آموزش LangGraph در عمل - توسعهی عوامل هوش مصنوعی پیشرفته با مدلهای زبانی بزرگ
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک توابع و مفاهیم اصلی LangGraph، از جمله گرهها، لبهها و چکپوینترها
- توسعهی یک عامل هوش مصنوعی با LangGraph که به طور موثر از حافظهی کوتاهمدت و بلندمدت استفاده میکند.
- پیادهسازی گردش کارهای پیشرفته چندعاملی و گرافهای فرعی برای مدیریت سناریوهای پیچیده واقعی
- ساخت عوامل هوش مصنوعی آماده برای تولید با FastAPI، داکر و تست واحد برای گردش کارهای قابل نگهداری
پیشنیازهای دوره
- مهارتهای سطح متوسط پایتون (برنامه نویسی شیگرا، انواع داده، توابع، ماژولها و غیره)
- مبانی LangChain
- آشنایی اولیه با ترمینال و داکر
توضیحات دوره
از این دوره چه انتظاری داشته باشیم؟
به این دوره، راهنمای نهایی شما برای تسلط به طراحی و استقرار عوامل پیشرفته هوش مصنوعی با LangGraph، خوش آمدید. در این دوره، شما به بررسی اصول ساخت عوامل ماژولار، مقیاسپذیر و آماده برای تولید با رویکردی عملی خواهید پرداخت. از درک مبانی طراحی مبتنی بر state در LangGraph تا ایجاد یک اپلیکیشن فول استک، مهارتهای لازم برای جان بخشیدن به عوامل هوش مصنوعی را کسب خواهید کرد.
نکات برجسته دوره
- طراحی مبتنی بر State: به بررسی فلسفه اصلی LangGraph در زمینه گرهها و لبهها بپردازید تا عوامل ساختاریافته و قابل نگهداری ایجاد کنید.
- مدیریت حافظه: حافظهی کوتاهمدت با چکپوینترها و حافظهی بلندمدت با آبجکت Store را بررسی کنید تا به عوامل امکان یادگیری و تطبیق را بدهید.
- گردش کارهای پیشرفته: سیستمهای human-in-the-loop بسازید، اجرای موازی را پیادهسازی کنید و به الگوهای چندعاملی تسلط یابید.
- توسعه آماده برای تولید: عملیاتهای غیرهمزمان، گرافهای فرعی و ایجاد اپلیکیشنهای فول استک با FastAPI و داکر را یاد بگیرید.
در پایان دوره، شما نه تنها درک نظری قوی خواهید داشت، بلکه مهارتهای عملی برای استقرار عوامل هوش مصنوعی در هر کجا، به طور کامل با ابزارهای متنباز، را نیز بدست خواهید آورد. چه شما یک توسعهدهنده باشید که میخواهید در صدر روندها بمانید یا یک مهندس با تجربه که به دنبال گسترش مجموعه ابزارهای هوش مصنوعی خود هستید، این دوره شما را برای حوزهی رو به گسترش عوامل هوش مصنوعی آماده میکند.
با توجه به افزایش پذیرش عوامل هوش مصنوعی در اپلیکیشنهای واقعی، این دوره اطمینان میدهد که شما برای طراحی، ساخت و استقرار سیستمهای پیشرفته که چالشهای کاربردی را حل میکنند، آمادهاید. بیایید با هم شروع به ساخت و شکلدهی به آیندهی هوش مصنوعی کنیم!
این دوره برای چه کسانی مناسب است؟
مهندسان نرمافزار با تجربه در LangChain که میخواهند دنیای عوامل هوش مصنوعی را بررسی کنند.
آموزش LangGraph در عمل - توسعهی عوامل هوش مصنوعی پیشرفته با مدلهای زبانی بزرگ
-
چرا این دوره و چرا باید به مدرس گوش دهید؟ 01:38
-
آنچه یاد خواهید گرفت و آنچه یاد نخواهید گرفت 01:02
-
پیش نیازها 01:40
-
تکامل اکوسیستم LangChain از برنامه نویسی شیگرا تا گرافها 04:54
-
گردش کارهای مبتنی بر مدل زبانی بزرگ به عنوان ماشینهای حالت یا گرافها 03:37
-
کلون کردن مخزن و راهاندازی محیط 02:54
-
TypedDict در مقابل Pydantic BaseModel 03:40
-
State، گرهها، لبهها 06:41
-
چرا فقط از LCEL استفاده نکنیم؟ 00:59
-
چرخهها و لبههای شرطی 02:48
-
توابع Reducer 02:01
-
State با Pydantic BaseModel 01:38
-
تئوری فراخوانی ابزار 00:44
-
فراخوانی ابزار در عمل 06:41
-
اولین عامل مبتنی بر مدل زبانی بزرگ 06:26
-
حافظه با چکپوینترها 02:33
-
RAG در تئوری (جمعبندی کوتاه) 01:06
-
RAG در عمل 03:48
-
عامل RAG با طبقهبند 09:27
-
RAG به عنوان عامل فراخوانی ابزار 04:17
-
عامل RAG پیچیده: بررسی گراف 01:58
-
عامل RAG پیچیده در عمل 18:18
-
حالت ورودی و خروجی 03:06
-
پیکربندی ران تایم پویا 02:38
-
چرا به گردش کارهای Human-in-the-Loop نیاز داریم؟ 05:01
-
وقفه و ادامه یک گردش کار 01:30
-
سفر در زمان: بازپخش و فورکها 05:05
-
کارشناس انسانی به عنوان ToolNode 05:00
-
کلاس فرمان جدید 02:37
-
Human-in-the-Loop با وقفه و فرمان 06:18
-
اجرای موازی گره 06:43
-
عوامل غیرهمزمان و استریمینگ: چه زمانی از آن استفاده کنیم؟ 02:15
-
غیرهمزمان و استریمینگ در عمل 05:52
-
اجرای عوامل به عنوان گرافهای فرعی در یک عامل دیگر 05:27
-
الگوهای عامل: تئوری 03:04
-
عامل سلسلهمراتبی - ایجاد عوامل مستقل 07:21
-
عامل ناظر 09:10
-
Human-in-the-Loop در گردش کار چندعاملی 06:58
-
کاربردهای واقعی: فراتر از Jupyter Notebooks 01:38
-
اپلیکیشن فول استک - دمو 06:26
-
بررسی کد 09:33
-
حافظهی بلندمدت در مقابل حافظهی کوتاهمدت در تئوری 01:40
-
حافظهی بلندمدت با کلاس store 09:32
-
تست توابع گره با Pytest 07:27
-
شما موفق شدید! 00:47
مشخصات آموزش
آموزش LangGraph در عمل - توسعهی عوامل هوش مصنوعی پیشرفته با مدلهای زبانی بزرگ
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:متوسط
- تعداد درس:45
- مدت زمان :03:23:58
- حجم :1.83GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy