آموزش دوره جامع RAG و Vectorless RAG: ساخت اپلیکیشن‌های هوش مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• سرفصل‌های دوره Course Curriculum

تکامل سیستم‌های RAG The Evolution of RAG Systems

• خوش‌آمدگویی — چرا RAG سنتی در حال تغییر است Welcome — Why Traditional RAG Is Changing

• توضیح ساده RAG سنتی — معماری کامل Traditional RAG Explained Simply — Complete Architecture

• Vectorless RAG چیست؟ — نسل بعدی بازیابی What is Vectorless RAG? — The Next Generation of Retrieval

• مقایسه کامل RAG سنتی در مقابل Vectorless RAG Traditional RAG vs Vectorless RAG — Complete Comparison

مبانی LangChain برای ساخت اپلیکیشن‌های هوش مصنوعی LangChain Foundations for Building AI Applications

• فریم‌ورک LangChain — بررسی جامع سیستم برای اپلیکیشن‌های AI LangChain Framework — Complete System Overview for AI Applications

• توضیح پکیج‌های LangChain — نصب و راه‌اندازی برای توسعه AI LangChain Packages Explained — Installation & Setup for AI Development

• راه‌اندازی محیط مجازی (Virtual Environment) برای پروژه‌های AI (بهترین روش‌ها) Virtual Environment Setup for AI Projects (Best Practices)

• اجزای اصلی LangChain — پایه و اساس سیستم‌های RAG Core Components of LangChain — The Foundation of RAG Systems

• راه‌اندازی HuggingFace API — دسترسی به مدل‌های پیش‌آموزش‌دیده AI HuggingFace API Setup — Accessing Pretrained AI Models

• راه‌اندازی LangSmith — مانیتورینگ و دیباگ اپلیکیشن‌های LangChain LangSmith Setup — Monitoring and Debugging LangChain Applications

• راه‌اندازی Groq API — اجرای مدل‌های LLM با سرعت بالا Groq API Setup — Running High-Speed LLM Models

• راه‌اندازی Weaviate — یکپارچه‌سازی دیتابیس برداری برای سیستم‌های AI Weaviate Setup — Vector Database Integration for AI Systems

• یکپارچه‌سازی Tavily API — فعال‌سازی جستجوی وب در لحظه در اپلیکیشن‌های AI Tavily API Integration — Enabling Real-Time Web Search in AI Apps

• راه‌اندازی Pinecone — دیتابیس برداری مقیاس‌پذیر برای AI عملیاتی Pinecone Setup — Scalable Vector Database for Production AI

• پیکربندی محیط Pinecone برای اپلیکیشن‌های LangChain Configuring Pinecone Environment for LangChain Applications

• مدیریت امن کلیدهای API با استفاده از فایل‌های .env Secure API Key Management using .env Files

• بارگذاری متغیرهای محیطی در اپلیکیشن‌های پایتون Loading Environment Variables in Python Applications

• ساخت اولین اپلیکیشن هوش مصنوعی با استفاده از LangChain Building Your First AI Application Using LangChain

درک RAG — مفاهیم بنیادی و معماری سیستم Understanding RAG — Core Concepts & System Architecture

• تولید تقویت شده با بازیابی (RAG) — تحلیل جامع مفهوم Retrieval Augmented Generation (RAG) — Complete Concept Breakdown

• محدودیت‌های LLMها — چرا سیستم‌های AI سنتی شکست می‌خورند Limitations of LLMs — Why Traditional AI Systems Fail

• چگونه LangChain سیستم‌های AI مقیاس‌پذیر در دنیای واقعی را ممکن می‌سازد How LangChain Enables Scalable Real-World AI Systems

Embeddingها — پایه جستجوی معنایی و سیستم‌های RAG Embeddings — Foundation of Semantic Search & RAG Systems

• توضیح Embeddingها — هوش مصنوعی چگونه معنا و کانتکست را درک می‌کند Embeddings Explained — How AI Understands Meaning & Context

• پیاده‌سازی HuggingFace Embeddings برای اپلیکیشن‌های RAG واقعی Implementing HuggingFace Embeddings for Real-World RAG Applications

• استفاده از Ollama Embeddings برای اپلیکیشن‌های AI محلی (راه‌اندازی آفلاین) Using Ollama Embeddings for Local AI Applications (Offline Setup)

دیتابیس‌های برداری — زیرساخت اصلی سیستم‌های RAG Vector Databases — Core Infrastructure for RAG Systems

• دیتابیس‌های برداری — ستون فقرات سیستم‌های AI مدرن Vector Databases — The Backbone of Modern AI Systems

• تکنیک‌های ایندکس‌گذاری برداری — توضیح FAISS, IVF, HNSW Vector Indexing Techniques — FAISS, IVF, HNSW Explained

• نحوه عملکرد دیتابیس‌های برداری — توضیح مکانیسم‌های داخلی How Vector Databases Work — Internal Mechanics Explained

• بررسی عمیق FAISS — جستجوی برداری محلی با کارایی بالا FAISS Deep Dive — High-Performance Local Vector Search

• توضیح Pinecone — زیرساخت برداری ابری مقیاس‌پذیر Pinecone Explained — Scalable Cloud Vector Infrastructure

• مقایسه FAISS در مقابل Pinecone — انتخاب معماری مناسب برای مورد استفاده شما FAISS vs Pinecone — Choosing the Right Architecture for Your Use Case

مهندسی خط لوله RAG با LangChain — پیاده‌سازی کامل RAG Pipeline Engineering with LangChain — End-to-End Implementation

• وارد کردن اسناد برای RAG — بارگذاری PDFها و داده‌های خارجی با LangChain Document Ingestion for RAG — Loading PDFs & External Data with LangC

• استراتژی تکه‌بندی متن (Chunking) — جلسه آموزشی بهینه‌سازی عملکرد بازیابی Text Chunking Strategy — Optimizing Retrieval Performance Lecture

• خط لوله Embedding — تبدیل متن به نمایش‌های برداری Embedding Pipeline — Converting Text into Vector Representations

• مکانیسم بازیابی (Retriever) — RAG چگونه کانتکست مرتبط را می‌گیرد (جستجوی Top K) Retriever Mechanism — How RAG Fetches Relevant Context (Top-K Search)

• تولید پاسخ — LLMها چگونه با استفاده از کانتکست بازیابی شده پاسخ تولید می‌کنند Response Generation — How LLMs Generate Answers Using Retrieved Context

درک مشکلات RAG سنتی Understanding the Problems with Traditional RAG

• چرا دیتابیس‌های برداری در مقیاس بالا گران می‌شوند Why Vector Databases Become Expensive at Scale

• مشکلات پنهان تکه‌بندی و Embeddingها The Hidden Problems with Chunking & Embeddings

• شکست‌های بازیابی در خط لوله‌های RAG سنتی Retrieval Failures in Traditional RAG Pipelines

• چه زمانی باید و نباید از RAG سنتی استفاده کرد When You SHOULD and SHOULD NOT Use Traditional RAG

آشنایی با PageIndex و بازیابی بدون بردار (Vectorless) Introduction to PageIndex & Vectorless Retrieval

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

• ایجاد محیط مجازی برای پروژه ما Creating the Virtual Environment for our project

• نصب و راه‌اندازی PageIndex Installing & Setting Up PageIndex

• بازیابی بدون دیتابیس برداری چگونه کار می‌کند How Retrieval Works Without Vector Databases

• درک معماری سیستم‌های AI بدون بردار (Vectorless) Understanding the Architecture of Vectorless AI Systems

ساخت یک سیستم کامل Vectorless RAG Build a Complete Vectorless RAG System

• بررسی اجمالی پروژه — چه چیزی می‌سازیم Project Overview — What We Are Building

• درک معماری پروژه Understanding the Project Architecture

• بارگذاری و پردازش اسناد Loading & Processing Documents

• ایجاد ایندکس دانش بدون بردار (Vectorless) Creating the Vectorless Knowledge Index

• ساخت بازیابی مبتنی بر استدلال Building Reasoning-Based Retrieval

• تولید پاسخ‌های AI مستند شده Generating Grounded AI Answers

• اتصال تمام اجزا به یکدیگر Connecting Everything Together

• ساخت رابط کاربری Streamlit Building the Streamlit Interface

• تست سیستم با سوالات واقعی Testing the System with Real Questions