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 ۵ — پروژه پایانی
درس آموزشی
مسیر ادامه: از کاربر به سازنده
بعد از دوره: عمق RAG، ایجنتهای عملیاتی، fine-tune و مانیتورینگ — نقشه رشد.
مراحل قدمبهقدم
-
۱
عمق RAG
hybrid search (FTS+vector)، reranking، eval خودکار — کیفیت پاسخ به مرحله حرفهای.
-
۲
ایجنت عملیاتی
اتوماسیون تیم با ابزارهای read/write محدود + audit — ارزش واقعی در گردش کار.
-
۳
fine-tune؟
فقط وقتی پرامپت+RAG ناکافی؛ داده باکیفیت لازم — اکثر موارد با پرامپت حل میشود.
-
۴
مانیتورینگ
داشبورد هزینه/کیفیت/تأخیر؛ آلارم — عملیات AI مثل هر سرویس دیگر.
نکات مهم
- ◆ RAG عمیق با hybrid search؛ eval خودکار.
- ◆ ایجنت با ابزار محدود و audit.
- ◆ fine-tune آخرین راه، نه اول.
کد یا مسیر نمونه
نقشه ادامه:
۱. hybrid search + reranker
۲. eval runner در CI
۳. ایجنت گزارشساز با audit
۴. مانیتور هزینه/کیفیت
۵. fine-tune فقط با داده طلایی
پرسش و پاسخ این درس (۰)
هنوز دیدگاهی ثبت نشده؛ اولین نفر باشید!