مهندسی پرامپت برای توسعهدهندگان - راهنمای قطعی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک مکانیکهای اصلی مدل زبانی بزرگ مانند توکنسازی و context windows برای ساخت راهحلهای کارآمد و مقرون به صرفه
- استفاده از الگوهای پیشرفته مهندسی پرامپت مانند پرسونا، زنجیره افکار و Self‑Critique برای حل مسائل پیچیده
- مهندسی پرامپتهایی که خروجیهای قابل اطمینان و قابل خواندن برای ماشین مانند JSON را تضمین کنند برای استفاده در سیستمهای خودکار
- پیادهسازی فراخوانی توابع به منظور اجازه دادن به اپلیکیشن هوش مصنوعی برای اجرای ابزارهای خارجی مانند linters و اسکنرهای امنیتی
- محاسبه و مدیریت هزینههای API برای گردش کارها و مکالمات چندمرحلهای پیچیده هوش مصنوعی
- کد مستقل از provider با LiteLLM بنویسید که میتواند بهراحتی بین OpenAI ،Anthropic و مدلهای محلی سوئیچ کند.
- استفاده از عاملهای کدنویسی هوش مصنوعی مانند GitHub Copilot برای تسریع گردش کار توسعه نرمافزار از scaffold تا تست
- یک ابزار رابط خط فرمان کامل و مبتنی بر هوش مصنوعی از ابتدا بسازید که پیامهای کامیت هوشمند تولید کرده و بررسیهای کد را انجام میدهد.
- نوشتن تستهای واحد جامع برای کد یکپارچهشده با هوش مصنوعی با شبیهسازی مؤثر فراخوانیهای API خارجی و ورودی کاربر
پیشنیازهای دوره
- آشنایی با برنامهنویسی پایتون و اکوسیستم آن (pip و محیطهای مجازی)
- تجربه عملی با گیت برای کنترل نسخه (add ،commit و diff)
توضیحات دوره
به "مهندسی پرامپت برای توسعهدهندگان - راهنمای قطعی" خوش آمدید!
آیا آمادهاید مهارتهای مهندسی پرامپت و Generative AI خود را به سطح بعدی ببرید؟ این دوره مهندسی پرامپت برای کمک به شما در کسب اعتماد به نفس و تخصص طراحی شده و تضمین میکند فراتر از چت با مدلهای زبانی بزرگ بروید و شروع به مهندسی راهحلهای واقعی و مؤثر هوش مصنوعی کنید.
چرا این دوره مهندسی پرامپت را انتخاب کنید؟
در حالی که منابع بسیاری به شما آموزش میدهند چگونه با هوش مصنوعی چت کنید، این دوره آموزش میدهد چگونه با یک هوش مصنوعی مهندسی کنید. این دوره توسط یک مهندس، برای مهندسان و با تمرکز بیوقفه بر چالشهای عملی ساخت راهحلهای هوش مصنوعی آماده تولید ساخته شده است.
- پروژهمحور، نه فقط نظری: شما فقط الگوها را جداگانه یاد نمیگیرید؛ بلکه آنها را بهکار میبرید تا یک ابزار رابط خط فرمان کامل و مبتنی بر هوش مصنوعی را از ابتدا بسازید. هر مفهوم را، از فراخوانیهای اولیه API تا الگوهای استدلال پیشرفته، فوراً در یک پروژهٔ واقعی توسعه نرمافزار بهکار میبریم.
- رویکرد مبتنی بر مهندسی: پرامپتها کامپوننت اصلی یک سیستم نرمافزاری بزرگتر هستند. شما یاد میگیرید چگونه تستهای واحد جامع برای گردش کارهای هوش مصنوعی بنویسید، کد خود را برای قابلیت نگهداری ریفکتور کنید و داده ساختار یافته را برای ساخت پایپلاینهای قوی و قابل خواندن برای ماشین مدیریت کنید، مهارتهایی که در یک دوره عمومی نوشتن پرامپت پیدا نمیکنید.
- جعبه ابزار حرفهای الگوهای قابل استفاده مجدد: این دوره جعبه ابزاری اثبات شده از استراتژیهای پیشرفته، پرسونا، زنجیره افکار، Decomposition ،Self‑Critique و غیره ارائه میدهد که مستقیما در وظایف مهندسی قابل اعمال هستند. در نهایت یک مجموعه از الگوهایی خواهید داشت که به شما توانایی حل هر مسئله پیچیدهای با اطمینان را میدهند.
