فصل ۱ — درک مدل‌ها و پرامپت

مدل‌های زبانی چطور کد می‌فهمند؟ مهندسی پرامپت پایه: نقش، زمینه، خروجی مشخص پرامپت پیشرفته: مثال‌محور، تفکر مرحله‌ای و زنجیره پنجره زمینه: چقدر مدل می‌بیند؟ توهم (Hallucination): وقتی مدل با اطمینان دروغ می‌گوید نقش و هدف: سه‌سطر که پاسخ را می‌سازند مثال‌محوری: input/output نمونه بدهید تفکر مرحله‌ای و زنجیره وظایف نسخه‌ها و مستند: زمینه واقعی بدهید چرخه پرسش‌وپاسخ: اصلاح سریع مدل‌های لوکال: Ollama و حریم کامل طراحی system prompt حرفه‌ای پرامپت اینجکشن: دفاع در پرامپت چند‌نوبتی: تاریخچه و خلاصه‌سازی temperature و top_p: تنظیم خلاقیت

فصل ۲ — ابزارهای کدنویسی با AI

دستیارهای درون‌ادیتور: Copilot و امثال آن AI برای بازبینی کد و دیباگ

فصل ۳ — گردش کار حرفه‌ای

ساخت محصول با AI: فراخوانی API، جریان و هزینه گردش کار حرفه‌ای: حدود مسئولیت و یادگیری با AI فراخوانی API مدل: ساختار درخواست پاسخ استریم: تجربه زنده کاربر هزینه و توکن: اقتصاد ویژگی AI گاردریل: محدود کردن خروجی مدل RAG مقدماتی: پاسخ از مستندات شما Embeddingها: متن به بردار داده و حریم خصوصی در AI ایجنت‌ها: مدل با ابزار ارزیابی کیفیت: از حس به داده PR و commit حرفه‌ای با AI استخراج ساخت‌یافته از متن جستجوی معنایی سایت با AI خلاصه جلسات و مستندات تیمی

فصل ۲ — ابزارهای کدنویسی

دستیار ادیتور: autocomplete با مسئولیت چت در برابر ادیتور: کدام ابزار برای کدام کار؟ AI به‌عنوان reviewer: دومین چشم دیباگ با AI: از پیام خطا به علت یادگیری با AI: tutor شخصی مستندسازی خودکار: README و comment رفاکتور با AI: بدون تغییر رفتار تولید تست با AI: پوشش سریع مهاجرت نسخه با AI آشنایی با codebase جدید با AI

فصل ۴ — سناریوهای عملی

تولید محتوا: از پرامپت به انتشار چت‌بات پشتیبانی با منابع ربات review در CI ترجمه و بومی‌سازی محتوا دستیار سئو: کلیدواژه و متا بات تلگرام/اسلک با AI

فصل ۵ — پروژه پایانی

پروژه: معماری دستیار پرسش‌وپاسخ پروژه: پیاده‌سازی گام‌به‌گام پروژه: ارزیابی و بهبود دستیار اخلاق و سیاست استفاده مسیر ادامه: از کاربر به سازنده

پروژه عملی پایان دوره

پروژه پایانی — دستیار پرسش‌وپاسخ برای سایت خودتان
AI for Developers Tutorial فصل ۳ — گردش کار حرفه‌ای درس آموزشی

Embeddingها: متن به بردار

embedding متن‌ها به بردار؛ شباهت کسینوسی — موتور جستجوی معنایی RAG.

مراحل قدم‌به‌قدم

  1. ۱

    پایه

    متن → بردار ۱۵۳۶ بعدی؛ شباهت با dot product/cosine؛ ذخیره در sqlite (json) یا pgvector.

  2. ۲

    chunking

    بخش‌بندی معنادار (پاراگراف/هدر)؛ overlap کوچک؛ metadata با مسیر — تکه خوب = پاسخ خوب.

  3. ۳

    پرسش embedding

    سؤال کاربر هم embed؛ nearest邻居 k=۳-۵؛ مرتب با score — ارزان و سریع.

  4. ۴

    هزینه و به‌روز

    embedding یک‌بار per chunk؛ تغییر مستند → re-embed تکه — نگه‌داری فهرست.

نکات مهم

  • ◆ تکه معنادار با overlap کوچک.
  • ◆ k=۳-۵ تکه برتر در پرامپت.
  • ◆ embedding یک‌بار؛ re-embed فقط تکه تغییر.

کد یا مسیر نمونه

const vec = await embed(text);            // آرایه عددی
function cosine(a, b) { /* … */ }
const top = docs.map(d => ({ d, s: cosine(vec, d.v) }))
  .sort((x, y) => y.s - x.s).slice(0, 5);

اجرای زنده کد JavaScript

editor.html
در حال آماده‌سازی زمین بازی…

کد را ویرایش کنید و «اجرای کد» را بزنید — خروجی واقعی مرورگر همین‌جا رندر می‌شود؛ مثل آزمایشگاه w3schools.

پرسش و پاسخ این درس (۰)

هنوز دیدگاهی ثبت نشده؛ اولین نفر باشید!

دیدگاه خود را بنویسید

کپچا

دیدگاه شما پس از تأیید مدیر نمایش داده می‌شود.