بوت‌کمپ جامع RAG با استفاده از LangChain ،LangGraph و LangSmith

آنچه یاد خواهید گرفت:

• ساخت پایپ‌لاین‌های سنتی RAG برای بازیابی اطلاعات دقیق و کارآمد
• پیاده‌سازی روش‌های پیشرفته بازیابی مانند جست‌وجوی ترکیبی، multimodal RAG و حافظه پایدار
• طراحی سیستم‌های چندعاملی و خودمختار RAG با استفاده از LangGraph برای استدلال مشارکتی هوش مصنوعی
• استفاده از LangSmith برای ردیابی، اشکال‌زدایی و بهینه‌سازی گردش‌کارهای RAG در پروژه‌های واقعی
• یکپارچه‌سازی LangSmith برای ردیابی، اشکال‌زدایی و بهینه‌سازی عملکرد RAG
• استفاده کارآمد از پایگاه‌داده‌های برداری مانند FAISS ،Pinecone و Weaviate
• ساخت چت‌بات‌های دانشیِ تخصصی با جست‌وجوی ترکیبی
• توسعه دستیارهای هوش مصنوعی multimodal که هم متن و هم تصویر را پردازش می‌کنند.

پیش‌نیازهای دوره

• درک پایه از برنامه‌نویسی Python (متغیرها، حلقه‌ها، توابع)
• هیچ دانش قبلی از RAG لازم نیست - همه‌چیز از صفر آموزش داده می‌شود.
• آشنایی با مفاهیم هوش مصنوعی مانند LLMها مفید است.
• دانش پایه از LangChain

توضیحات دوره

قدرت Retrieval-Augmented Generation (RAG) را آزاد کنید - از سیستم‌های سنتی تا پیشرفته Agentic AI.

در دنیای امروزِ مبتنی بر هوش مصنوعی، Retrieval-Augmented Generation (RAG) یکی از تأثیرگذارترین و پرتقاضاترین تکنیک‌هاست و از چت‌بات‌های هوشمند و دستیارهای شخصی گرفته تا عامل‌های پژوهشی خودکار و سیستم‌های سازمانی هوش مصنوعی را پشتیبانی می‌کند.

Ultimate RAG Bootcamp راهنمای کامل و گام‌به‌گام شما برای تسلط بر RAG با استفاده از جدیدترین و قدرتمندترین ابزارها - LangChain، LangGraph و LangSmith - است. چه مبتدی هوش مصنوعی باشید و چه توسعه‌دهنده‌ای باتجربه، این دوره شما را از مبانی پایپ‌لاین‌های RAG تا معماری‌های پیشرفته Agentic RAG که در شرکت‌های پیشرو در محیط عملیاتی استفاده می‌شوند، همراهی می‌کند.

چرا این دوره؟

برخلاف دوره‌های دیگر که فقط به مفاهیم پایه RAG می‌پردازند، این بوت‌کمپ عمیق‌تر می‌شود. شما:

• RAG سنتی را گام‌به‌گام یاد می‌گیرید.
• استراتژی‌های پیشرفته بازیابی مانند جست‌وجوی ترکیبی، بهینه‌سازی بردار و multimodal RAG را به‌خوبی فرا می‌گیرید.
• پایپ‌لاین‌های چندعاملی و خودمختار هوش مصنوعی را پیاده‌سازی می‌کنید که می‌توانند به‌صورت مشارکتی فکر کنند، برنامه‌ریزی کنند و عمل کنند.
• از LangSmith برای ردیابی آزمایش‌ها، اشکال‌زدایی و بهینه‌سازی عملکرد استفاده می‌کنید.
• اپلیکیشن‌های هوش مصنوعی واقعی و قابل استقرار را از ابتدا تا انتها می‌سازید.

در پایان دوره، فقط RAG را درک نخواهید کرد - بلکه می‌توانید سیستم‌های پیشرفته هوش مصنوعی را برای سناریوهای واقعی طراحی، بهینه‌سازی و مستقر کنید.

