تسلط به LangChain v1 و Ollama - چت‌بات، RAG و عامل‌های هوش مصنوعی

آنچه یاد خواهید گرفت:

• نصب و یکپارچه‌سازی LangChain v1 و Ollama برای اجرای محلی مدل‌های Qwen3 ،Gemma3 ،DeepSeek R1 ،GPT-OSS ،LLAMA و مدل‌های سفارشی GGUF
• ساخت چت‌بات‌های کامل با حافظه، تاریخچه، پاسخ‌های استریم و رابط کاربری Streamlit
• استفاده از قالب‌های پرامپت، زنجیره‌های LCEL، مسیریابی زنجیره‌ها، زنجیره‌های موازی، زنجیره‌های سفارشی و پایپ‌لاین‌های runnable برای ساختاردهی به گردش‌کارهای LLM
• تحلیل خروجی ساختاریافته با استفاده از Pydantic، پارسرهای JSON و CSV، و متدهای ()with_structured_output
• پیاده‌سازی سیستم‌های بازیابی پیشرفته شامل جست‌وجوی شباهت، جست‌وجوی MMR، جست‌وجوی آستانه‌ای و قطعه بندی بهینه
• استفاده از فراخوانی ابزارها و فراخوانی توابع با DuckDuckGo ،Tavily ،Wikipedia ،PubMed و ابزارهای سفارشی
• ساخت عامل‌های هوش مصنوعی آماده‌ی تولید با استفاده از API عامل LangChain v1، انتخاب پویاى مدل، middleware، مدیریت state و استریم بلادرنگ
• ایجاد سیستم‌های Agentic RAG شامل بازیابی خودکار، ارجاع به منبع در متن، ابزارهای سفارشی FAISS و پاسخ‌های استریم‌شده‌ی عاملی
• ساخت یک عامل کامل Text-to-SQL برای MySQL با استخراج schema، تولید SQL، اعتبارسنجی، اجرا و اصلاح خودکار خطا
• ساخت گردش های کار استخراج داده، parser رزومه و scraper لینکدین با استفاده از Selenium، BeautifulSoup، تحلیل LLM و اپلیکیشن‌های Streamlit
• استقرار اپلیکیشن های LangChain v1 + Ollama روی AWS EC2، پیکربندی سرورهای راه‌دور و اجرای اپلیکیشن‌های هوش مصنوعی در سطح production

پیش‌نیازهای دوره

• دانش اولیه در برنامه‌نویسی Python
• آشنایی با APIها و درخواست‌های وب
• درک اولیه از مفاهیم یادگیری ماشین
• دسترسی به یک کامپیوتر متصل به اینترنت برای نصب و راه‌اندازی
• کنجکاوی برای یادگیری LLMها، عامل‌های هوش مصنوعی و سیستم‌های RAG - بقیه موارد را قدم‌به‌قدم آموزش خواهیم داد.

توضیحات دوره

مناسب برای توسعه‌دهندگان، مهندسان هوش مصنوعی و یادگیرندگان جدی که به دنبال مهارت‌های GenAI در سطح production هستند.

این دوره یک راهنمای جامع و عملی برای یکپارچه‌سازی LangChain v1 (آخرین نسخه) و Ollama است تا بتوانید اپلیکیشن های هوش مصنوعی آماده‌ی production را بسازید، خودکار کنید و مستقر نمایید.

با بروزرسانی بر اساس جدیدترین فناوری‌ها و فریم‌ورک‌ها، یاد می‌گیرید این ابزارهای پیشرفته را راه‌اندازی کنید، قالب‌های پرامپت پیشرفته بسازید، عامل‌های خودمختار هوش مصنوعی ایجاد کنید، سیستم‌های RAG (Retrieval-Augmented Generation) را پیاده‌سازی کنید و اپلیکیشن های واقعی را روی AWS مستقر نمایید.

هر بخش طوری طراحی شده است که مهارت‌های عملی و تجربه‌ی واقعی از جدیدترین روش‌های توسعه‌ی هوش مصنوعی را در اختیار شما قرار دهد.

