محور موضوعی
آموزش هوش مصنوعی مولد به زبان فارسی، قدمبهقدم و کاربردی؛ از پرامپتنویسی و ساخت چتبات تا RAG، ایجنت‌ها، ارزیابی و امنیت. یک مسیر ۵۰ قسمتی که از مفاهیم پایه شروع می‌شود و تا ساخت ایجنت‌های واقعی پیش می‌رود.
عیب‌یابی مدل یادگیری ماشین از جایی شروع می‌شود که یک عدد دقت کلی دیگر کافی نیست. در این قسمت تحلیل خطا به تفکیک گروه، مقایسه عملکرد بین گروه‌ها، بررسی نمایندگی داده، اهمیت ویژگی با جایگشت و منحنی یادگیری را با پایتون یاد می‌گیرید و با داشبورد هوش مصنوعی مسئولانه آشنا می‌شوید.
رگرسیون بردار پشتیبان یا SVR می‌تواند رابطه غیرخطی سری زمانی را یاد بگیرد، به شرطی که سری را به یک مسئله رگرسیون معمولی تبدیل کنید. در این قسمت ایده لوله اپسیلون، کرنل RBF، پنجره‌سازی داده، ویژگی تأخیری و تقویمی و مقایسه منصفانه SVR با ARIMA و خط پایه را یاد می‌گیرید.
مدل ARIMA کلاسیک‌ترین روش پیش‌بینی سری زمانی است و هنوز خط پایه‌ای جدی برای مدل‌های پیچیده به حساب می‌آید. در این قسمت ایستایی و تفاضل‌گیری، سه جزء AR، I و MA، نسخه فصلی SARIMA، اعتبارسنجی گام‌به‌گام و بررسی باقیمانده را با داده مصرف برق و statsmodels یاد می‌گیرید.
لاگ معمولی نشان می‌دهد ایجنت چه ثبت کرده، اما تضمین نمی‌کند بعداً تغییر نکرده باشد. در این آموزش امنیت ایجنت هوش مصنوعی را با رسید امضاشده یاد می‌گیرید؛ امضای Ed25519، زنجیره‌ی هش، بررسی آفلاین و مرز دقیق آنچه رسید اثبات میکند و نمی‌کند.
ایجنتی که برای یک کاربر کار میکند، با صدها درخواست همزمان ممکن است از هم بپاشد. در این آموزش استقرار ایجنت هوش مصنوعی را یاد می‌گیرید؛ سه الگوی استقرار، چرخه‌ی عمر با دروازه‌ی ارزیابی، طراحی بی‌حالت، مسیریابی مدل، کش و کنترل هزینه.
فرستادن همهی تاریخچه و همهی اسناد به مدل جای انتخاب درست اطلاعات را نمی‌گیرد. در این آموزش مهندسی زمینه را یاد می‌گیرید؛ پنج نوع زمینه، راهبردهای برنامه‌ریزی و مدیریت زمینه، چهار خرابی رایج مسمومیت، حواس‌پرتی، سردرگمی و تضاد، و ساخت زمینه‌ی تازه برای هر مرحله.
نمونه‌ای که ابزار را پیدا میکند هنوز یک اتصال قابل‌اعتماد نیست. در این آموزش اتصال MCP به ایجنت را عملی می‌سازید؛ یک سرور MCP با پایتون، کلاینتی که ابزار را کشف و صدا می‌زند، قابلیت‌های ایجنت‌گونه مثل گزارش پیشرفت، درخواست تأیید و ازسرگیری، و مدیریت خطای سرویس.
وقتی کاربر می‌گوید پاسخ بد بود، ذخیره‌ی متن نهایی برای پیدا کردن علت کافی نیست. در این آموزش پایش ایجنت هوش مصنوعی را در محیط تولید یاد می‌گیرید؛ ابزارگذاری با OpenTelemetry، Span دستی برای هر مرحله، مشکلات رایج و راه‌حل‌ها، کنترل هزینه و پیدا کردن علت کندی.
وجود چند قطعه متن در ورودی مدل تضمین نمی‌کند پاسخ مستند باشد. در این آموزش RAG اصلاحی را یاد می‌گیرید؛ مقایسه با بارگذاری پیشاپیش زمینه، داوری تناسب سند با مدل، بازچینی و امتیازدهی، جستجو بر اساس نیت کاربر و کنار گذاشتن سند قدیمی یا مشابه اما نامرتبط.
خودارزیابی ایجنت یک الگوی نرم‌افزاری است؛ تولید نتیجه، سنجش آن با معیار مشخص و تصمیم درباره‌ی اصلاح. در این آموزش فراشناخت در ایجنت، اجزای ایجنت، تولید کد به‌عنوان ابزار، SQL به‌عنوان منبع بازیابی و یک حلقه‌ی بازبینی محدود با آزمون عددی مستقل را یاد می‌گیرید.