- درک عمیق مکانیکهای مدل زبانی بزرگ: برای ساخت اپلیکیشنهای کارآمد و مقرون به صرفه، باید ماشین را درک کنید. ما بهعمق به مفاهیم اصلی توکنسازی، context window و مدیریت هزینهٔ API میپردازیم، تا اطمینان حاصل کنیم شما میتوانید راهحلهایی بسازید که نهتنها هوشمند، بلکه برای تولید بهینه باشند.
آنچه در این کلاس یاد خواهید گرفت:
در پایان این دوره، مجموعه جامع و ارزشمندی از مهارتهای مهندسی پرامپت خواهید داشت که به شما امکان میدهد راهحلهای Generative AI پیچیده برای توسعه نرمافزار معماری کرده و بسازید.
شما موارد زیر را یاد خواهید گرفت:
- تسلط به چارچوب اساسی پرامپتنویسی: هر پرامپت را با دستورالعمل، زمینه و محدودیتهای واضح ساختاردهی کنید. این اصل اساسی، حیاتیترین مهارت برای دریافت نتایج قابل اعتماد، پیشبینیپذیر و با کیفیت بالا از هر مدل زبانی بزرگ است.
- ساخت دستیارهای هوش مصنوعی خبره با الگوی پرسونا: با دستور دادن به مدل برای ایفای نقش به عنوان "معمار ابر ارشد"، "تحلیلگر امنیتی شکاک" یا "مدیر پایگاه داده خبره"، فراتر از پاسخهای عمومی بروید. شما یاد میگیرید چگونه پرسونا را با قوانین رفتاری خاص ترکیب کنید تا دانش، لحن و تحلیل هوش مصنوعی را دقیقاً با نیازهای خود متناسب کنید.
- آنلاک کردن استدلال عمیقتر با الگوهای منطقی پیشرفته: هوش مصنوعی را مجبور کنید فراتر از پاسخهای سطحی برود. شما به الگوهایی مانند زنجیره افکار، Decomposition و Self‑Critique تسلط مییابید تا مسائل چندمرحلهای پیچیده را حل کنید و اطمینان حاصل کنید هوش مصنوعی راهحلهای کامل با استدلال درست ارائه میدهد.
- مهندسی پرامپتها و پاسخهای کاملا واضح و قابل تجزیه برای ماشین: ساختار در اتوماسیون کل ماجرا است. شما از Delimiterهای پیشرفته (مانند مارکداون و XML) و الگوی Template برای ایجاد پرامپتهایی که برای هوش مصنوعی غیرمبهم است و دریافت خروجی قابل پیشبینی با فرمتی ساختار یافته مانند JSON استفاده میکنید.
- پلی بین شکاف هوش مصنوعی و ابزارهای خود با فراخوانی توابع ایجاد کنید: هوش مصنوعی خود را به یک عامل فعال در گردش کارهای خود تبدیل کنید. شما یاد میگیرید چگونه توابع پایتون خود را به عنوان "ابزار" تعریف و افشا کنید تا Generative AI بتواند این توابع را فراخوانی کند، امکان اجرای linters، اسکنرهای امنیتی یا هر فرایند خارجی دیگر را فراهم کند.
- طراحی گردش کارهای هوش مصنوعی تعاملی و مشارکتی: هوش مصنوعی را از یک دنبالکننده دستورالعمل ساده به شریک فعال تبدیل کنید. شما الگوی Flip the Script را پیادهسازی میکنید تا کاری کنید هوش مصنوعی از شما سؤالاتی برای رفع ابهام بپرسد و از حلقه بازخورد تکرارشونده برای اصلاح محتوای تولیدشده توسط هوش مصنوعی با زبان طبیعی استفاده کند.
- تولید خروجیهای برتر و با کیفیت بالا با تکنیکهای پیشرفته: رازهای دریافت بهترین پاسخ ممکن را بیاموزید. الگوی Self‑Consistency را برای طوفان فکری چندین راهحل مختلف و ترکیب آنها به یک نسخه نهایی برتر اعمال میکنید و از پرامپتنویسی Few‑Shot برای آموزش رفتارهای ظریف به مدل از طریق مثالها استفاده میکنید.
- استفاده از هوش مصنوعی برای مهندسی پرامپتهای بهتر (پرامپتنویسی متا): مهارتهای خود را از طریق استفاده از یک هوش مصنوعی برای کمک به ساخت پرامپتها برای هوش مصنوعی دیگر ارتقا دهید و از الگوی "ژنراتور پرامپت" برای ایجاد "پرامپت مستر" استفاده کنید که بهصورت تعاملی کمک میکند تا پرامپتهای بهینهشده برای هر وظیفهای را بسازید.
