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 ۱ — درک مدلها و پرامپت
درس آموزشی
temperature و top_p: تنظیم خلاقیت
دمای پایین برای دقیقکاری، بالا برای ایدهپردازی — پارامترها را با هدف تنظیم کنید.
مراحل قدمبهقدم
-
۱
کجاها چه؟
کد/طبقهبندی/JSON: ۰-۰.۳؛ محتوا: ۰.۷؛ ایدهپردازی: ۰.۹+ — هر کار دمایش.
-
۲
top_p و دیگران
top_p با temperature همزمان جفت نشود؛ frequency penalty برای تکرار — تنظیمات کمتر، قابلفهمتر.
-
۳
سنجش
همان پرامپت با دماهای مختلف؛ خروجیها را مقایسه — تنظیم با داده، نه حدس.
-
۴
ثابت per task
دمای هر ویژگی در کد ثابت و مستند — تغییر تصادفی کیفیت را میشکند.
نکات مهم
- ◆ کد: ۰-۰.۳؛ محتوا: ۰.۷؛ ایده: ۰.۹.
- ◆ temperature یا top_p؛ هر دو نه.
- ◆ دمای هر ویژگی ثابت و مستند.
کد یا مسیر نمونه
const cfg = { classify: { temperature: 0 }, content: { temperature: 0.7 } };
await llm.chat({ ...cfg.classify, messages });
اجرای زنده کد JavaScript
editor.html
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!