هوش مصنوعی عاملی - Agentic RAG خصوصی با LangGraph و Ollama

آنچه یاد خواهید گرفت:

• ساخت سیستم‌های Agentic RAG خصوصی و آماده تولید با LangGraph v1 و Ollama
• ایجاد گردش‌کارهای سفارشی مدل زبانی بزرگ با ماشین‌های استیت LangGraph، گره‌ها، لبه‌ها و مسیریابی شرطی
• پیاده‌سازی PageRAG، استخراج متادیتا، پردازش PDF با Docling و هضم در سطح صفحه
• استفاده از ChromaDB، تعبیه‌سازی‌ها، فیلترینگ متادیتا و بازیابی MMR برای جستجوی دقیق‌تر
• به‌کارگیری بازرتبه‌بندی +BM25 و پایپ‌لاین‌های پیشرفته بازیابی برای تحلیل اسناد مالی
• ساخت Agentic RAG: فراخوانی ابزار، حلقه‌های استدلال، خروجی‌های ساخت‌یافته و گردش‌کارهای چندمرحله‌ای
• پیاده‌سازی Corrective RAG (CRAG) با ارزیابی اسناد، بازنویسی کوئری و fallback به جستجوی وب
• ساخت مدل‌های سفارشی Ollama ،Modelfileها، تعبیه‌سازی‌ها و یکپارچه‌سازی با LangChain
• ساخت Reflexion ،Self-RAG و Adaptive RAG به‌همراه MySQL Agent

پیش‌نیازهای دوره

• آشنایی اولیه با پایتون مفید است، اما همه مراحل را به‌صورت شفاف برای مبتدیان توضیح می‌دهیم.

توضیحات دوره

این دوره برای افراد کاملاً مبتدی در هوش مصنوعی نیست، ابتدا باید اصول LangChain را یاد بگیرید، سپس LangGraph را بیاموزید و بعد از آن این دوره را بگذرانید تا بهترین تجربه یادگیری را داشته باشید.

این آموزش یک دوره پیشرفته و پروژه‌محور است که به شما یاد می‌دهد چگونه سیستم‌های Retrieval-Augmented Generation (RAG) خصوصی و آماده تولید با LangGraph ،LangChain ،Ollama ،Docling، پایگاه داده Chroma و پایتون بسازید.

این دوره برای توسعه‌دهندگانی طراحی شده است که به دنبال کنترل کامل بر داده خود، حریم خصوصی کامل و گردش‌کارهای end-to-end با مدل‌های زبانی بزرگ محلی هستند.

شما یاد می‌گیرید چگونه سیستم‌های مدرن RAG بسازید، پایپ‌لاین‌های پیشرفته بازیابی را پیاده‌سازی کنید، گردش‌کارهای عامل‌محور اضافه کنید، از ماشین‌های استیت LangGraph استفاده کنید، عامل‌های اس کیوال را یکپارچه کنید و همه‌چیز را روی سیستم خودتان با Ollama اجرا کنید. همه پروژه‌ها 100 درصد به‌صورت محلی اجرا می‌شوند، بدون اینکه به هزینه API خارجی نیاز داشته باشید و داده‌ای از سیستم شما خارج شود.

کل دوره کاملاً عملی است. هر مفهوم را با نوت‌بوک‌های گام‌به‌گام، کد کامل پایتون و مثال‌های واقعی با پرونده‌های مالی SEC از آمازون، گوگل، اپل و مایکروسافت توضیح می‌دهیم.

آنچه یاد خواهید گرفت:

راه‌اندازی Ollama و مدل زبانی بزرگ محلی

• نصب و پیکربندی Ollama برای استقرار خصوصی مدل زبانی بزرگ
• استفاده از مدل‌هایی مانند Qwen3 ،GPT-OSS ،Llama 3.2 و nomic-embed
• ساخت مدل‌های زبانی بزرگ سفارشی با Modelfileها
• استفاده از رابط خط فرمان Ollama و REST API برای متن، چت و تعبیه‌سازی‌ها

مبانی LangGraph

• ساخت ماشین‌های استیت با TypedDict
• ایجاد گره‌ها، reducerها و لبه‌های شرطی
• ساخت گردش‌کارهای چندمرحله‌ای با منطق START/END
• مصورسازی اجرا با نمودارها
• درک تجمیع پیام‌ها و ادغام state

سیستم‌های کامل RAG (از ابتدا)

• هضم PDFها با Docling همراه با OCR و استخراج جدول
• ساخت chunkهای سطح صفحه برای بازیابی دقیق‌تر
• استخراج متادیتا از نام فایل‌ها و مدل‌های زبانی بزرگ
• حذف موارد تکراری با هشینگ SHA-256
• ذخیره اسناد در پایگاه داده Chroma همراه با فیلترهای متادیتا

پایپ‌لاین بازیابی دو مرحله‌ای

• ساخت فیلترهای متادیتا از زبان طبیعی
• تولید کلیدواژه‌های مالی با خروجی‌های ساختار یافته مدل زبانی بزرگ
• استفاده از پایگاه داده Chroma با جستجوی MMR
• پیاده‌سازی بازرتبه‌بندی BM25Plus برای دقت بهتر
• استخراج هدینگ‌ها و بخش‌ها برای بهبود رتبه‌بندی

