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 ۵ — پروژه پایانی درس آموزشی

پروژه: ارزیابی و بهبود دستیار

دستیار زنده را بسنجید و بهتر کنید: دیتاست سؤال، نرخ پاسخ و بهبود منابع — چرخه بهبود.

مراحل قدم‌به‌قدم

  1. ۱

    دیتاست سؤال

    ۵۰ سؤال واقعی کاربران + پاسخ درست؛ مرزی‌ها (تایپی، بی‌ربط) — پایه ارزیابی.

  2. ۲

    متریک‌ها

    نرخ پاسخ درست، نرخ «یافت نشد» صحیح، تأخیر p95، هزینه سؤال — داشبورد ساده هفتگی.

  3. ۳

    بهبود منابع

    سؤال‌های فال‌بک → مستند جدید؛ chunk بهتر — RAG با داده بهتر زنده می‌ماند.

  4. ۴

    چرخه انتشار

    تغییر پرامپت/منابع → اجرای دیتاست → سبز → انتشار — مثل تست کد.

نکات مهم

  • ◆ ۵۰ سؤال واقعی + پاسخ درست.
  • ◆ متریک‌ها هفتگی؛ فال‌بک‌ها به مستند تبدیل.
  • ◆ تغییر با دیتاست سبز منتشر شود.

کد یا مسیر نمونه

eval دستیار:
| سؤال                     | نتیجه | یادداشت          |
|--------------------------|-------|------------------|
| چطور SSL نصب کنم؟        | ✓     | منبع [2]         |
| قیمت plugin؟             | ✗     → مستند قیمت لازم |
| (تایپی) sssl             | ✓     | normalize کمک کرد |

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.