فریمورک LangChain برای مبتدیان – ساخت سیستمهای هوش مصنوعی + RAG
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- ساخت Agentهای هوش مصنوعی با LangChain با استفاده از ابزارها، حافظه، پرامپتها و پیکربندیهای چند مدلی
- ایجاد ابزارهای سفارشی با اعتبارسنجی Zod و فعالسازی مدلهای زبانی بزرگ (LLM) برای انتخاب و اجرای هوشمندانه ابزارها
- پیادهسازی پرامپتهای سیستم داینامیک، میانافزار و تزریق زمینه برای پاسخهای دقیق Agent
- طراحی پایپ لاین های کامل RAG با استفاده از امبدینگها، ذخیرهسازی برداری، جستجوی شباهت و لودرهای اسناد
- یکپارچهسازی Agentهای LangChain با APIهای خارجی، پایگاههای داده و سرورهای MCP برای خودکارسازی دنیای واقعی
- استقرار سرورهای Agent آماده تولید با LangGraph شامل راهاندازی محیط، رهگیری و محافظهای امنیتی
پیشنیازهای دوره
- آشنایی اولیه با TypeScript مفید خواهد بود.
توضیحات دوره
اگر همه جا کلماتی مانند «Agentهای هوش مصنوعی»، «LangChain» یا «RAG» را میشنوید و میخواهید بدانید مردم چگونه اپلیکیشنهای هوشمند هوش مصنوعی میسازند که میتوانند دادهها را جستجو کنند، به سوالات پاسخ دهند یا به طور مستقل اقدام کنند، شما در جای درستی هستید.
این دوره مناسب برای مبتدیان به شما نشان میدهد که چگونه اپلیکیشنهای واقعی هوش مصنوعی را از ابتدا بسازید، حتی اگر قبلاً هرگز با هوش مصنوعی کار نکرده باشید.
اکثر مردم فقط از ChatGPT برای نوشتن متن استفاده میکنند...
اما شرکتهای امروزی در حال ساخت اپلیکیشنهایی هستند که میتوانند فکر کنند، بخوانند، جستجو کنند، تصمیم بگیرند و به طور خودکار عمل کنند.
این اپلیکیشنها توسط LangChain - فریمورک پیشرو برای ساخت نرمافزارهای مبتنی بر هوش مصنوعی - قدرت میگیرند.
در این دوره، شما یاد خواهید گرفت که چگونه:
- اپلیکیشنهای ساده هوش مصنوعی بسازید که واقعاً کارهای مفید انجام دهند.
- یک هوش مصنوعی را مجبور کنید از ابزارها استفاده کند. (مثل بررسی آب و هوا یا ارسال ایمیل)
- به یک هوش مصنوعی اجازه دهید اسناد را بخواند و بر اساس دادههای شما پاسخ دهد.
- اطلاعات را سازماندهی کنید تا هوش مصنوعی بتواند چیزها را «به خاطر بسپارد»
- سیستمهای خودکارسازی کوچکی بسازید که بتوانند زمان و تلاش را ذخیره کنند.
ما از صفر شروع خواهیم کرد، هر مفهوم را به زبان ساده توضیح میدهیم و همه چیز را قدم به قدم با هم میسازیم.
در پایان دوره، شما قادر خواهید بود اپلیکیشنهای هوش مصنوعی خود را بسازید که برای موارد زیر قابل استفاده باشند:
- پروژههای شخصی
- خودکارسازی کسبوکار
- پشتیبانی مشتری
- جستجوی داده
- تست و کنترل کیفیت
- گردش کارهای دنیای واقعی
- بدون ریاضیات پیچیده
بدون پیشزمینه پیشرفته هوش مصنوعی
نیازی به دانش قبلی از LangChain نیست.
فقط یادگیری عملی، درسهای کوتاه، پروژههای واقعی و اعتماد به نفس برای ساختن اپلیکیشنهای هوش مصنوعی خودتان.
اگر یادگیری ساده و عملی میخواهید که روی انجام دادن متمرکز است نه تئوری این دوره برای شما عالی است.
این دوره برای چه کسانی مناسب است؟
- توسعهدهندگان بکاند و مهندسین فولاستک
- مهندسین کنترل کیفیت، توسعهدهندگان اتوماسیون تست و SDETها
- علاقهمندان به هوش مصنوعی و مهندسین پرامپت
- هر کسی که کنجکاو در مورد تکامل بعدی ابزارهای هوش مصنوعی است.
