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
ارزیابی کیفیت: از حس به داده
کیفیت ویژگی AI با مجموعه تست اندازهگیری شود؛ sampleهای طلایی و نرخ موفقیت — تصمیم با عدد.
مراحل قدمبهقدم
-
۱
مجموعه طلایی
۳۰-۵۰ نمونه ورودی + پاسخ مورد انتظار؛ مرزیها (خالی، بلند، غیرمرتبط) — دیتاست تست ویژگی.
-
۲
ارزیابی
اجرای دورهای روی دیتاست؛ scoring دستی یا با مدل داور؛ ردیابی تغییر پرامپت — regression پرامپت را میگیرد.
-
۳
متریکها
نرخ پاسخ درست، نرخ format درست، تأخیر، هزینه — هرچه میسنجید بهتر تنظیم میکنید.
-
۴
چرخه
تغییر پرامپت → اجرای دیتاست → مقایسه → قبول؛ مثل تست کد.
نکات مهم
- ◆ دیتاست طلایی بسازید؛ مرزیها یادتان نرود.
- ◆ هر تغییر پرامپت با اجرای دیتاست.
- ◆ متریکها را لاگ و ترند بگیرید.
کد یا مسیر نمونه
// eval.jsonl:
{"input": "سفارشم کجاست؟", "expect_contains": "شماره سفارش"}
{"input": "", "expect": "fallback"}
// runner: اجرای همه + گزارش نرخ
پرسش و پاسخ این درس (۰)
هنوز دیدگاهی ثبت نشده؛ اولین نفر باشید!