آنچه یاد خواهید گرفت

1. مبانی RAG

• RAG چیست و چرا اهمیت دارد؟
• معماری سنتی RAG: ورود داده، تجزیه، تعبیه ها و بازیابی
• انتخاب و استفاده مؤثر از پایگاه‌داده‌های برداری
• ساخت گردش‌کارهای بازیابی + تولید با LangChain

2. تکنیک‌های پیشرفته RAG

• استراتژی‌های پیشرفته chunking برای بازیابی دقیق‌تر
• جست‌وجوی ترکیبی: ترکیب جست‌وجوی برداری و جست‌وجوی کلیدواژه‌ای
• multimodal RAG برای متن، تصویر و موارد دیگر
• حافظه پایدار برای حفظ زمینه
• Self-RAG برای بهبود کیفیت بازیابی
• Adaptive & Corrective RAG برای پایپ‌لاین‌های پویا و مقاوم در برابر خطا

3. پایپ‌لاین‌های Agentic RAG

• معماری‌های چندعاملی با LangGraph
• طراحی عامل‌ها برای پژوهش، خلاصه‌سازی و تصمیم‌گیری
• RAG خودمختار با حداقل مداخله انسانی
• استدلال مشارکتی هوش مصنوعی با عامل‌های تخصصی

4. LangSmith برای ارزیابی و بهینه‌سازی RAG

• ردیابی و مدیریت آزمایش‌های RAG
• اشکال‌زدایی پایپ‌لاین‌های بازیابی و رفع گلوگاه‌ها
• اجرای معیارهای ارزیابی برای افزایش دقت

5. پروژه‌های واقعی RAG

• چت‌بات با دانش تخصصی یک حوزه
• دستیار پژوهشی چندعاملی برای تولید گزارش‌های خودکار
• دستیار هوش مصنوعی multimodal با بازیابی متن و تصویر
• استقرار اپلیکیشن‌های RAG در فضای ابری

این دوره برای چه کسانی مناسب است

• توسعه‌دهندگان هوش مصنوعی و مهندسان یادگیری ماشین
• دانشمندان داده که سیستم‌های بازیابی را یکپارچه می‌کنند.
• توسعه‌دهندگان نرم‌افزار که دستیارهای هوشمند می‌سازند.
• پژوهشگرانی که گردش‌کارهای پیشرفته RAG را بررسی می‌کنند.
• هر کسی که می‌خواهد RAG را از صفر تا استقرار آماده در محیط عملیاتی یاد بگیرد.

ابزارها و فریم‌ورک‌هایی که بر آن‌ها مسلط می‌شوید

• LangChain - ساخت پایپ‌لاین‌های ماژولار RAG
• LangGraph - ایجاد گردش‌کارهای پیشرفته عامل‌محور با حافظه
• LangSmith - ردیابی، اشکال‌زدایی و ارزیابی سیستم‌های RAG
• Vector Databases - FAISS ،Pinecone ،Weaviate و موارد دیگر
• Cloud Deployment - انتقال اپلیکیشن‌های هوش مصنوعی از توسعه به تولید

مسیر یادگیری شما

• درک مبانی RAG
• ساخت پایپ‌لاین‌های بازیابی در دنیای واقعی
• پیشرفت به سمت سیستم‌های هوش مصنوعی عامل‌محور و خودمختار
• استقرار و پایش در محیط عملیاتی
• بهینه‌سازی برای بهبود مداوم

تا پایان این بوت‌کمپ، مهارت‌های عملی و آماده برای تولید خواهید داشت تا پایپ‌لاین‌های پیشرفته RAG را با LangChain، LangGraph و LangSmith بسازید و مستقر کنید.

این دوره برای چه کسانی مناسب است؟

• توسعه‌دهندگان هوش مصنوعی و مهندسان ML که می‌خواهند RAG را از مبانی تا سیستم‌های پیشرفته عامل‌محور یاد بگیرند.
• دانشمندان داده که قصد دارند سیستم‌های بازیابی را در گردش‌کارهای هوش مصنوعی یکپارچه کنند.
• توسعه‌دهندگان نرم‌افزار که دستیارهای هوشمند، چت‌بات‌ها یا ابزارهای پژوهشی می‌سازند.
• پژوهشگرانی که گردش‌کارهای پیشرفته RAG و پایپ‌لاین‌های چندعاملی هوش مصنوعی را بررسی می‌کنند.
• علاقه‌مندان و مبتدیان هوش مصنوعی که می‌خواهند بدون تجربه قبلی، RAG را به‌صورت عملی و گام‌به‌گام یاد بگیرند.