- و غیره!
آماده شوید تا سطح بازی Generative AI خود را ارتقا دهید، به مهندسی پرامپت تسلط پیدا کنید و به توسعهدهندهای 10 برابر کارآمدتر تبدیل شوید که همه همواره در مورد او صحبت میکنند. بیایید این سفر را با هم آغاز کنیم!
این دوره برای چه کسانی مناسب است؟
- هر توسعهدهنده یا متخصص فنی که میخواهد اثربخشی خود را هنگام کار با Generative AI بهطور چشمگیر افزایش دهد.
- مهندسان DevOps، مهندسان قابلیت اطمینان سایت و توسعهدهندگان نرمافزار که میخواهند اتوماسیون و ابزارهای مبتنی بر هوش مصنوعی سفارشی بسازند.
- مهندسانی که میخواهند فراتر از چتباتهای اولیه هوش مصنوعی بروند و راهحلهای قابل اطمینان، آماده تولید و قابل تست بسازند.
- تیمهای پلتفرم و ابزارسازی که مسئول ایجاد ابزارهای داخلی هوشمند برای توسعهدهندگان به منظور افزایش بهرهوری هستند.
- متخصصان فنی که میخواهند به رهبرانی در کاربرد عملی Generative AI برای چالشهای مهندسی تبدیل شوند.
مهندسی پرامپت برای توسعهدهندگان - راهنمای قطعی
-
مقدمه 03:48
-
چرا مهندسی پرامپت را یاد بگیریم؟ 03:18
-
همراستاسازی انتظارات 03:28
-
پروژه دوره: آنچه خواهیم ساخت 02:32
-
پروژه دوره: تجزیه ماژول 04:20
-
بررسی هزینه برای استفاده از OpenAI API 03:40
-
مقدمه بخش 01:04
-
راهاندازی محلی پایتون 02:36
-
راهاندازی OpenAI 05:17
-
راهاندازی Anthropic 03:25
-
مقدمه بخش 02:32
-
راهاندازی محیط 05:39
-
مدیریت احراز هویت 07:33
-
اولین فراخوانی تکمیل چت شما 10:23
-
آشنایی با LiteLLM 09:40
-
استفاده از LiteLLM با Anthropic 10:18
-
آبجکت پاسخ 12:26
-
پارامترهای مفید: temperature و max_tokens 10:04
-
پارامترهای مفید: n ،response_format و stop 11:54
-
استریمینگ 09:27
-
اجرای مدلهای زبانی بزرگ به صورت محلی با Ollama 11:01
-
ماژول 1: بررسی 00:41
-
Scaffold پروژه 11:08
-
بررسی کدبیس 05:31
-
پیادهسازی رابط خط فرمان مینیمال با Click 12:06
-
Hello مبتنی بر هوش مصنوعی 08:00
-
تست ویژگی 08:24
-
مقدمه بخش 01:54
-
توکنسازی چیست؟ 05:08
-
لابراتوار: توکنسازی - بخش 1 06:57
-
لابراتوار: توکنسازی - بخش 2 05:09
-
درک احتمالات لاگ 03:43
-
لابراتوار: مدلهای زبانی بزرگ چگونه جملات را میسازند؟ 12:15
-
Context Window 04:38
-
کامپوننتهای اصلی هزینه استفاده 06:04
-
لابراتوار: هزینهٔ استفاده - بخش 1 15:45
-
لابراتوار: هزینهٔ استفاده - بخش 2 10:33
-
کلاسهای مدل 06:25
-
نقشهای پرامپت 03:26
-
لابراتوار: پرامپتهای سیستم 13:31
-
مقدمه بخش 01:48
-
دستورالعمل، زمینه و محدودیتها 05:40
-
لابراتوار: دستورالعمل، زمینه و محدودیتها 13:18
-
قدرت Delimiterها: بررسی Delimiterها 04:43
-
قدرت Delimiterها: ریفکتورینگ یک پرامپت 07:49
-
لابراتوار: استفاده از Delimiterها 09:24
-
الگوی پرسونا 06:26
-
لابراتوار: الگوی پرسونا 11:49
-
لابراتوار: تعریف قوانین رفتاری 05:59
-
لابراتوار: مثال - تعریف یک مدیر پایگاه داده خبره 06:50
-
پرامپتنویسی Few-Shot 04:58
-
لابراتوار: پرامپتنویسی Few-Shot 16:10
-
تکنیکهای فرمتبندی خروجی - بخش 1 09:51