Agentic RAG با LangGraph

• ساخت عامل‌های tool-calling با الگوی ReAct
• پیاده‌سازی ابزارهای بازیابی اسناد با LangChain
• ساخت عامل‌هایی که چندین بار ابزارها را فراخوانی می‌کنند
• افزودن پاسخ‌های مبتنی بر جدول همراه با سایتیشن
• پشتیبانی از گفتگوهای چندنوبتی با حافظه

Corrective RAG (CRAG)

• امتیازدهی به اسناد بازیابی‌شده با یک اسکیما مبتنی بر Pydantic
• تشخیص نتایج نامرتبط و بازنویسی کوئری‌ها
• افزودن fallback جستجوی وب با DuckDuckGo
• جلوگیری از حلقه‌های بی‌نهایت با تلاش‌های مجدد کنترل‌شده
• تولید پاسخ نهایی با سایتیشن‌های درست

MySQL SQL Agent

• ساخت یک عامل اس کیوال مبتنی بر زبان طبیعی با LangGraph
• بازیابی اسکیما، تولید اس کیوال، اعتبارسنجی، اجرا و فیکس کردن خطاها
• مدیریت جوین‌های چندجدولی و معیارهای پیچیده
• اصلاح خودکار کوئری‌های خراب اس کیوال
• پشتیبانی از توضیحات و دسترسی ایمن به پایگاه داده

پروژه تحلیل اسناد مالی

• کار با پرونده‌های واقعی SEC: بررسی 10K و 8K و 10Q
• ساخت یک سیستم کامل RAG که به پرسش‌هایی این چنین پاسخ می‌دهد:
  • «درآمد آمازون در 2023 چقدر بود؟»
  • «جریان نقدی گوگل و اپل را برای 2024 مقایسه کن»
  • «درآمد بخش‌ها را همراه با سایتیشن و جدول نشان بده»
• استفاده از پایگاه داده Chroma و BM25 برای بازیابی دقیق
• تولید پاسخ‌های تمیز و فرمت‌بندی شده همراه با جدول و استدلال

این دوره برای چه کسانی است؟

• توسعه‌دهندگان و مهندسانی که می‌خواهند سیستم‌های پیشرفته RAG بسازند.
• متخصصان یادگیری ماشین که می‌خواهند با مدل‌های زبانی بزرگ محلی، حریم خصوصی کامل داشته باشند.
• مهندسان هوش مصنوعی که روی LangGraph ،LangChain یا سیستم‌های عامل‌محور کار می‌کنند.
• توسعه‌دهندگان بک‌اند که می‌خواهند اپلیکیشن‌های GenAI واقعی بسازند.
• هر کسی که به گردش‌کارهای خصوصی و آماده تولید مدل زبانی بزرگ علاقه‌مند است.

این یک دوره سطح پیشرفته است. آشنایی خوب با LangGraph یا LangChain لازم است.

چرا این دوره متفاوت است؟

• کل دوره به‌صورت محلی با Ollama اجرا می‌شود.
• بدون هزینه API و با حریم خصوصی کامل داده
• پوشش تکنیک‌های مدرن RAG: بررسی PageRAG ،CRAG و ایده‌های Reflexion
• مجموعه‌داده‌های واقعی از شرکت‌های بزرگ فناوری
• پوشش عمیق LangGraph همراه با گردش‌کارهای واقعی تولیدی
• شامل عامل‌های اس کیوال، سیستم‌های RAG مالی و عامل‌های چندمرحله‌ای
• گام‌به‌گام، عملی و کدمحور

در پایان این دوره قادر به انجام کارهای زیر خواهید بود:

• سیستم‌های RAG خصوصی و آماده تولید بسازید.
• مدل‌های زبانی بزرگ محلی را با Ollama مستقر کنید و بهینه‌سازی کنید
• عامل‌های مبتنی بر گراف را با LangGraph v1 بسازید.
• پایپ‌لاین‌های پیشرفته بازیابی را با MMR و BM25Plus ایجاد کنید.
• اسناد مالی را با سایتیشن‌های دقیق تحلیل کنید.
• عامل‌های اس کیوال برای کوئری‌های پایگاه داده به زبان طبیعی بسازید.
• بازنویسی کوئری، امتیازدهی و fallback وب را مدیریت کنید.
• اپلیکیشن‌های Agentic RAG کامل را از ابتدا تا انتها بسازید.

این دوره برای چه کسانی مناسب است؟

• برای توسعه‌دهندگان و دانشجویان هوش مصنوعی که می‌خواهند با LangGraph v1 و Ollama سیستم‌های Agentic RAG خصوصی  بسازند.
• هر کسی که می‌خواهد مهارت‌های عملی در LangGraph v1 ،Ollama و ساخت عامل‌های واقعی هوش مصنوعی بدست آورد.
• افراد مبتدی و حرفه‌ای که می‌خواهند گردش‌کارهای RAG خصوصی، ایمن و پیشرفته ایجاد کنند.
• برای توسعه‌دهندگانی که می‌خواهند به Agentic RAG، گردش‌کارهای LangGraph v1 و مدل‌های زبانی بزرگ محلی مسلط شوند.