آموزش بوت‌کمپ جامع RAG با استفاده از Langchain، LangGraph و Langsmith - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

آشنایی با RAG Introduction To RAG

• آشنایی با RAG Introduction To RAG

• نمونه‌ها و مزایای استفاده از RAG Some Examples And Advantages Of Using RAG

• تاثیر RAG در کاربردهای تجاری Business Uecases Impact With RAG

• مقایسه مهندسی پرامپت، Fine-Tuning و RAG Prompt Engineering Vs FineTuning Vs RAG

اجزای اصلی در RAG Core Components In RAG

• ورود داده‌ها و پیش‌پردازش Data Ingestion And Preprocessing

• پردازش پرس‌وجو و مرحله تولید خروجی Query Processing And Output Generation Phase

نصب VS Code و Anaconda VS Code And Anaconda Installation

• نصب Anaconda و VS Code Anaconda Installation And VS Code Installation

تکنیک‌های ورود و تجزیه داده‌ها Data Ingestion And Data Parsing Techniques

• ساختار پروژه و تنظیم محیط با پکیج UV Project Structure And Environment Set Up With UV Package

• ساختار اسناد در LangChain Document Structure In LangChain

• ورود و تجزیه داده‌های متنی با Document Loaders Ingesting And Parsing Text Data Using Document Loaders

• تکنیک‌های تقسیم متن Text Splitting Techniques

• ورود و تجزیه اسناد PDF Ingestion And Parsing PDF Documents

• مدیریت مشکلات رایج PDF Handling Common PDF Issues

• ورود و تجزیه اسناد Word Ingestion And Data Parsing Word Documents

• تجزیه فایل‌های CSV و Excel Parsing CSV And Excel Files

• تجزیه و پردازش فایل‌های JSON Json files Parsing And Processing

• تجزیه و پردازش دیتابیس‌های SQL SQL Databases Parsing And Processing

جاسازی برداری و دیتابیس‌های برداری Vector Embedding And Vector Databases

• مقدمه‌ای بر Embeddings و دیتابیس‌های برداری Introduction To Embeddings And Vector Databases

• بصری‌سازی Embedding و شباهت کسینوسی Visualization Of Embedding And Consine Similarity

• ساخت اولین Embeddingها با مدل‌های HuggingFace Creating Your First Embeddings With HuggingFace Embedding Models

• شروع کار با OpenAI Embeddings Getting Started With OPENAI Embeddings

• جستجوی معنایی و شباهتی با مدل‌های OpenAI Sematic And Similarity Search Uing Open AI Embedding Models

ذخیره‌سازهای برداری و دیتابیس‌های برداری Vector Stores And Vector Databases

• تفاوت Vector Stores و Vector Databases Vector Stores Vs Vector Databases

• ساخت RAG سنتی با ChromaDb بخش اول Building Tradition RAG With ChromaDb Vector Store-Part 1

• ساخت RAG سنتی با ChromaDb بخش دوم Building Traditional RAG With ChromaDB Vector Store-Part 2

• ساخت RAG سنتی با ChromaDb بخش سوم Building Traditional RAG With ChromaDB Vector Store- Part 3

• ساخت خط لوله RAG با استفاده از LCEL Building RAG Pipeline Using LCEL(Langchain Expression Language)

• افزودن اسناد جدید به ذخیره‌ساز برداری موجود Adding New Documents To Existing Vector Store

• تکنیک‌های پیشرفته RAG: حافظه محاوره‌ای Advanced RAG Techniques-Conversational Memory

• نحوه استفاده از GROQ LLM How To Use GROQ LLM

• ساخت سیستم RAG با LangChain و FAISS بخش اول Building a RAG System with LangChain and FAISS- Part 1

• ساخت سیستم RAG با LangChain و FAISS بخش دوم Building a RAG System with LangChain and FAISS- Part 2

• ذخیره‌ساز برداری در حافظه (InMemory) InMemory Vector Store

• کار با دیتابیس کامل DataStax Astra VectorDB Working With Full Fledged DataStax Astra VectorDB

• کار با دیتابیس PineCone VectorStore Working With PineCone VectorStore DB

تکنیک‌های پیشرفته تکه‌بندی و پیش‌پردازش Advanced Chunking And Preprocessing Techniques

