آموزش مسترکلاس مهندسی پرامپت - از مبتدی تا پیشرفته [ویدئویی] - آخرین آپدیت

سرفصل ها و درس ها

شروع کار با مهندسی پرامپت Getting Started with Prompt Engineering

• خوش‌آمدگویی و بررسی کلی دوره Welcome and Course Overview

• ارزش مهارت‌های مهندسی پرامپت The Value of Prompt Engineering Skills

• مدیریت انتظارات Setting Expectations

• معرفی پروژه دوره Introducing the Course Project

• بررسی ماژول‌های پروژه Exploring the Project Modules

• مروری بر هزینه‌های OpenAI API Overview of OpenAI API Costs

راه‌اندازی محیط توسعه Setting Up Your Development Environment

• مرور کلی بخش Section Overview

• پیکربندی محیط محلی پایتون Configuring Your Local Python Environment

• راه‌اندازی حساب و کلیدهای OpenAI Setting Up Your OpenAI Account and Keys

• راه‌اندازی حساب و کلیدهای Anthropic Setting Up Your Anthropic Account and Keys

دوره فشرده کتابخانه پایتون OpenAI OpenAI Python Library Crash Course

• مرور کلی بخش Section Overview

• راه‌اندازی محیط Environment Setup

• مدیریت امن احراز هویت API Managing API Authentication Securely

• اولین فراخوانی API برای مدل چت Making Your First API Call to a Chat Model

• ساده‌سازی فراخوانی‌های LLM با LiteLLM Simplifying LLM Calls with LiteLLM

• اتصال به مدل‌های Anthropic از طریق LiteLLM Connecting to Anthropic Models via LiteLLM

• درک و تجزیه پاسخ API Understanding and Parsing the API Response

• کنترل خلاقیت و طول متن با Temperature و max_tokens Controlling Creativity and Length with Temperature and max_tokens

• تنظیم دقیق خروجی با stop، n و response_format Fine-Tuning Output with stop, n, and response_format

• پیاده‌سازی پاسخ‌های آنی با Streaming Implementing Real-Time Responses with Streaming

• نحوه اجرای مدل‌های زبانی بزرگ به صورت محلی با Ollama How to Run Large Language Models Locally with Ollama

ماژول پروژه ۱: ساخت زیربنای جعبه‌ابزار AI Project Module #1: Building the AI Toolbox Foundation

• مرور کلی و اهداف ماژول Module Overview and Goals

• ایجاد ساختار اولیه پروژه Creating the Initial Project Structure

• تور guided در کدهای ابتدایی A Guided Tour of the Starter Code

• ساخت رابط خط فرمان (CLI) با Click Building the Command-Line Interface with Click

• پیاده‌سازی یک "Hello World" مبتنی بر AI Implementing an AI-Powered "Hello World"

• نوشتن اولین تست برای قابلیت AI Writing Your First Test for the AI Feature

مفاهیم کلیدی: سازوکارهای داخلی مدل‌های زبانی بزرگ (LLMs) Core Concepts: The Inner Workings of LLMs

• مرور کلی بخش Section Overview

• درک توکن‌سازی (Tokenization) Understanding Tokenization

• آزمایشگاه عملی: بررسی توکن‌سازی Practical Lab: Exploring Tokenization

• آزمایشگاه عملی: مفاهیم پیشرفته توکن‌سازی Practical Lab: Advanced Tokenization Concepts

• نقش احتمال‌های لگاریتمی در تولید متن The Role of Log Probabilities in Text Generation

• آزمایشگاه عملی: شبیه‌سازی تولید جمله Practical Lab: Simulating Sentence Generation

• پنجره متنی (Context Window) و محدودیت‌های آن The Context Window and Its Limitations

• اجزای اصلی هزینه‌های استفاده از API Key Components of API Usage Costs

• آزمایشگاه عملی: محاسبه هزینه‌های API Practical Lab: Calculating API Costs

• آزمایشگاه عملی: تحلیل پیشرفته هزینه‌ها Practical Lab: Advanced Cost Analysis

• بررسی کلاس‌های مختلف مدل‌های زبانی Exploring Different Classes of Language Models

• اهمیت نقش‌های سیستم (System)، کاربر (User) و دستیار (Assistant) The Importance of System, User, and Assistant Roles

