مقدمه

درود!

قالب کوئرا کالج

سیستم امتیازدهی و دریافت گواهی

مدل‌های زبان انقلاب چهارم بشریت؟

مبانی و الگوهای اپلیکیشین‌های LLM

اهداف فصل

LLMها چگونه توسعه را متحول کردند؟

از NLP سنتی تا LLMها

وظایف بنیادین LLMها

الگوهای اصلی اپلیکیشن

کوئیز

مقدمه‌ای بر مدل‌های زبانی

آشنایی با LLM

سفارشی‌سازی LLM

خود میزبانی یا رابط برنامه‌نویسی

مشخصات مدل‌ها

محاسبه‌ی هزینه

چرخه‌ی پروژه

پارامترهای پیکربندی

روش‌ها و پارامترهای نمونه‌گیری

پارامترهای دما و کنترل

توهم در مدل‌های زبانی

کوییز

الفبای مدل‌های زبانی

توکن چیست؟

انواع توکنایزر

کلمه در نگاه مدل‌های زبانی

تاثیر توکنایزر بر مدل ۱

تاثیر توکنایزر بر مدل ۲

محاسبه توکن

مقدمه‌ای بر LangChain

آشنایی با LangChain

آماده‌سازی محیط توسعه

محیط VS Code

ساخت مدل ساده

توابع کمکی

قالب دستور در مدل‌های زبانی

LCEL

اجرای موازی زنجیره‌ها

تزریق منطق پایتونی

عبور بدون تغییر ورودی

ردیابی و دیباگ

چیت‌شیت

دنیای متن‌باز

قدم اول در دنیای متن‌باز

انتخاب مدل

میزبانی از مدل متن‌باز

Ollama

کوانتیزه‌سازی

متن‌باز از طریق API

مدل‌های متن‌باز پیشرو

مهندسی پرامپت

فلسفه مهندسی پرامپت

تکنیک‌های بنیادی مهندسی دستور

معرفی معماری CoT

کنترل کامل خروجی

کپسول کاهش توهم

دستورنویسی چند نمونه‌ای

فلسفه دستورنویسی چندنمونه‌ای

دستورنویسی چند نمونه‌ای ساده

دستورنویسی چندنمونه‌ای پویا

انتخاب نمونه بر اساس طول دستور

استدلال و تفکر زنجیره‌ای

چرا مدل‌ها نیاز به «فکر کردن» دارند؟

تکنیک‌های CoT

پیاده‌سازی CoT در LangChain

خودسازگاری

چالش خروجی تمیز

اتصال CoT به آینده

پروژه‌ی ۱

الهه‌شناسی

حافظه‌ و نگهداری تاریخچه

حافظه و مدیریت آن

تاریخچه‌ی گفت‌وگو

مدیریت خودکار تاریخچه

هرس پیام‌ها

حافظه‌‌ی خلاصه‌ساز

حافظه پایدار

تعبیه متن

محدودیت جست‌و‌جو

تعبیه‌ی متن چیست؟

سنجش شباهت

مدل‌های تعبیه متن

پیاده‌سازی عملی در Langchain

آشنایی با پایگاه داده‌های برداری

چرا دیتابیس‌های سنتی کافی نیستند؟

پایگاه‌داده‌های برداری

ریاضیات شباهت

راه‌اندازی پایگاه‌داده برداری

چرخه حیات داده (CRUD)

فیلترینگ متادیتا

پردازش داده‌ها در LangChain

اصول پردازش داده

بارگیری اسناد

استراتژی‌های تقسیم متن

هنر حفظ بافتار

تقسیم‌بندی معنایی

پردازش متن‌آگاه

متادیتا

دانش خارجی و معماری RAG

معماری RAG

معماری RAG - اپیزود دوم

بازیابی با الگوریتم MMR

بازیابی با خود-کوئری

بازیابی با فشرده‌سازی بافتاری

پرسش‌وپاسخ با RAG

رتبه‌بندی مجدد

Hybrid Search

CAG در برابر  RAG

پیاده‌سازی یک سیستم RAG

ارزیابی سیستم‌های RAG

پردازش خروجی‌ها

مبانی پردازش خروجی

خروجی JSON

خروجی ساختاریافته

خروجی بدون پارسر

عامل‌ها (Agents) و ابزارهای سفارشی

موتور استدلال

ابزارها در LangChain

ابزارهای سفارشی

عامل‌ ReAct

LangGraph

RAG به عنوان ابزار

پروژه‌ی نهایی

LibreChat

توسعه‌ی بیشتر

مدل‌های چندوجهی

طراحی رابط کاربری با استریم‌لیت

ساخت رابط کاربری چت‌بات

اجرای آفلاین مدل‌ها با Ollama

مطالعه‌ی بیشتر

نحوه کار با متیس!