• تکه‌بندی معنایی (Semantic Chunking) در RAG Semantic Chunking With RAG

• تکه‌بندی معنایی با پایتون Semantic Chunking With Python

• ساخت خط لوله RAG با Semantic Chunker Building RAG Pipeline With Semantic Chunker

• تکه‌بندی معنایی با Langchain Semantic Chunking With Langchain

استراتژی‌های جستجوی ترکیبی Hybrid Search Strategies

• ترکیب ماتریس‌های متراکم (Dense) و پراکنده (Sparse) Combining Dense And Sparse Matrix

• ترکیب بازیاب‌های Dense و Sparse با Langchain Combining Dense And Sparse Retriever With Langchain

• مزایای ترکیب جستجوی Dense و Sparse Benefits Of Combining Dense And Sparse Search

• استراتژی بازرتبه‌بندی (Reranking) در جستجوی ترکیبی Reranking Hybrid Search Statergy

• پیاده‌سازی استراتژی بازرتبه‌بندی Reranking Hybrid Statergy Implementation

• توضیحات تئوری MMR (Maximal Marginal Relevance) Maximal Marginal Relevance Theoretical Explanation

• پیاده‌سازی بازیاب MMR MMR Retriever Implementation

• چه زمانی از MMR استفاده کنیم و چه زمانی نکنیم When To And When Not To Use MMR

بهبود پرس‌وجو (Query Enhancement) Query Enhancement

• تکنیک گسترش پرس‌وجو (Query Expansion) Query Expansion Technique

• پیاده‌سازی تکنیک گسترش پرس‌وجو Query Expansion Technique Implementation

• درک و پیاده‌سازی تجزیه پرس‌وجو (Query Decomposition) Query Decomposition Understanding And Implementation

• تکنیک HyDE و پیاده‌سازی آن HyDE Technique And Implementation

RAG چندوجهی (MultiModal) MultiModal Multi-Modal RAG

• مقدمه‌ای بر RAG چندوجهی (MultiModal) Introduction To MultiModal RAG

• پیاده‌سازی RAG چندوجهی (PDF شامل متن و تصویر) MultiModal RAG Implementation (PDF With Text And Images)

شروع کار با عامل‌های هوشمند و Agentic AI Getting Started With AI Agents And Agentic AI

• تفاوت AI Agents و Agentic AI AI Agents Vs Agentic AI

• مثال‌های بیشتر برای AI Agents و Agentic AI Some More Examples For AI Agents And Agentic AI

کار عملی با نسخه به‌روز شده Langchain V1 Updated Langchain Hands On With Version V1

• مقدمه‌ای بر به‌روزرسانی‌های Langchain Intro To Langchain Updates

• ساخت محیط مجازی با پکیج UV Creating Virtual Environment Using UV Package

• ساخت عامل‌ها با استفاده از Langchain Create Agents Using Langchain

• استفاده از Invoke و Batch Streaming Invoke And Batch Streaming

• ابزارها (Tools) در Langchain Tools In Langchain

• انواع پیام‌ها در Langchain Messages Types In Langchain

• خروجی ساختاریافته LLM با Pydantic در Langchain LLM structured Output With Langchain Using Pydantic

• خروجی ساختاریافته LLM با TypeDict در Langchain LLM structured Output With Langchain Using TypeDict

• خروجی ساختاریافته LLM با Data Classes در Langchain LLM Structured Output With Langchain Using Data Classes

• خلاصه‌سازی Middleware با Langchain MiddleWare Summarization With Langchain

• Middleware انسان-در-حلقه (Human-in-the-loop) با Langchain Human In the Loop Middleware With Langchain

مبانی Langgraph Langgraph Basics

• شروع کار با LangGraph Getting Started With LangGraph

• تنظیم محیط Langgraph Langgraph Environment Set Up

• تنظیم کلید API OpenAI Setting Up OpenAI API Key

• تنظیم کلید API Groq Setting Up Groq API Key

• تنظیم کلید API LangSmith Setting Up LangSmith API Key

• ساخت گراف ساده با LangGraph Build Simple Graph Uing LangGraph

• ساخت گراف ساده و جریان کاری Simple Graph Construction and Workflow

• ساخت چت‌بات مبتنی بر LLM با Langgraph Create LLM Powered Chatbot Using Langgraph

