آموزش ساخت اپلیکیشن‌های هوش مصنوعی با Spring AI، OpenAI، Ollama و SpringBoot - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• معرفی دوره Course Introduction

• پیش‌نیازها Pre-requestites

اسلایدهای دوره و کد منبع Course Slides and Source Code

• اسلایدهای دوره Course Slides

• کد منبع Source Code

آشنایی با مدل‌های زبانی بزرگ (LLMs)، OpenAI و ChatGPT [تئوری] Introduction to Large Language Models (LLMs), OpenAI & ChatGPT [ Theory ]

• جهانی پیش از LLMها: نگاهی به گذشته The World Before LLMs: A Glimpse into the Past"?

• مدل‌های زبانی بزرگ و تکامل آن‌ها Large Language Models and its Evolution

• مزایا و چالش‌های LLMها Advantages, Challenges with LLMs

• ثبت‌نام در حساب ChatGPT و شروع کاوش Sign up for a ChatGPT Account and Start Exploring

شروع کار با Spring AI و OpenAI API Getting Started with Spring AI and OpenAI API

• مقدمه‌ای بر Spring AI Introduction to Spring AI

• راه‌اندازی حساب OpenAI و Playground Setup OpenAI Account & Open AI Playground

• نصب Java با استفاده از SDKMan Set Up Java using SDKMan

• راه‌اندازی پروژه پایه با Gradle و IntelliJ Set up the Base Project using Gradle and IntelliJ

• چت با پلتفرم OpenAI با استفاده از Spring ChatClient Lets Chat with OpenAI Platform using Spring "ChatClient"

• تنظیم Insomnia برای تست Endpointهای چت Setting Up Insomnia to Test the Chats Endpoint

• ChatClient در پشت صحنه چگونه کار می‌کند؟ AutoConfiguration و فراخوانی API How does the ChatClient Work under the hood ? - AutoConfiguration & API call to

• پرامپت، توکن و توکن‌گذاری چیستند؟ Prompt, Tokens and Tokenization - What are they ?

• پارامترهای درخواست OpenAI: temperature OpenAI Request Parameters - temperature

• پارامترهای درخواست OpenAI: max_tokens OpenAI Request Parameters - max_tokens

• درک پیام‌های System، Assistant و User در OpenAI Understanding System, Assistant, and User Messages in OpenAI

• پیام‌های System، Assistant و User در عمل System, Assistant, and User Messages in Action

• استریم کردن پاسخ‌های OpenAI Streaming OpenAI Responses

مدیریت خطاهای سراسری با استفاده از Github Copilot Global ErrorHandler to deal with Exception/Errors using Github Copilot

• راه‌اندازی Copilot در IntelliJ SetUp Copilot in Intellij

• مدیریت خطا با استفاده از ControllerAdvice Error Handling using ControllerAdvice

بهینه‌سازی ارسال پیام‌ها به LLMها با StringTemplates و PromptTemplates Streamlining Message Passing to LLMs using StringTemplates & PromptTemplates

• ساخت پرامپت‌ها با استفاده از Prompt و ChatClient Building prompts using the Prompt and ChatClient

• بهبود مدیریت پرامپت با StringTemplate Enhancing Prompt Management with StringTemplate

• استفاده از PromptTemplate: راهی ساده برای ارسال پیام به AI Using PromptTemplate: A Simplified Way to Pass Messages to AI

• ارسال مقادیر پویا به پرامپت‌ها: رویکرد جایگزین Passing Dynamic Values to Prompts - Alternative Approach

مشاوران Spring AI: ارتقای تعاملات هوش مصنوعی Spring AI Advisors: Enhancing AI Interactions

• معرفی کوتاه Spring Advisors A Quick Introduction to Spring Advisors

• مشاور Spring در عمل: SimpleLoggerAdvisor Spring Advisor in Action - SimpleLoggerAdvisor

• ساخت مشاور سفارشی (Custom Advisor) Let's build our own Build Custom Advisor

مهندسی پرامپت Prompt Engineering

• مهندسی پرامپت و PromptTemplate Prompt Engineering & PromptTemplate

• مهندسی پرامپت در عمل: بررسی پرامپت برنامه سفر Prompt Engineering in Action - Lets explore the Travel Plan Prompt

• درک تزریق پرامپت (Prompt Injection) و نحوه مقابله با آن Understanding Prompt Injection and How to Mitigate it?

• پرامپت‌نویسی Zero Shot Zero Shot Prompting

• پرامپت‌نویسی Few Shot Few Shot Prompting

• پرامپت‌نویسی زنجیره افکار (Chain of Thought) Chain of Thought Prompting

• تسلط بر پرامپت‌های چندمرحله‌ای Mastering Multi-Step Prompts

تولید داده‌های ساختاریافته با OpenAI و Spring AI Generating Structured Data with OpenAI & Spring AI

• مقدمه‌ای بر خروجی‌های ساختاریافته در LLM Introduction to Structured Outputs in LLM

• خروجی‌های ساختاریافته با مهندسی پرامپت Structured outputs using Prompt Engineering

• خروجی‌های ساختاریافته با مثال‌های Few Shot Structured outputs with Few Shot Examples using Prompt Engineering

• خروجی‌های ساختاریافته با تابع entity() و BeanOutputConverter Structured Outputs using entity() function - Using BeanOutputConverter

• خروجی‌های ساختاریافته در Spring AI چگونه کار می‌کنند؟ How Structured Outputs work in SpringAI - Under the Hood?

• استفاده از ParameterizedTypeReference برای خروجی‌های لیستی Using ParameterizedTypeReference for Structured Outputs - List Collection Types

• تولید خروجی‌های ساختاریافته از نوع Map Generate Structured Outputs of type "Map" Collection Type

تقویت LLMها با استفاده از فراخوانی ابزارها در Spring AI Augmenting LLMs using Tool Calling using Spring AI

• فراخوانی ابزارها (Tool Calling): چیست و چرا؟ Tool Calling - What & Why ?

• فراخوانی ابزار با OpenAI: دسترسی به زمان سیستم Tool Calling with OpenAI: Accessing System Time

• mekanism فراخوانی ابزار در OpenAI و Spring AI How Tool Calling works under the hood" in OpenAI and Spring AI?

• فراخوانی ابزار در عمل: دسترسی به نرخ لحظه‌ای ارز Tool Calling in Action: Accessing Live Currency Exchange Rates

• فراخوانی ابزار با استفاده از Functions: دریافت داده‌های زنده آب‌وهوا Tool Calling in Action using Functions: Accessing Live Weather Data

• فراخوانی ابزار با استفاده از Spring Beans: دریافت داده‌های زنده آب‌وهوا Tool Calling in Action using Spring Beans: Accessing Live Weather Data

• خروجی‌های ساختاریافته با استفاده از ReturnDirect در Tool Calling Structured Outputs using Tool Calling with "ReturnDirect"

• افزودن متادیتا به فراخوانی ابزار با ToolContext Adding Metadata to the Tool Calling using ToolContext

RAG در عمل: توانمندسازی LLMها با دانش خارجی RAG in Action: Empowering LLMs with External Knowledge using Spring AI

• RAG چیست و چرا به آن نیاز داریم؟ What is RAG and Why Do We Need It?

• زمینه سازی (Grounding) و پر کردن پرامپت (Prompt Stuffing) Grounding LLMs & Prompt Stuffing

• محدودیت‌های Prompt Stuffing: چرا زمینه سازی کل محتوا مقیاس‌پذیر نیست؟ The Limits of Prompt Stuffing: Why Grounding the Whole Context Doesn’t Scale

ساخت اپلیکیشن پرسش و پاسخ RAG با Spring AI Build a Q&A RAG Application with Spring AI

• مروری بر اپلیکیشن پرسش و پاسخ مبتنی بر RAG Overview of the RAG-Powered Q&A App

• مقدمه‌ای بر دیتابیس‌های برداری (Vector Databases) و ایندکس‌گذاری Introduction to Vector Databases & Indexing