آنچه یاد خواهید گرفت

راه‌اندازی Ollama و LangChain

• نصب و پیکربندی کامل Ollama و LangChain
• کار با جدیدترین مدل‌ها: GPT-OSS ،Gemma3، Qwen3 ،DeepSeek R1 و LLAMA 3.2
• تسلط به فرمان های Ollama، ساخت مدل سفارشی و یکپارچه‌سازی مستقیم با API خام
• پیکربندی محیط‌های محلی LLM برای دستیابی به بهترین عملکرد

مهندسی پیشرفته پرامپت

• طراحی پرامپت‌های مؤثر برای پیام‌های AI، انسان و سیستم
• استفاده از ChatPromptTemplate و MessagesPlaceholder برای مکالمه‌های پویا
• تسلط به متد invoke و الگوهای ساختاریافته‌ی پرامپت
• پیاده‌سازی بهترین شیوه ها برای تنظیم و بهینه‌سازی پرامپت

زنجیره‌های LCEL برای خودکارسازی گردش‌کار

• ساخت زنجیره‌های ترتیبی، موازی و مسیریاب با LangChain Expression Language (LCEL)
• ایجاد زنجیره‌های سفارشی با استفاده از RunnableLambda و RunnablePassthrough
• پیاده‌سازی decoratorهای زنجیره برای ساده‌سازی خودکارسازی گردش‌کار
• طراحی منطق شرطی و مسیریابی پویا برای زنجیره‌ها در اپلیکیشن های پیچیده

تحلیل خروجی ساختاریافته

• تحلیل خروجی‌های LLM با استفاده از Pydantic ،JSON، CSV و parserهای سفارشی
• استفاده از متد with_structured_output برای پاسخ‌های type-safe
• مدیریت تحلیل تاریخ و زمان و استخراج داده‌ ساختاریافته
• قالب‌بندی داده‌ برای پردازش و یکپارچه‌سازی در مراحل بعدی

حافظه‌ی چت و مدیریت مکالمه

• پیاده‌سازی تاریخچه‌ی چت با BaseChatMessageHistory و InMemoryChatMessageHistory
• استفاده از MessagesPlaceholder برای جریان پویاى مکالمه
• ساخت اپلیکیشن های مکالمه‌ای stateful با هوش مصنوعی
• مدیریت مؤثر سشن‌های طولانی‌مدت چت

ساخت چت‌بات‌های آماده‌ی production

• ایجاد اپلیکیشن‌های چت‌بات تعاملی با استفاده از Streamlit
• پیاده‌سازی پاسخ‌های استریم‌شونده مشابه ChatGPT
• حفظ تاریخچه‌ی پایدار چت و استیت سشن
• استقرار رابط‌های کاربری چت مناسب کاربر با بروزرسانی بلادرنگ

پردازش اسناد با چندین Loader

• پردازش PDFها با PyMuPDF و ساخت سیستم‌های پرسش‌وپاسخ
• کار با فایل‌های Microsoft Office (PPTX ،DOCX، Excel)
• استفاده از MarkItDown مایکروسافت برای تبدیل عمومی اسناد
• پیاده‌سازی Docling شرکت IBM برای OCR پیشرفته و پردازش اسناد
• استخراج جدول‌ها، تصاویر و نمودارها از هر نوع سند

Vector Storeها و پیاده‌سازی RAG

• ساخت سیستم‌های Retrieval-Augmented Generation (RAG) با FAISS و Chroma
• ایجاد و مدیریت embeddingهای برداری با OllamaEmbeddings
• پیاده‌سازی استراتژی‌های قطعه بندی اسناد با RecursiveTextSplitter
• بهینه‌سازی اندازه‌ی chunkها برای عملکرد بهتر در بازیابی
• طراحی قالب‌های پرامپت RAG برای پاسخ‌های آگاه از زمینه

سیستم‌های Agentic RAG

• ساخت عامل‌های RAG خودمختار که بازیابی و استدلال انجام می‌دهند.
• ایجاد decoratorهای ابزار سفارشی برای قابلیت‌های عامل
• پیاده‌سازی استریم بلادرنگ برای پاسخ‌های عامل
• یکپارچه‌سازی vector storeها با گردش‌کارهای هوشمند عامل