• طرحواره وضعیت (State Schema) با Data Classes State Schema With Data Classes

• اعتبار‌سنجی داده‌ها با Pydantic Pydantic Data Validation

• زنجیره‌ها (Chains) با استفاده از Langgraph Chains Using Langgraph

• مقدمه‌ای بر Router در LangGraph Introduction To Router In LangGraph

• ادغام ابزارها و گره ابزار (Tools Node) بخش اول Tools And Tools Node Integration-Part 1

• ادغام ابزارها و گره ابزار بخش دوم Tools And Tools Node Integration- Part 2

• ساخت چت‌بات با ادغام چندین ابزار بخش اول Building Chatbot With Multiple Tool Integration-Part1

• ساخت چت‌بات با ادغام چندین ابزار بخش دوم Building Chatbot With Multiple Tool Integration-Part2

معماری عامل‌ها (Agents) Agents Architecture

• عامل‌ها و معماری Agent ReACT Agents And ReACT Agent Architecture

• پیاده‌سازی معماری ReAct Agent ReAct Agent Architecture Implementation

• پیاده‌سازی عامل دارای حافظه Agent With Memory Implementation

• تکنیک‌های مختلف استریمینگ (Streaming) Different Streaming Techniques

• استریمینگ با astream و stream_events Streaming Using Astream And Stream Events

• دیباگ با LangGraph Studio و Langsmith Debugging Wiht LangGraph Studio And Langsmith

RAG عامل‌محور (Agentic RAG) Agentic RAG

• مقایسه RAG سنتی و RAG عامل‌محور Traditional RAG Vs Agentic RAG

• ساخت یک RAG پایه با LangGraph Build A Basic RAG With LangGraph

• پیاده‌سازی معماری ReAct Agent با LangGraph ReAct Agent Architecture Implementation With LangGraph

• ساخت ابزار برای عامل‌های RAG با LangGraph Tool Creation For RAG Agents With LangGraph

• پیاده‌سازی مفصل پروژه Agentic RAG بخش اول Detailed Agentic RAG Project Implementation- Part 1

• پیاده‌سازی مفصل Agentic RAG بخش دوم Detailed Agentic RAG Implementation-Part 2

RAG خودمختار (Autonomous RAG) Autonomous RAG

• پیاده‌سازی زنجیره افکار (Chain of Thought) در RAG Chain OF Thoughts Implementation With RAG

• درک و پیاده‌سازی خود-بازتابی (Self-Reflection) Self Reflection Understanding and Implementation

• برنامه‌ریزی و تجزیه پرس‌وجو به همراه پیاده‌سازی Query Planning And Decomposition With Implementation

• بازیابی تکرارشونده با Self-Reflection Iterative Retrieval With Self Reflection

• ترکیب پاسخ‌ها از چندین منبع Answer synthesis From Multiple sources

• خلاصه RAG خودمختار Autonomous RAG Summary

RAGهای چندعاملی Multi Agents RAGS

• شبکه چندعاملی با RAG Multi Agents Network With RAG

• پیاده‌سازی MultiAgent با RAG MultiAgent With RAG Implementation

• پیاده‌سازی RAG چندعاملی با ناظر (Supervisor) Supervisor Multi Agent RAG Implementation

• درک و پیاده‌سازی عامل‌های سلسله‌مراتبی با RAG Hierarichal Agents With RAG Understanding And Implementation

RAG اصلاحی (Corrective RAG) Corrective RAG

• توضیحات مفصل Corrective RAG Corrective RAG Detailed Explanation

• پیاده‌سازی مفصل Corrective RAG Corrective RAG Detailed Implementation

RAG تطبیقی (Adaptive RAG) Adaptive RAG

• درک تئوری Adaptive RAG Adaptive RAG Theoretical Understanding

• پیاده‌سازی Adaptive RAG Adaptive RAG Implementation

RAG با حافظه پایدار RAG With Persistant Memory

• RAG با حافظه پایدار در LangGraph RAG With Persistant Memory With LangGraph

• عامل RAG با حافظه پایدار در LangGraph Agent Rag With Persistant Memory With LangGraph

