آموزش عملی: ساخت عوامل هوشمند با مدل‌های زبانی بزرگ (LLMs) - آخرین آپدیت

سرفصل ها و درس ها

مبانی عامل‌های LLM Foundation of LLM Agents

• مقدمه‌ای بر دوره Introduction to the Course

• مقدمه‌ای بر واحد ۱ Introduction to Unit 1

• درک LLMها Understanding LLMs

• مقایسه LLMها در بنچمارک‌ها Comparison of LLMs across benchmarks

• LLM در برابر RAG در برابر Chain در برابر Agents LLM vs RAG vs Chain vs Agents

• تفاوت بین LLM و عامل‌های LLM Difference between LLM and LLM Agents

• اجزای یک عامل LLM Components of an LLM Agent

• دموی GPT Researcher GPT Researcher demo

• تنظیم کلیدهای API خود Setting up your API Keys

• دسترسی به کد و راه‌اندازی محیط خود Access code and setup your environment

• کدنویسی اولین ایجنت خود – پرسش خودکار با جستجو Coding your first Agent - Self Ask with Search

• کدنویسی اولین ایجنت خود در Colab Coding your first agent in Colab

• مبانی عامل‌های LLM – آزمون Foundation of LLM Agents - Quiz

واحد ۲ – یکپارچه‌سازی ابزارها با LLMها Unit 2 - Integrating Tools with LLMs

• مقدمه‌ای بر ابزارها Introduction to Tools

• چرا LLMها به ابزار نیاز دارند؟ Why LLMs need tools?

• دسترسی و اجرای ابزارها در Langchain Accessing and Running tools in Langchain

• ایجاد ابزارهای سفارشی در Langchain Creating custom tools in Langchain

• ایجنت ReACT با ابزارها ReACT agent with tools

• مشکلات ناشی از ابزارهای بیش از حد Issues with too many tools

• رویکردهای اخیر برای بهبود انتخاب ابزار Recent approaches for improving tool selection

• انتخاب ابزار در مجموعه داده RestBench با استفاده از مدل‌های OpenAI Tool Selection on RestBench dataset using OpenAI models

• انتخاب ابزار در مجموعه داده RestBench با استفاده از مدل‌های Anthropic Tool Selection on Rest Bench dataset using Anthropic models

• فراخوانی تابع OpenAI برای انتخاب ابزار OpenAI Function Calling for tool selection

• ایجاد ایجنت ReACT خود که آنچه را در یک تصویر ورودی می‌بیند «بیان می‌کند» Create your own ReACT agent that "speaks" out what it sees in an input image

واحد ۳ – افزودن حافظه به ایجنت LLM خود Unit 3 - Adding Memory to your LLM Agent

• مقدمه‌ای بر حافظه Introduction to Memory

• چرا LLMها به یک ماژول حافظه نیاز دارند؟ Why do LLMs need a memory module?

• انواع مختلف حافظه Different Types of Memory

• درک و کدنویسی ماژول‌های حافظه کوتاه‌مدت مختلف Understanding and Coding different short term memory modules

• حافظه بلندمدت و RAG Long term memory and RAG

• کدنویسی یک پایپ‌لاین RAG پایه Coding a basic RAG pipeline

• LLMهای با Context طولانی Long Context LLMs

• کدنویسی یک LLM با Context طولانی Coding a Long Context LLM

• RAG چند حالته در چند خط کد MultiModal RAG in a few lines of code

• کدنویسی یک Knowledge Agent با حافظه پایگاه داده – بخش ۱ Coding a Knowledge Agent with DB Memory - Part 1

• کدنویسی یک Knowledge Agent با حافظه پایگاه داده – بخش ۲ Coding a Knowledge Agent with DB Memory - Part 2

• واحد ۳ – تکلیف: ایجنت RAG با حافظه مکالمه Unit 3 - Assignment: RAG Agent with Conversation Memory

واحد ۴ – برنامه‌ریزی در ایجنت‌های LLM Unit 4- Planning in LLM Agents

• چرا LLMها به برنامه‌ریزی نیاز دارند؟ Why do LLMs need planning?

• انواع برنامه‌های LLM Types of LLM Plans

• Prompting زنجیره تفکر Chain of Thought Prompting

• Prompting برنامه‌ریزی و حل Plan and Solve Prompting

• برنامه‌ریزی Tree of Thought Tree of Thought Planning

• Prompting Skeleton of Thought Skeleton of Thought Prompting

• مبانی Langgraph Langgraph Basics

• Prompting بازتابی Reflection Prompting

• Prompting Reflexion Reflexion Prompting

• برنامه‌ریزی در ایجنت‌های LLM Planning in LLM Agents

واحد ۵ – نمونه‌های ایجنت Unit 5- Agent Examples

• توضیح پایپ‌لاین Agentic RAG Agentic RAG pipeline explanation

• کد پایپ‌لاین Agentic RAG Agentic RAG Pipeline Code

• توضیح ربات پیشنهاد فیلم و فراخوانی ابزارها Movie Recommendation Bot Explanation and Tool Calls

• ربات پیشنهاد فیلم – برنامه‌ریزی و حافظه Movie Recommendation Bot - Planning and Memory

• دستیار کدنویسی – مقدمه Coding Assistant - Intro

• بررسی کد دستیار کدنویسی Coding Assistant code walkthrough