فراخوانی ابزار و اجرای Function

• راه‌اندازی ابزارهای داخلی: Tavily Search، DuckDuckGo ،PubMed ،Wikipedia
• ساخت ابزارهای سفارشی و اتصال آن‌ها به LLMs
• پیاده‌سازی حلقه‌های فراخوانی ابزار برای استدلال چندمرحله‌ای
• بازگرداندن نتایج ابزارها به LLM برای تولید پاسخ‌های آگاهانه

عامل‌های هوش مصنوعی با LangChain

• تسلط به API create_agent برای ساخت عامل‌های هوشمند
• ساخت عامل‌های جست‌وجوی وب با یکپارچه‌سازی DuckDuckGo
• پیاده‌سازی مدیریت state عامل و middleware
• ایجاد انتخاب پویاى مدل برای مسیریابی هوشمند عامل
• استریم پاسخ‌های عامل به‌صورت بلادرنگ با استفاده از values ،updates و messages

عامل Text-to-SQL (یکپارچه‌سازی با MySQL)

• ساخت سیستم‌های تبدیل زبان طبیعی به کوئری SQL
• ایجاد ابزارهای بررسی schema، تولید کوئری و اعتبارسنجی
• پیاده‌سازی اصلاح خودکار خطاهای SQL با LLMها
• اجرای کوئری‌های پیچیده‌ی پایگاه داده از طریق زبان طبیعی

پروژه‌های واقعی هوش مصنوعی

• تحلیل اخبار بازار سهام: استخراج داده وب و تولید گزارش‌های جامع
• LinkedIn Profile Scraper: استخراج و تحلیل داده پروفایل با LLMها
• Resume Parser: ساخت سیستم تحلیل CV و استخراج JSON با هوش مصنوعی
• Health Supplements QA: ایجاد سیستم‌های پرسش‌وپاسخ RAG ویژه‌ی یک حوزه

استقرار production روی AWS

• راه‌اندازی و پیکربندی نمونه‌های AWS EC2 برای اپلیکیشن های LLM
• نصب Ollama و LangChain روی سرورهای ابری
• استقرار اپلیکیشن های Streamlit در محیط‌های production
• اتصال VS Code به سرورهای راه‌دور برای توسعه‌ی روان و یکپارچه

تا پایان این دوره، تخصص لازم برای ساخت، استقرار و مدیریت اپلیکیشن های هوش مصنوعی آماده‌ی production با استفاده از LangChain و Ollama را به دست خواهید آورد. همچنین می‌توانید چت‌بات‌های هوشمند، سیستم‌های RAG، عامل‌های خودمختار و پردازشگرهای اسناد بسازید که برای استقرار در دنیای واقعی آماده‌اند.

همین امروز ساخت آینده‌ی اپلیکیشن های هوش مصنوعی را آغاز کنید.

این دوره برای چه کسانی مناسب است؟

• توسعه‌دهندگانی که می‌خواهند اپلیکیشن های مجهز به هوش مصنوعی، چت‌بات‌ها و ابزارهای خودکارسازی هوشمند بسازند.
• دانشمندان داده و مهندسان ML که می‌خواهند تجربه‌ی عملی با LangChain v1، گردش‌کارهای LangGraph و سیستم‌های RAG واقعی به دست آورند.
• علاقه‌مندان و دانشجویان هوش مصنوعی که می‌خواهند فراتر از تئوری بروند و پروژه‌های عملی GenAI را با استفاده از LLMهای متن‌باز بسازند.
• متخصصانی که به دنبال تجربه‌ی عملی در فراخوانی ابزار، عامل‌های هوش مصنوعی، سیستم‌های بازیابی، پردازش اسناد و استقرار production هستند.
• هر کسی که دانش اولیه Python دارد و می‌خواهد اپلیکیشن های هوش مصنوعی ابتدا تا انتها بسازد که به‌صورت محلی با Ollama اجرا می‌شوند.