RAG کش (Cache) با LangGraph Cache RAG With LangGraph

• CAG چیست و پیاده‌سازی اولیه آن What Is CAG And Its Basic Implementation

• پیاده‌سازی پیشرفته CAG با LangGraph Advance CAG Implementation With LangGraph

RAG بدون بردار با PageIndex VectorLess RAG With PageIndex

• آموزش RAG بدون بردار با Page Index Vectorless RAG With Page Index Tutorials

• مقایسه RAG سنتی و بدون بردار Traditional Vs Vectorless RAG

نرده‌های حفاظتی (Guardrails) Gaurdrails

• Guardrails با LangChain Guardrails with LangChain

ارزیابی چت‌بات و RAG Chatbot And RAG Evaluation

• ارزیابی چت‌بات: ساخت ورودی داده با Schema Evaluation Of Chatbot- Data Input Creation With Schema

• ارزیابی چت‌بات‌ها: تعریف معیارها و LLM به عنوان داور Evaluation Of Chatbots- Defining Metrics LLM AS A JUDGE

• ارزیابی چت‌بات‌ها: اجرای معیارهای ارزیابی با LLMهای مختلف Evaluation OF Chatbots - Running Evaluation Metrics With Different LLMS

• ارزیابی RAG: ساخت RAG و ایجاد مجموعه داده تست RAG Evaluation- Build RAG And Create Test Dataset

• ارزیابی RAG: ساخت ارزیاب‌ها با معیارها RAG Evaluation- Build Evaluators With Metrics

مقدمه‌ای بر دیتابیس‌های گراف و زبان Cypher با Langchain Introduction To Graph Databases And Cypher Query Language With Langchain

• مقدمه‌ای بر دیتابیس‌های گراف و زبان Cypher با Langchain Introduction To Graph Databases And Cypher Query Language With Langchain

• گراف دانش (Knowledge Graph) چیست What is Knowledge Graph

• ساخت Instance دیتابیس Neo4j AuraDB Creating Your Neo4j AuraDB Database Instance

• مقایسه RDBMS و دیتابیس گراف RDBMS VS Graph Database

• مدل داده‌های گراف ویژگی Neo4j Neo4j Property Graph Data Model

• شروع کار با زبان پرس‌وجوی Cypher Getting Started With Cypher Query Language

• زبان Cypher از سطح متوسط تا پیشرفته Intermediate To Advance Cypher Query Language

پیاده‌سازی عملی با GraphDb و Langchain Practical Implementation With GraphDb With Langchain

• شروع کار و ایجاد محیط Getting Started-Creating Environment

• درج داده‌ها در Graph DB با پایتون و Langchain Inserting Data In Graph DB With Python And Langchain

• ساخت زنجیره GraphQuery با Langchain Creating GraphQuery Chain With Langchain

• استراتژی‌های پرامپت‌نویسی GraphDB با LLM Prompting Statergies GraphDB With LLM

پروژه جامع جستجوی اسناد RAG (End-to-End) End To End RAG Document Search Project

• دموی پروژه Project Demo

• ایجاد محیط با مدیریت پکیج UV Creating Environment With UV Package Manager

• تعریف ساختار پروژه Defining Project Structure

• پیاده‌سازی ورود و پردازش اسناد Document Ingestion And Document Processing Implementation

• پیاده‌سازی VectorStore، بازیاب و وضعیت RAG VectorStore, Retriever And RAG State Implementation

• ادغام سازنده گراف و پیاده‌سازی گره‌ها Graph Builder And Node Implementation Integration

• ساخت معماری ReAct Agent با بازیاب و ویکی‌پدیا Build React Agent Architecture With Retriever And Wikipedia

• ساخت اپلیکیشن Streamlit با ReAct Agent RAG Building Streamlit App With React Agent RAG

شبیه‌سازی نقش (RolePlay) RolePlay

• شبیه‌سازی نقش: ساخت یک اپلیکیشن Agentic AI Roleplay: Building an Agentic AI Application