آموزش سیستم‌های حافظه AI: ساخت خط لوله‌های تولیدی RAG با n8n - آخرین آپدیت

سیستم‌های RAG، تعبیهات و پایگاه‌های داده برداری RAG Systems, Embeddings & Vector Databases

• چرا ایجنت‌ها فراموش می‌کنند: درک مشکل حافظه Why Agents Forget: Understanding the Memory Problem

• RAG چیست و چگونه کار می‌کند What is RAG and How It Works

• تعبیهات چگونه کار می‌کنند: تبدیل متن به بردار How Embeddings Work: Turning Text into Vectors

• مقایسه SQL در مقابل NoSQL و معرفی پایگاه‌های داده برداری SQL vs NoSQL & Introduction to Vector Databases

• سوبابیس، ذخیره‌سازی برداری و پردازش اسناد Supabase, Vector Storage & Document Processing

• خط لوله کامل RAG و جستجوی شباهت Complete RAG Pipeline & Similarity Search

• مدیریت جایگزین (Fallback): وقتی هوش مصنوعی پاسخ را نمی‌داند Fallback Handling: When the AI Does Not Know the Answer

• مقایسه RAG سنتی در مقابل RAG مبتنی بر ایجنت Traditional RAG vs Agent-Based RAG

• خطاهای رایج در RAG و نحوه رفع آن‌ها Common RAG Failure Modes and How to Debug Them

سوبابیس (Supabase)، پایگاه‌های داده برداری و سیستم‌های RAG جامع Supabase, Vector Databases & End-to-End RAG Systems

• پایگاه‌های داده، SQL در مقابل NoSQL و مبانی PostgreSQL Databases, SQL vs NoSQL & PostgreSQL Basics

• ویژگی‌های Supabase و مفاهیم پایگاه داده برداری Supabase Features & Vector Database Concepts

• جستجوی معنایی، تعبیهات و خط لوله کامل RAG Semantic Search, Embeddings & Full RAG Pipeline

• معرفی پروژه، مفهوم RAG و بررسی کامل خط لوله Project intro, RAG concept & full pipeline walkthrough

• دمو: راه‌اندازی حساب Supabase، ایجاد پروژه و اتصال اعتبارنامه‌ها به n8n DEMO: Superbase account setup, project creation & connecting credentials to n8n

• دمو: ویرایشگر SQL، ایجاد جدول RAG، فعال‌سازی افزونه برداری و ساخت ایندکس DEMO: SQL editor - creating the RAG table, enabling vector extension & building the index

• دمو: تابع جستجوی شباهت، وب‌هوک ورود داده‌ها و تنظیم نود لودر PDF DEMO: Similarity search function, ingest webhook & PDF loader node setup

• دمو: تقسیم‌کننده متن، تعبیهات OpenAI، نود کد خلاصه ورود و وب‌هوک پاسخ DEMO: Text splitter, OpenAI embeddings, ingest summary code node & respond webhook

• دمو: ساخت فرم آپلود با AI، رفع مشکل CORS، سرور زنده و تست اولین آپلود PDF DEMO: Building the upload form with AI, fixing CORS, live server & first PDF upload test

• دمو: خط لوله پرس‌وجو، تنظیم وب‌هوک و نود کد تجزیه و اعتبارسنجی سوال DEMO: Query pipeline - webhook setup & parse/validate question code node

• دمو: زنجیره QA بازیابی، GPT-4o mini، بازیاب ذخیره‌ساز برداری و نحوه جریان پرس‌وجو DEMO: Retrieval QA chain, GPT-4o mini, vector store retriever & how the query flow works

• هندلر جایگزین و دیباگ، تست پرس‌وجوی زنده و جمع‌بندی پروژه Fallback & debug handler, live query test & project wrap-up

سیستم RAG چندوجهی با OCR، مدل‌های بینایی و جستجوی برداری Multimodal RAG with OCR, Vision Models & Vector Search

• مقدمه‌ای بر RAG چندوجهی و درک تصاویر Introduction to Multimodal RAG & Image Understanding

• استخراج متن و کانتکست از تصاویر Extracting Text and Context from Images

• OCR، مدل‌های بینایی و پردازش تصویر مبتنی بر AI OCR, Vision Models & AI-Based Image Processing

• دمو: راه‌اندازی Gemini Vision و جریان‌های کاری برداری OpenAI DEMO: Setting Up Gemini Vision and OpenAI Vector Workflows

• دمو: تعبیهات تصویری، تکه‌تکه سازی و تبدیل به بردار DEMO: Image Embeddings, Chunking & Vector Conversion

• دمو: ذخیره‌سازی تعبیهات در پایگاه‌های داده برداری DEMO: Storing Embeddings in Vector Databases

• دمو: جستجوی معنایی برای تصاویر و پرس‌وجوهای چندوجهی DEMO: Semantic Search for Images and Multimodal Queries

• دمو: ساخت خط لوله کامل RAG چندوجهی DEMO: Building the Complete Multimodal RAG Pipeline

• دمو: تست پاسخ‌های AI با سوالات مبتنی بر تصویر DEMO: Testing AI Responses with Image-Based Questions

• بهینه‌سازی، موارد استفاده واقعی و جمع‌بندی نهایی پروژه Optimization, Real Use Cases & Final Project Wrap-Up

• خلاصه دوره Summary