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.
چندایجنتی بودن وقتی ارزش دارد که هر نقش مسئولیت مشخصی داشته باشد. در این آموزش طراحی سیستم چند ایجنتی را یاد می‌گیرید؛ کی چند ایجنت لازم است، اجزای اصلی، سه الگوی چت گروهی، تحویل کار و فیلترینگ مشارکتی، و قرارداد تحویلی که شواهد را در طول زنجیره حفظ کند.
بعضی پرسش‌ها با یک جستجو جواب نمی‌گیرند. در این آموزش می‌بینید Agentic RAG چطور مالک فرایند استدلال می‌شود، حلقه‌ی ارزیابی و اصلاح چه مراحلی دارد و مدیریت شکست در Agentic RAG با سقف تلاش، بررسی شواهد و ارجاع به انسان چطور پیاده می‌شود.
فاین‌تیون همیشه اولین راه بهبود دستیار نیست. در این آموزش می‌بینید فاین‌تیون مدل زبانی دقیقاً چیست، پیش از آن چه پرسش‌هایی باید جواب دهید، روش‌های SFT، DPO و RFT چه تفاوتی دارند، داده‌ی آموزش را چطور آماده کنید و چطور بفهمید مدل واقعاً بهتر شده یا فقط مثال‌ها را حفظ کرده است.
آموزش LangGraph با یک پروژه‌ی واقعی؛ ایجنتی که تصویر سند را می‌خواند، متنش را با مدل بینایی استخراج می‌کند، در صورت نیاز محاسبه انجام می‌دهد و پاسخ دقیق می‌دهد. با وضعیت، گره، یال شرطی و الگوی ReAct در LangGraph آشنا می‌شوید.
سیستم چند ایجنتی کار پیچیده را میان ایجنت‌های تخصصی تقسیم می‌کند؛ یک مدیر برنامه‌ریزی می‌کند و ایجنت‌های دیگر جستجو، محاسبه یا تحلیل انجام می‌دهند. در این آموزش با smolagents یک تیم ایجنتی می‌سازید که مکان‌ها را جستجو می‌کند، زمان سفر را حساب می‌کند و نتیجه را روی نقشه می‌کشد.
ایجنت تحلیل تصویر با کمک مدل‌های بینایی-زبانی تصویر را هم می‌بیند و تحلیل می‌کند. در این آموزش دو روش ورود تصویر به ایجنت smolagents را یاد می‌گیرید؛ ارسال تصویر در شروع کار و دریافت پویای تصویر هنگام مرور وب با Selenium و Helium.
Agentic RAG نسخه‌ی هوشمندتر RAG است؛ ایجنت خودش پرسش جستجو را می‌سازد، نتایج را نقد می‌کند و در صورت نیاز دوباره جستجو می‌کند. در این آموزش با smolagents یک Agentic RAG با جستجوی وب و پایگاه دانش اختصاصی می‌سازید و هفت راهبرد بازیابی پیشرفته را یاد می‌گیرید.