• ایندکس‌گذاری در عمل: ورود اسناد به PgVectorDB با PagePdfDocumentReader Indexing in Action : Ingest Docs into the PgVectorDB using PagePdfDocumentReader

• بازیابی در عمل: استخراج اسناد مرتبط از PgVector Retriever in Action : Pull the relevant docs from the PgVector VectorDB

• تولید در عمل: ایندکس، بازیابی و تولید (اپلیکیشن کامل RAG) Generate in Action - Index, Retrieve and Generate (End to End RAG App)

• Embeddings در پشت صحنه چگونه ایجاد می‌شوند؟ How are the embeddings created under the hood ?

استراتژی‌های ورود اسناد در Spring AI Document Ingestion Strategies with Spring AI

• ورود اسناد از طریق Endpoint: رویکرد صحیح Ingesting Documents using Endpoint - The Right Approach

• ورود اسناد با تکه‌بندی پاراگرافی Ingest Docs using Paragraph Chunking

• ورود اسناد Word با استفاده از TikaDocumentReader Ingesting Word Documents using TikaDocumentReader

• ورود اسناد با TokenSplitter و TikaDocumentReader Ingest Docs using TokenSplitter & TikaDocumentReader - Chunking by Tokens

• پردازش فایل‌های txt با TextReader در Spring AI Processing .txt Files with Spring AI's TextReader

بررسی چندوجهی: باز کردن قابلیت‌های بصری با مدل‌های تصویری OpenAI Exploring Multimodality: Unlocking Visual Capabilities with OpenAI Image Models

• مقدمه‌ای بر چندوجهی (MultiModality) در AI Introduction to MultiModality in AI

• ایجاد تصویر با استفاده از OpenAI Creating an Image using OpenAI

• تولید تصویر در SpringAI و OpenAI چگونه کار می‌کند؟ How Image Generation works under the hood with SpringAI and OpenAI ?

• سفارشی‌سازی تولید تصویر با ورودی‌های مختلف Customize Image Generation using different Inputs to OpenAI

• ایجاد و ذخیره تصاویر: تبدیل Base64 JSON به فایل Creating and Saving Images: Base64 JSON to File System using OpenAI

بررسی چندوجهی: باز کردن قابلیت‌های بینایی با OpenAI Exploring Multimodality: Unlocking Vision Capabilities with OpenAI

• تحلیل تصویر با LLMها: ارسال مستقیم فایل از سیستم Image Analysis with LLMs: Passing Files Directly from Your File System

• تحلیل تصویر با LLMها: ارسال فایل به صورت MultiPart Image Analysis with LLMs: Passing Files as a MultiPart File

• یک مورد کاربردی واقعی: پردازش فاکتور با Vision API A RealWorld Use Case : Invoice Processing using Vision API

تسلط بر چندوجهی: ایجاد و پردازش صوت با مدل صوتی OpenAI Mastering Multimodality: Creating and Processing Audio with OpenAI Audio Model

• از متن به صدا: تبدیل متن به گفتار با مدل TTS در OpenAI From Text to Sound: Converting Text to Voice with OpenAI's TTS Model

• سفارشی‌سازی تولید صدا با ورودی‌های مختلف در مدل TTS Customize Audio Generation with different inputs to OpenAIs TTS Model

• مقدمه‌ای بر مدل‌های تبدیل گفتار به متن و APIهای OpenAI Introduction to the Speech to Text Models and API in OpenAI

• تبدیل گفتار به متن (Transcribing) با مدل Whisper Transcribing (Audio to Text) Speech using Whisper Model

ساخت اپلیکیشن‌های AI محلی با Spring AI و Ollama Building Local AI Applications with Spring AI and Ollama

• مقدمه‌ای بر LLMهای محلی و Ollama Introduction to Local LLMs and Ollama

• راه‌اندازی محیط محلی با Ollama Setting Up the Local Environment with Ollama

• ادغام Spring AI با Ollama Integrating Spring AI with Ollama