اجرای همزمان زمان انتظار را کم میکند، اما فقط وقتی کارها واقعاً مستقل باشند. در این آموزش اجرای ترتیبی و اجرای همزمان ایجنت‌ها را مقایسه می‌کنید، الگوی پخش و جمع را با پایتون می‌سازید و یاد می‌گیرید با شاخه‌ی شکست‌خورده چه کنید.
در یک جریان چندمرحله‌ای، دانستن اینکه کجای کار هستیم به اندازه‌ی نتیجه‌ی نهایی مهم است. در این آموزش جریان کار ایجنتی را با Microsoft Agent Framework می‌شناسید؛ اجراکننده، یال و گردش کار، الگوی ترتیبی و طراحی وضعیتی که پس از قطع اجرا، کار را از آخرین مرحله‌ی موفق ادامه دهد.
این بخش یک مسیر کامل برای آموزش هوش مصنوعی مولد به زبان فارسی است. از نوشتن اولین پرامپت شروع می‌کنیم و قدمبهقدم به ساخت ایجنت‌هایی می‌رسیم که خودشان ابزار صدا می‌زنند و کار را پیش می‌برند.
مسیر ۵۰ قسمت دارد. هر قسمت یک مهارت مشخص را آموزش می‌دهد، مثال کاربردی دارد و به قسمتهای قبلی وصل است. بنابراین اگر به ترتیب جلو بروید، هیچ جای خالی در یادگیری‌تان نمی‌ماند.
قسمتها در سه مرحله چیده شدهاند. هر مرحله روی مهارت‌های مرحله‌ی قبل ساخته می‌شود.
در قسمتهای اول با پرامپتنویسی و تکنیک‌های پیشرفته‌ی آن آشنا می‌شوید. بعد یک برنامه‌ی تولید متن و یک چتبات ساده می‌سازید تا ببینید مدل زبانی در عمل چطور رفتار میکند.
سپس سراغ جستجوی معنایی و RAG می‌رویم. در این قسمتها یاد می‌گیرید چطور مدل را به اسناد خودتان وصل کنید تا جواب‌هایش دقیق‌تر و قابل‌اعتمادتر شود.
در این مرحله function calling، ابزارها و حلقه‌ی کاری ایجنت را قدمبهقدم می‌بینید. بعد یک ایجنت را از صفر می‌سازید و با فریم‌ورک‌هایی مثل smolagents و LangGraph کار می‌کنید.
سیستم‌های چند ایجنتی، Agentic RAG و ایجنت تحلیل تصویر هم در همین مرحله آموزش داده می‌شوند. هر قسمت یک نمونه‌ی قابل اجرا دارد تا مفهوم فقط در حد تئوری نماند.
قسمتهای پایانی به ساخت ایجنت‌هایی می‌پردازند که در محیط واقعی قابل‌اعتماد باشند. انتخاب مدل، طراحی جریان کار، حافظه، مهندسی زمینه و پروتکل‌هایی مثل MCP از موضوع‌های این مرحله‌اند.
در نهایت پایش، استقرار و امنیت ایجنت را یاد می‌گیرید. این مهارت‌ها فرق یک نمونه‌ی آزمایشی را با محصولی که کاربر واقعی از آن استفاده میکند مشخص می‌کنند.
برای شروع این مسیر به ابزار پیچیده‌ای نیاز ندارید:
اگر پرامپتنویسی برایتان تازه است، مقاله‌ی پرامپت خوب چه ویژگی‌هایی دارد؟ شروع خوبی است. بخشی از این مسیر بر پایه‌ی دوره‌ی متن‌باز Generative AI for Beginners مایکروسافت نوشته شده است.
برای قسمتهای اول، مثل پرامپتنویسی، نه. برای ساخت چتبات و ایجنت آشنایی مقدماتی با پایتون کمک زیادی میکند. مثالها قدمبهقدم توضیح داده شدهاند.
به همان ترتیب شمارهی قسمتها. هر قسمت روی قسمت قبلی بنا شده و در انتهای هر آموزش به قسمتهای مرتبط قبلی لینک دادهایم.
بله. همهی آموزشهای این بخش رایگان است و برای بیشتر مثالها میتوانید از نسخهی رایگان ابزارها استفاده کنید.
RAG به مدل کمک میکند جوابش را از روی اسناد شما بدهد. ایجنت یک قدم جلوتر است؛ خودش تصمیم میگیرد کدام ابزار را صدا بزند و کار را در چند مرحله پیش ببرد.