• آزمایشگاه عملی: طراحی پرامپت‌های سیستمی موثر Practical Lab: Crafting Effective System Prompts

الگوهای بنیادین مهندسی پرامپت Foundational Prompt Engineering Patterns

• مرور کلی بخش Section Overview

• کالبدشناسی پرامپت: دستورالعمل‌ها، متن و محدودیت‌ها The Anatomy of a Prompt: Instructions, Context, and Constraints

• آزمایشگاه عملی: ساخت یک پرامپت ساختاریافته Practical Lab: Building a Structured Prompt

• استفاده از جداکننده‌ها (Delimiters) برای ساختاردهی به پرامپت‌ها Using Delimiters to Structure Prompts

• بازنویسی پرامپت با استفاده از جداکننده‌ها Refactoring a Prompt with Delimiters

• آزمایشگاه عملی: به‌کارگیری موثر جداکننده‌ها Practical Lab: Applying Delimiters Effectively

• تعیین پرسونا برای پاسخ‌های هدفمند Setting Personas for Targeted Responses

• آزمایشگاه عملی: پیاده‌سازی الگوی پرسونا Practical Lab: Implementing the Persona Pattern

• آزمایشگاه عملی: تعیین دستورالعمل‌های رفتاری شفاف برای AI Practical Lab: Setting Clear Behavioral Guidelines for the AI

• مطالعه موردی: ایجاد پرسونا برای مدیر دیتابیس Case Study: Creating a Database Administrator Persona

• بهبود دقت با پرامپتینگ چند-نمونه‌ای (Few Shot) Improving Accuracy with Few-Shot Prompting

• آزمایشگاه عملی: پیاده‌سازی مثال‌های Few Shot Practical Lab: Implementing Few-Shot Examples

• استراتژی‌های کنترل فرمت خروجی Strategies for Controlling Output Format

• تکنیک‌های پیشرفته فرمت‌بندی خروجی Advanced Output Formatting Techniques

• تشویق به استدلال با زنجیره افکار (Chain of Thought) Encouraging Reasoning with Chain-of-Thought

• آزمایشگاه عملی: به‌کارگیری پرامپتینگ زنجیره افکار Practical Lab: Applying Chain-of-Thought Prompting

• سازماندهی اطلاعات با الگوی قالب (Template Pattern) Organizing Information with the Template Pattern

• آزمایشگاه عملی: ساخت و استفاده از قالب‌های پرامپت Practical Lab: Building and Using Prompt Templates

ماژول پروژه ۲: پیام‌های Git Commit مبتنی بر AI Project Module #2: AI-Powered Git Commit Messages

• مرور کلی و اهداف ماژول Module Overview and Goals

• راه‌اندازی ساختار اولیه برای قابلیت Commit Setting Up the Boilerplate for the Commit Feature

• بازیابی برنامه‌نویسی شده Diffهای گیت Programmatically Retrieving Git Diffs

• طراحی قالب‌های پرامپت برای پیام‌های Commit Designing Prompt Templates for Commit Messages

• ساخت منطق اصلی برای Commitهای AI Building the Core Logic for AI Commits

• افزودن مرحله بررسی و ویرایش توسط کاربر Adding a User Review and Edit Step

• بهبود مجموعه تست‌ها برای قابلیت Commit Enhancing the Test Suite for the Commit Feature

• ادغام سیستم ثبت وقایع (Logging) قدرتمند Integrating Robust Logging

• فعال‌سازی انتخاب مدل از طریق CLI Enabling Model Selection via the CLI

• مستندسازی قابلیت Smart Commit Documenting the Smart Commit Feature

تسلط بر مهندسی پرامپت پیشرفته Mastering Advanced Prompt Engineering

• مرور کلی بخش Section Overview

• آزمایشگاه عملی: الگوی "برعکس کردن سناریو" (Flip the Script) Practical Lab: The "Flip the Script" Pattern

• آزمایشگاه عملی: کاربردهای الگوی Flip the Script Practical Lab: "Flip the Script" Pattern Applications

• آزمایشگاه عملی: استفاده از AI برای تولید پرامپت Practical Lab: Using AI to Generate Prompts

• آزمایشگاه عملی: اصلاح پرامپت‌های تولید شده توسط AI Practical Lab: Refining AI-Generated Prompts

• آزمایشگاه عملی: تجزیه وظایف پیچیده با روش Decomposition Practical Lab: Breaking Down Complex Tasks with Decomposition

