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 ۴ — سناریوهای عملی درس آموزشی

چت‌بات پشتیبانی با منابع

پاسخ پشتیبانی از مستندات (RAG) + escalated به انسان — تجربه سریع با درستی.

مراحل قدم‌به‌قدم

  1. ۱

    جریان

    سؤال → RAG → پاسخ با منبع؛ عدم اطمینان یا نارضایتی → ارجاع به اپراتور — حد گذاشتن خودکار.

  2. ۲

    منابع زنده

    وضعیت سفارش با function calling به API داخلی (read-only) — پاسخ واقعی نه حدس.

  3. ۳

    حفاظ‌ها

    بدون وعده پرداخت/قانونی؛ قالب پاسخ رسمی؛ لاگ کامل مکالمه — پشتیبانی ریسک حقوقی دارد.

  4. ۴

    متریک

    نرخ حل بدون انسان؛ CSAT؛ موضوع‌های فال‌بک — بهبود مستندات از لاگ‌ها.

نکات مهم

  • ◆ RAG + ارجاع به انسان؛ حد خودکار.
  • ◆ عملیات read برای داده زنده.
  • ◆ متریک حل/ارجاع؛ مستندات بهتر شود.

کد یا مسیر نمونه

جریان:
۱. classify سؤال (AI سبک)
۲. اگر factable → RAG + جواب با منبع
۳. اگر عملیاتی → tool (read) → جواب
۴. اگر حساس/ناراضی → transfer به اپراتور

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.