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.
وقتی چند ابزار و چند سرویس به دستیار وصل می‌شوند، توافق بر سر شکل پیام‌ها اهمیت پیدا می‌کند. در این آموزش سه پروتکل ایجنت را می‌شناسید؛ MCP برای اتصال به ابزار، A2A برای همکاری ایجنت‌ها و NLWeb برای وب‌سایت‌های گفت‌وگومحور، و مرز میان استاندارد ارتباط و مجوز اقدام را یاد می‌گیرید.
همه‌ی درخواست‌ها نباید وارد یک مسیر پرهزینه شوند. در این آموزش مسیریابی شرطی را در جریان کار ایجنتی یاد می‌گیرید؛ یال شرطی، دروازه‌ی کیفیت، مسیریاب با خروجی ساختاریافته و طراحی مسیر روشن برای پیام مبهم، چندموضوعی، حساس و خارج از دامنه.
برنامه‌ای که فقط فهرستی از کارها باشد، روی کاغذ خوب است اما در عمل اجرا نمی‌شود. در این آموزش برنامه‌ریزی ایجنت را یاد می‌گیرید؛ تعریف هدف روشن، تجزیه‌ی کار، خروجی ساختاریافته با Pydantic، اعتبارسنجی برنامه با کد و برنامه‌ریزی دوباره هنگام تغییر شرایط.
دکمه‌ی تأیید وقتی مفید است که کاربر بداند دقیقاً چه چیزی را تأیید می‌کند. در این آموزش تأیید انسانی در ایجنت را طراحی می‌کنید؛ از پیام سیستمی ساختاریافته و شناخت تهدیدها تا توقف پیش از اقدام، تأیید نسخه‌ی مشخص و جلوگیری از ارسال دوباره.
وقتی مدل نام یک تابع را تولید می‌کند، هنوز هیچ کار واقعی انجام نشده است. در این آموزش اجرای ابزار در ایجنت را از نگاه قابلیت اطمینان می‌بینید؛ شش جزء الگوی استفاده از ابزار، اعتبارسنجی آرگومان، قرارداد خطا، دسترسی فقط‌خواندنی و ثبت اجرا.
ایجنتی که ابزارهای زیادی دارد لزوماً مفیدتر نیست. در این آموزش اصول طراحی ایجنت را در سه بعد فضا، زمان و هسته می‌شناسید، سه قاعده‌ی شفافیت، کنترل و ثبات را یاد می‌گیرید و برای یک دستیار آموزشی قرارداد رفتاری با مرز اختیار روشن می‌نویسید.
فریم‌ورک ایجنت کار با ابزار، وضعیت و اجرای چندمرحله‌ای را ساده می‌کند، اما هر قابلیت آماده یک وابستگی هم می‌سازد. در این راهنما کیت توسعه و سرویس مدیریت‌شده را مقایسه می‌کنید و با یک ماتریس ساده فریم‌ورک مناسب پروژه را انتخاب می‌کنید.
دسترسی به وزن‌های یک مدل با آزادی کامل استفاده از آن یکی نیست. در این راهنمای انتخاب مدل وزن‌باز، تفاوت متن‌باز و وزن‌باز، مزایای این مدل‌ها، خانواده‌های Llama و Mistral، و چک‌لیست مجوز، توان اجرا و قابلیت‌ها را پیش از استقرار روی زیرساخت خودتان یاد می‌گیرید.
برای دسته‌بندی یک پیام یا استخراج چند فیلد، همیشه به بزرگ‌ترین مدل نیاز نداریم. در این آموزش مدل زبانی کوچک را می‌شناسید، تفاوتش را با مدل بزرگ می‌بینید، با خانواده‌ی Phi آشنا می‌شوید، روش‌های اجرای محلی با Ollama و Foundry Local را یاد می‌گیرید و یک آزمون دسته‌بندی واقعی طراحی می‌کنید.
عوض کردن پرامپت، مدل یا اسناد مرجع می‌تواند رفتار دستیار را تغییر دهد، حتی اگر یک خط کد عوض نشده باشد. در این آموزش چرخه عمر برنامه هوش مصنوعی، تفاوت MLOps و LLMOps، پنج معیار سنجش، سه مرحله‌ی ایده‌پردازی، ساخت و عملیاتی‌سازی و نسخه‌بندی با امکان بازگشت را یاد می‌گیرید.
انتخاب مدل زبانی با چند پاسخ نمایشی خوب انجام نمی‌شود. در این راهنما انواع مدل‌های زبانی، تفاوت مدل وزن‌باز و اختصاصی، سرویس و مدل، و سه راه بهبود نتیجه را می‌شناسید و یاد می‌گیرید مدل‌ها را با کار واقعی محصول خودتان مقایسه کنید.
امنیت هوش مصنوعی مولد فقط حفاظت از داده‌ی کاربران نیست؛ خود مدل، داده‌ی آموزشی و ابزارهای ایجنت هم هدف حمله‌اند. در این آموزش با مسموم‌سازی داده، تزریق پرامپت، آسیب‌پذیری زنجیره‌ی تأمین، آزمون امنیتی، حفاظت از داده و تیم قرمز هوش مصنوعی آشنا می‌شوید.