گوگل کولب (Google Colab)

دریافت کلید API از Cohere

دریافت کلید API از Google

دریافت کلید API از OpenAI

دریافت کلید API از SerpAPI

دریافت کلید API از Wolfram

| «ما همچون کوتاه‌قامتانی هستیم که بر شانه‌های غول‌های عظیم‌الجثه نشسته‌ایم. ما بیش از آنان می‌بینیم و چیزهای دورتری را مشاهده می کنیم، نه به این دلیل که بینایی ما برتر است یا این‌که از آنان بلندقامت‌تر هستیم، بلکه به این سبب که آنان ما را بر فراز خود برافراشته‌اند و با قامت بلند خویش به قد و قامت ما افزوده‌اند.» — *برنارد شارتری (Bernard of Chartres)* |
| :--: |

ورود شما را به یک کالج کوئرایی بسیار جذاب و کاربردی خوش‌آمد می‌گوییم! 🎉 هدف از دوره‌ای که پیش‌رو دارید این است که بتوانید از قدرت نهفته در **مدل‌های زبانی عظیم (‌Large Language Models)** در مسائل خود استفاده کرده و اپلیکیشن‌های خلاقانه‌ای را بر پایه‌ی *LLM* ها توسعه دهید.

در این دوره قصد نداریم از زاویه‌دید یک متخصص هوش مصنوعی به این مدل‌ها نگاه کنیم و به بحث درباره‌ی ساختار و جزئیات این‌گونه مدل‌ها بپردازیم، بلکه می‌خواهیم بر شانه‌های غول بایستیم و افق‌هایی را ببینیم که تاکنون تصورش را نمی‌کردیم. بنابراین مخاطب این دوره هر **توسعه‌دهنده‌ای (Developer)** است که قصد دارد با نحوه‌ی به‌کارگیری *LLM* ها از طریق کدنویسی و مهم‌تر از آن روش‌های خلاقانه‌ای که امروزه جهت بهره‌گیری بهتر و افزایش عملکرد این مدل‌ها در کاربردهای مختلف استفاده می‌شود آشنا شود. آشنایی با این روش‌های خلاقانه به شما کمک می‌کند تا دید بهتری نسبت به پتانسیل‌های این حوزه پیدا کنید و خود با توجه به دانشی که درباره‌ی یک حوزه دارید بتوانید خلاقیت‌تان را به کار گرفته و از ‌‌‌*LLM* ها بهترین استفاده را ببرید.

در ابتدای دوره بحث خود را با معرفی مدل‌های زبانی عظیم آغاز کرده و به‌صورت کلی بررسی می‌کنیم که در واقع یک مدل زبانی چگونه زاده می‌شود و چگونه کار می‌کند. همچنین به بحث درباره‌ی انواع روش‌های استفاده از مدل‌های زبانی عظیم خواهیم پرداخت و برخی از ویژگی‌های اساسی *LLM* ها که در انتخاب از بین مدل‌های موجود کمک‌مان می‌کند را نیز معرفی خواهیم کرد. در گام بعد به‌سراغ پایه‌ای‌ترین راه استفاده از یک مدل زبانی عظیم در پایتون یعنی چت مستقیم با *API* خواهیم پرداخت. در ادامه پس از آن‌که به تاثیر **مهندسی دستور (Prompt Engineering)** پی بردیم به معرفی کتابخانه‌ی `LangChain` خواهیم پرداخت و با مفاهیمی همچون قالب‌های دستور و زنجیره‌ها آشنا خواهیم شد.

پس از این‌که با تمام ابزارهای مورد نیاز خود آشنا شدیم دیگر بحث خود را حرفه‌ای‌تر ادامه داده و انواع معماری‌ها و تکنیک‌های قدرتمندتر را شرح خواهیم داد. به‌عنوان مثال بررسی می‌کنیم که چگونه می‌توان چت‌باتی طراحی کرد که براساس اسناد خودمان به کاربر پاسخ دهد. چگونه می‌توان خروجی مدل را جهت استفاده در سایر بخش‌های اپلیکیشن خود به یک خروجی ساختاریافته (Structured) تبدیل کرد. چگونه می‌توان یک **عامل (Agent)** طراحی کرد که به‌صورت خودکار و پیوسته کار خود را ادامه دهد یا خود را بهبود دهد. در هرکدام از این موضوعات نیاز است با تکنیک‌های مختلفی آشنا شویم که در جای خود شرح داده شده‌اند. 

امیدواریم که از این دوره نهایت استفاده را ببرید و اپلیکیشن‌های خلاقانه‌ای را طراحی کنید. همچنین بسیار خوشحال خواهیم شد که درباره‌ی آن‌ها و ایده‌های جذاب‌تان بیشتر بشنویم. 🤩

ساخت اپلیکیشن‌های LLM