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 خلاقیتفصل ۲ — ابزارهای کدنویسی با AI
دستیارهای درونادیتور: Copilot و امثال آن AI برای بازبینی کد و دیباگفصل 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 تیمیفصل 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 AIفصل 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 AIفصل ۵ — پروژه پایانی
پروژه: معماری دستیار پرسشوپاسخ پروژه: پیادهسازی گامبهگام پروژه: ارزیابی و بهبود دستیار اخلاق و سیاست استفاده مسیر ادامه: از کاربر به سازندهپروژه 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
-
۱
پایه
متن → بردار ۱۵۳۶ بعدی؛ شباهت با dot product/cosine؛ ذخیره در sqlite (json) یا pgvector.
-
۲
chunking
بخشبندی معنادار (پاراگراف/هدر)؛ overlap کوچک؛ metadata با مسیر — تکه خوب = پاسخ خوب.
-
۳
پرسش embedding
سؤال کاربر هم embed؛ nearest邻居 k=۳-۵؛ مرتب با score — ارزان و سریع.
-
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
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!