برچسب
۵۰ آموزش با برچسب آموزش هوش مصنوعی.
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.
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.
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.
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.
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.
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.