-
تکنیکهای فرمتبندی خروجی - بخش 2 07:25
-
الگوی زنجیره افکار 04:16
-
لابراتوار: تمرین زنجیره افکار 05:02
-
الگوی Template 04:20
-
لابراتوار: تمرین الگوی Template 09:48
-
ماژول 2: بررسی 01:01
-
Scaffold کد بویلرپلیت ویژگی کامیت 14:44
-
بازیابی Git Diff 16:48
-
تولید قالبهای پرامپت 11:29
-
پیادهسازی قابلیت کامیت 11:31
-
اجازه به تنظیمات پیام کامیت 10:48
-
بهبود مجموعه تست 18:54
-
اضافه کردن لاگکردن مناسب به ویژگی کامیت 14:59
-
اجازه به انتخاب مدل سفارشی از طریق رابط خط فرمان 09:17
-
اضافه کردن مستندسازی 04:56
-
مقدمه بخش 02:57
-
لابراتوار: الگوی Flip the Script - بخش 1 11:28
-
لابراتوار: الگوی Flip the Script - بخش 2 06:37
-
لابراتوار: تولید پرامپتها - بخش 1 07:27
-
لابراتوار: تولید پرامپتها - بخش 2 15:55
-
لابراتوار: الگوی Decomposition 15:35
-
لابراتوار: الگوی Self-Critique 11:22
-
لابراتوار: پیادهسازی فراخوانی تابع - بخش 1 11:11
-
لابراتوار: پیادهسازی فراخوانی تابع - بخش 2 07:08
-
لابراتوار: الگوی Self-Consistency - بخش 1 07:00
-
لابراتوار: الگوی Self-Consistency - بخش 2 06:03
-
ماژول 3: بررسی 00:57
-
بررسی TODOهای ماژول 03:38
-
مهاجرت از فرآیند فرعی به GitPython 17:49
-
ریفکتور استثناها 04:13
-
Scaffold فرمان بررسی 05:56
-
پیادهسازی کلاسهای داده و توابع Helper 14:09
-
یکپارچهسازی فرمان بررسی در رابط خط فرمان 04:31
-
پیادهسازی پرامپتهای بررسی سینتکس و منطق 09:58
-
استفاده از مدلهای زبانی بزرگ برای بررسیها 12:11
-
ایجاد پرسوناهای مرتبط برای تحلیل پیشرفتهتر 09:22
-
پیادهسازی گردش کار Self-Consistency - بخش 1 14:00
-
پیادهسازی گردش کار Self-Consistency - بخش 2 06:31
-
تعریف توابع برای فراخوانی ابزار 15:33
-
پیادهسازی رجیستری ابزار سبک - بخش 1 13:31
-
پیادهسازی رجیستری ابزار سبک - بخش 2 10:00
-
فیکس کردن مشکلات تایپینگ 10:22
-
پیادهسازی یک پیشنویس اولیه برای فراخوانی ابزار مبتنی بر هوش مصنوعی 06:36
-
بهبود حلقه فراخوانی ابزار 12:16
-
پیادهسازی تستها برای فراخوانی ابزار 08:45
-
اضافه کردن مرحله Self-Critique به بررسی 13:41
-
ماژول 4: بررسی 01:09
-
شروع با مهاجرت خروجی 15:23
-
تقسیم ماژول بررسی به چندین فایل 16:35
-
فیکس کردن تستهای شکستخورده 08:49
-
مهاجرت پرامپتهای موجود به خروجی JSON 12:54
-
بروزرسانی تستهای موجود 04:39
-
مهاجرت پایپلاین و Helperها برای کار با کلاسهای داده - بخش 1 12:46
-
مهاجرت پایپلاین و Helperها برای کار با کلاسهای داده - بخش 2 07:14
-
تکمیل مهاجرت پایپلاین 14:24
-
فیکس کردن باگهای جزئی 05:38
-
فیکس کردن تستهای موجود 07:19
-
پیادهسازی تجزیه خروجی برای فرمان بررسی 10:08
-
جمعبندی پروژه: بروزرسانی منطق ترکیب و مستندسازی پروژه 13:14
مشخصات آموزش
مهندسی پرامپت برای توسعهدهندگان - راهنمای قطعی
- تاریخ به روز رسانی: 1404/10/04
- سطح دوره:همه سطوح
- تعداد درس:112
- مدت زمان :16:06:55
- حجم :9.93GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy