مهندسی هوش مصنوعی
AI engineeringمدل زبانی را کسی دیگر آموزش داده؛ کار تو ساختن چیزی است که با آن کار میکند و در عمل قابل اعتماد باشد. این مسیر دربارهٔ آموزش مدل نیست — دربارهٔ مهندسی اطراف آن است: چطور دادهات را وارد کنی، چطور خروجی را بسنجی، چطور جلوی هزینهٔ بیحساب را بگیری، و چه کاری را اصلاً نباید به مدل بسپاری.
پیشرفت تو
درصد هر فصل از دو چیز میآید: چقدر از بخشهایش را خواندهای (۵۵٪) و چند تمرینش را تیک زدهای (۴۵٪). همهچیز داخل مرورگر خودت میماند.
فصل
فصلها به هم وابستهاند و ترتیبشان معنا دارد. هر مسیر با پروژههای نهایی تمام میشود: ساده، متوسط، پیچیده.
LLM چیست و چه نیست
تواناییها، محدودیتها و توهمزایی.
در نوبت نوشتنکار با API مدل
درخواست، پارامتر، استریم و مدیریت خطا.
در نوبت نوشتنمهندسی prompt
ساختار، مثال، نقش و خروجی ساختیافته.
در نوبت نوشتنخروجی ساختیافته
JSON schema، اعتبارسنجی و retry هوشمند.
در نوبت نوشتنembedding
معنا بهصورت عدد، و شباهت برداری.
در نوبت نوشتنپایگاهدادهٔ برداری
pgvector، Qdrant و جستجوی شباهت.
در نوبت نوشتنRAG ۱
بازیابی و تولید: مدل را با دادهٔ خودت وصل کن.
در نوبت نوشتنRAG ۲
chunking، بازرتبهبندی، جستجوی ترکیبی و ارزیابی.
در نوبت نوشتنابزار و function calling
وقتی مدل باید کاری انجام دهد، نه فقط حرف بزند.
در نوبت نوشتنعامل
حلقهٔ تصمیم، حافظه و جایی که از کنترل خارج میشود.
در نوبت نوشتنارزیابی
چطور بفهمی خروجی خوب است — بدون حدس.
در نوبت نوشتنهزینه و تأخیر
token، کش، مدل کوچکتر و batch.
در نوبت نوشتنایمنی و تزریق prompt
ورودی کاربر قابل اعتماد نیست — حتی وقتی مؤدب است.
در نوبت نوشتنمدل محلی
Ollama و اجرای مدل روی سختافزار خودت.
در نوبت نوشتنفارسی و LLM
tokenization فارسی، کیفیت و راهکارها.
در نوبت نوشتنپروژهٔ ۱ — دستیار با خروجی ساختیافته
API، prompt و اعتبارسنجی خروجی.
در نوبت نوشتنپروژهٔ سادهپروژهٔ ۲ — RAG روی سند خودت
chunking، برداری، بازیابی و ارزیابی.
در نوبت نوشتنپروژهٔ متوسطپروژهٔ ۳ — عامل ابزارمند
ابزار، حافظه، حفاظ، ارزیابی و کنترل هزینه.
در نوبت نوشتنپروژهٔ پیچیده