• آزمایشگاه عملی: بهبود پاسخ‌ها با خود-انتقادی (Self Critique) Practical Lab: Improving Responses with Self-Critique

• آزمایشگاه عملی: مقدمه‌ای بر فراخوانی توابع (Function Calling) Practical Lab: Introduction to Function Calling

• آزمایشگاه عملی: فراخوانی پیشرفته توابع Practical Lab: Advanced Function Calling

• آزمایشگاه عملی: مقدمه‌ای بر سازگاری داخلی (Self Consistency) Practical Lab: Introduction to Self-Consistency

• آزمایشگاه عملی: جمع‌بندی سازگاری داخلی Practical Lab: Self-Consistency Wrap-Up

ماژول پروژه ۳: ساخت بررسی‌کننده کد AI Project Module #3: Building an AI Code Reviewer

• مرور کلی و اهداف ماژول Module Overview and Goals

• بررسی برنامه پیاده‌سازی ماژول Reviewing the Module Implementation Plan

• بازنویسی برای استفاده از کتابخانه GitPython Refactoring to Use the GitPython Library

• بهبود مدیریت استثناها (Exception Handling) Improving Exception Handling

• ایجاد ساختار اولیه برای دستور بررسی (Review) Creating the Boilerplate for the Review Command

• استفاده از Dataclasses برای داده‌های ساختاریافته Using Dataclasses for Structured Data

• افزودن دستور Review به CLI Adding the Review Command to the CLI

• طراحی پرامپت‌ها برای بررسی منطق و نحو (Syntax) Designing Prompts for Logic and Syntax Checks

• اجرای منطق اصلی بررسی AI Executing the Core AI Review Logic

• توسعه پرسونا‌های خبره برای تحلیل عمیق‌تر کد Developing Expert Personas for Deeper Code Analysis

• ساخت گردش‌کار سازگاری داخلی برای بررسی‌ها Building a Self-Consistency Workflow for Reviews

• تکمیل پیاده‌سازی سازگاری داخلی Completing the Self-Consistency Implementation

• تعریف ابزارهای خارجی برای بررسی‌کننده Defining External Tools for the Reviewer

• ساخت یک رجیستری ابزار ساده Building a Basic Tool Registry

• تکمیل رجیستری ابزار Completing the Tool Registry

• رفع خطاهای تایپ استاتیک (Static Typing) Resolving Static Typing Errors

• ایجاد اولین حلقه فراخوانی ابزار AI Creating the Initial AI Tool-Calling Loop

• بهینه سازی منطق فراخوانی ابزار Refining the Tool-Calling Logic

• نوشتن تست‌ها برای قابلیت فراخوانی ابزار Writing Tests for the Tool-Calling Feature

• ادغام مرحله خود-انتقادی در فرآیند بررسی Integrating a Self-Critique Phase into the Review Process

ماژول پروژه ۴: خروجی ساختاریافته و نهایی‌سازی Project Module #4: Structured Output and Finalization

• مرور کلی و اهداف ماژول Module Overview and Goals

• شروع مهاجرت به خروجی ساختاریافته Initiating the Migration to Structured Output

• بازنویسی ماژول Review برای قابلیت نگهداری بیشتر Refactoring the Review Module for Maintainability

• رفع خطاهای تست پس از بازنویسی Resolving Test Failures After Refactoring

• به‌روزرسانی پرامپت‌ها برای تولید خروجی JSON Updating Prompts to Generate JSON Output

• اصلاح تست‌ها برای اعتبارسنجی خروجی JSON Modifying Tests to Validate JSON Output

• تغییر خط لوله (Pipeline) برای استفاده از Dataclasses Adapting the Pipeline to Use Dataclasses

• ادامه مهاجرت به Dataclass Continuing the Dataclass Migration

• نهایی‌سازی مهاجرت خط لوله Finalizing the Pipeline Migration

• بررسی و رفع باگ‌های جزئی Addressing and Fixing Minor Bugs

• اصلاح خطاهای باقی‌مانده در تست‌ها Correcting Remaining Test Failures

• ساخت تجزیه‌کننده (Parser) خروجی JSON Building the JSON Output Parser

• تکمیل نهایی: منطق سنتز و مستندات Final Touches: Synthesis Logic and Documentation