating Prompt Behavior

مدیریت چرخه حیات دانش برای سیستم‌های RAG Knowledge Lifecycle Management for RAG Systems

• چرا چرخه حیات دانش اهمیت دارد Why Knowledge Lifecycle Matters

• طراحی سرویس چرخه حیات دانش Designing a Knowledge Lifecycle Service

• شناسه منبع و ورود داده‌های Idempotent Source Identity and Idempotent Ingestion

• حذف ایمن دانش Deleting Knowledge Safely

• ورود داده‌ها، ورود مجدد و تضمین‌های سازگاری Ingestion, Re-Ingestion and Consistency Guarantees

• حذف دانش بر اساس شناسه: نکته‌ای درباره ریست کردن Redis Schema Deleting Knowledge by Identity: Redis Schema Reset Note

• نقاط ورود عملیاتی: APIهای مدیریت چرخه حیات Operational Entry Points - Lifecycle Admin APIs