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

داده و حریم خصوصی در AI

داده کاربر به سرویس AI می‌رود؛ سیاست داده، anonymize و انتخاب سرویس — تصمیم محصولی-حقوقی.

مراحل قدم‌به‌قدم

  1. ۱

    چه چیزی می‌رود؟

    زمینه‌ها را ممیزی کنید؛ PII (موبایل، کد ملی) قبل ارسال mask یا حذف؛ لاگ پرامپت بدون داده حساس.

  2. ۲

    سیاست سرویس

    آیا داده برای آموزش استفاده می‌شود؟ API معمولاً نه، consumer گاهی؛ قرارداد enterprise برای تضمین.

  3. ۳

    جایگزین داخلی

    مدل‌های self-host برای داده حساس (صنایع)؛ هزینه GPU در برابر ریسک — تصمیم بر اساس رده داده.

  4. ۴

    شفافیت کاربر

    ویژگی AI را در UI اعلام؛ داده ارسالی ذکر — اعتماد و الزامات.

نکات مهم

  • ◆ PII را قبل ارسال mask کنید.
  • ◆ سیاست آموزش داده سرویس را چک کنید.
  • ◆ داده حساس → self-host یا ماسک سخت.

کد یا مسیر نمونه

// ماسک قبل ارسال:
const safe = text.replace(/09\d{9}/g, "***").replace(/\d{10}/g, "***");
await llm(safe);

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.