فریمورک LangChain برای مبتدیان – ساخت سیستمهای هوش مصنوعی + RAG
-
معرفی فریمورک LangChain برای ساخت Agentهای هوشمند هوش مصنوعی 09:57
-
LangChain با TypeScript - چگونه بیشترین بهره را از این دوره ببرید؟ 02:22
-
کویز بخش 1 None
-
راهاندازی محیطها - Node، VS Code برای شروع کار با LangChain 08:02
-
راهاندازی پروژه Node با وابستگیهای مربوط به LangChain 07:52
-
راهاندازی اولین Agent و فراخوانی آن با متدهای LangChain 07:54
-
درک پیامهای پاسخ Agent و استخراج محتوای اصلی 07:00
-
کویز بخش 2 None
-
توابع ابزار در LangChain چیست؟ - کامپوننت اصلی در فریمورک 08:15
-
درک پیادهسازی تابع ابزار - چگونگی ساخت فراداده 11:49
-
تحلیل خروجی Agent برای درک چگونگی ارتباط Agent و ابزار 07:44
-
پیکربندی زمان اجرا چیست و Agentها چگونه این پیکربندی را به عنوان ورودی میگیرند؟ 13:42
-
ابزار چگونه اطلاعات زمان اجرا را از پیکربندی دریافت میکند که به پاسخ پویا کمک میکند؟ 08:55
-
کویز بخش 3 None
-
پرامپت سیستم چیست؟ چگونه میتواند رفتار Agent را در زمان اجرا تنظیم کند؟ 08:16
-
درک Response Schema و چگونگی هدایت Agent برای تولید پاسخ سفارشی 07:12
-
سفارشیسازی مدل برای راه اندازی پارامترهای temperature، توکنها و timeout 03:46
-
مدیریت حافظه در LangChain - چگونگی حفظ حافظه در Agent هوش مصنوعی مکالمهای 12:13
-
کویز بخش 4 None
-
اهمیت کامپوننت Middleware در فریمورک LangChain - کاربردها 14:45
-
Middleware - شرطبندی Agent برای انتخاب پویای مدل در زمان اجرا 12:48
-
تعریف مدل Fallback برای Agent هوش مصنوعی شما با ModelFallbackMiddleware 10:25
-
SummarizationMiddleware برای هشدار به Agent جهت پاسخهای فشرده و صرفهجویی در توکنها 09:31
-
LLMToolSelector برای انتخاب مدل جهت انتخاب ابزارها - صرفهجویی در هزینه مدل Agent 05:47
-
چگونگی راهاندازی Guardrails برای Agent هوش مصنوعی جهت فیلتر کردن اطلاعات شخصی 12:45
-
کویز بخش 5 None
-
درک معماری بازیابی افزوده شده (RAG) - اهمیت آن 05:29
-
امبدینگ چگونه کار میکند و چرا از آن برای بازیابی محتوا استفاده میکنیم؟ 11:47
-
درک پایپ لاین بازیابی و چگونگی پیادهسازی آن در Agent LangChain 12:49
-
کویز بخش 6 None
-
تکهتکه کردن اسناد با RecursiveTextSplitter و درک ویژگیهای پیکربندی آن 12:00
-
انتخاب VectorStore و بارگذاری محتوا با فرمت امبدینگ در پایپ لاین RAG 10:32
-
درک چگونگی کار بازیابی با ویژگیهای پیکربندی جستجوی برداری - مثال 09:08
-
کویز بخش 7 None
-
RAG دو مرحلهای - ساخت Middleware سفارشی برای بازیابی و فعالسازی Agent با RAG 19:17
-
بارگذاری چندین فایل PDF در Vectorstore و بازیابی با یکپارچهسازی RAG در LangChain 14:47
-
بارگذاری اسناد Word در Vectorstore و بازیابی با یکپارچهسازی RAG در LangChain 08:44
-
Model Context Protocol (MCP) چیست؟ مزایای استفاده از آن در سیستمهای Agent هوش مصنوعی 05:28
-
راهاندازی سرور محلی MCP در سیستمهای محلی برای پیادهسازی Agentic RAG 06:10
-
یکپارچهسازی ابزارهای MCP در LangChain و فعالسازی Agentهای هوش مصنوعی با ابزارهای MCP 19:56
-
پیادهسازی سرتاسری Agentic RAG با ابزارهای MCP و ابزارهای LangChain - مثال 07:16
-
نصب و راهاندازی LangGraph Visual Studio و نمایش Agent هوش مصنوعی به عنوان گره گراف 07:43
-
یکپارچهسازی Langsmith و تعامل با Agent در حالت UI و دیباگ رهگیریها/لاگها 12:41
-
خلاصه نهایی مرور - ما چه چیزی از این دوره یاد گرفتیم؟ 04:47
-
درک تفاوتهای بین TypeScript و JavaScript 08:38
-
بررسی عمیق در سینتکس انواع TypeScript و کاربرد آنها - بخش 1 14:34
-
بررسی عمیق در سینتکس انواع TypeScript و کاربرد آنها - بخش 2 12:51
مشخصات آموزش
فریمورک LangChain برای مبتدیان – ساخت سیستمهای هوش مصنوعی + RAG
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:همه سطوح
- تعداد درس:47
- مدت زمان :06:38:19
- حجم :5.13GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy