پیش‌نیاز

هیچ دانش قبلی مورد نیاز نیست — تمام مراحل به‌صورت گام‌به‌گام آموزش داده می‌شود.

توضیحات

یکی از مهم‌ترین مفاهیم در دنیای هوش مصنوعی، مفهوم RAG یا تولید تقویت‌شده با بازیابی (Retrieval-Augmented Generation) است.

شما باید به مدل‌های زبانی بزرگ (LLMs) دانش بدهید — اما چگونه می‌توان چت‌بات‌های RAG قدرتمند و عامل‌های هوشمند هوش مصنوعی ساخت که فرآیندهای کاری یا پروژه‌های شخصی شما را بهینه کنند؟

در دوره آموزش طراحی و پیاده‌سازی عامل‌های هوش مصنوعی مبتنی بر RAG، یاد می‌گیرید چگونه از پایه تا سطح پیشرفته، با استفاده از ابزارهایی مانند ChatGPT، Claude، Google Gemini، مدل‌های متن‌باز، Flowise، n8n و موارد دیگر، این سیستم‌ها را طراحی و پیاده‌سازی کنید.

مبانی: LLMها، RAG و پایگاه‌های داده‌ی برداری

در این بخش، پایه‌ی محکم برای پروژه‌های هوش مصنوعی خود خواهید ساخت:

• درک عمیق از مدل‌های زبانی بزرگ مانند ChatGPT، Claude، Gemini، Deepseek، Llama و Mistral.

• یادگیری مفهوم Function Calling و نحوه‌ی برقراری ارتباط API در مدل‌ها.

• آشنایی با اهمیت پایگاه‌های داده‌ی برداری و مدل‌های تعبیه‌سازی (Embedding) به‌عنوان قلب RAG.

• تسلط بر محیط ChatGPT، مدل‌ها، تنظیمات و محیط OpenAI Playground.

• شناخت مفاهیمی مانند Test-Time Compute در مدل‌های جدید (OpenAI o1, o3 و Deepseek R1).

• بررسی و استفاده از Google NotebookLM برای پروژه‌های مبتنی بر RAG.

پیاده‌سازی ساده‌ی RAG با ChatGPT و Custom GPTs

در این بخش، نخستین برنامه‌های هوش مصنوعی خود را به‌سادگی اجرا خواهید کرد:

• ساخت اولین ربات RAG از فایل‌های PDF با Custom GPTs.

• تبدیل صفحات HTML و ویدیوهای YouTube به چت‌بات‌های تعاملی.

• آموزش ChatGPT بر اساس سبک نوشتاری شخصی شما.

• ساخت چت‌بات‌های هوشمند با داده‌های CSV و استفاده از ظرفیت کامل Custom GPTs.

RAG با مدل‌های متن‌باز: AnythingLLM و Ollama

در این مرحله وارد دنیای هوش مصنوعی محلی می‌شوید:

• نصب و استفاده از Ollama؛ آشنایی با مدل‌ها، فرمان‌ها و الزامات سخت‌افزاری.

• یکپارچه‌سازی AnythingLLM با Ollama و بهینه‌سازی تقسیم‌بندی داده‌ها (Chunking) و تعبیه‌سازی‌ها.

• ساخت چت‌بات‌های RAG محلی با کنترل دقیق زبان، پاسخ و دما (Temperature).

• بهره‌گیری از قابلیت‌های عامل‌ها برای جست‌وجو در وب، استخراج داده‌ها و وظایف دیگر.

Flowise: RAG با LangChain و LangGraph

در این بخش، از قدرت APIهای OpenAI برای ساخت برنامه‌های حرفه‌ای استفاده می‌کنید:

• تسلط بر OpenAI API، مدل‌های قیمت‌گذاری، انطباق با GDPR و تنظیم پروژه‌ها.

• ساخت اپلیکیشن‌های RAG مؤثر از طریق Playground و Response API.

• نصب Flowise، مدیریت به‌روزرسانی‌ها و یادگیری کار با رابط کاربری آن و Marketplace.

• ساخت Chatflowهای کامل شامل وب‌اسکرپینگ، Embedding، تقسیم HTML و پایگاه داده برداری.

• طراحی رابط کاربری اختصاصی برای چت‌بات خود و مدیریت جزئیات فنی.

• پیاده‌سازی امنیت محلی با Ollama و LangChain و استفاده از گره‌های ابزاری Flowise (مانند ایمیل، تقویم، Airtable).

• ترکیب پایگاه داده‌ی Pinecone با Supabase و Postgres.

• تسلط بر مهندسی پرامپت (Prompt Engineering) و عامل‌های متوالی با نظارت انسانی.

n8n: ساخت خودکارسازی‌ها و عامل‌های RAG

در این بخش با استفاده از n8n، اتوماسیون‌های هوشمند خود را طراحی می‌کنید:

• یادگیری نصب محلی و اصول اولیه‌ی n8n.

• خودکارسازی به‌روزرسانی پایگاه داده Pinecone از طریق Google Drive.

• توسعه چت‌بات‌های RAG با گره‌های عامل هوش مصنوعی و پایگاه داده‌های برداری.

• ساخت چت‌بات‌های خودکار از وب‌سایت‌ها با درخواست‌های HTML و Scraping.

میزبانی، فروش و کسب درآمد از عامل‌های RAG

در این بخش، پروژه‌های خود را به‌صورت حرفه‌ای به بازار معرفی می‌کنید:

• میزبانی Flowise و n8n در پلتفرم‌هایی مانند Render و اتصال به وب‌سایت‌ها (HTML یا WordPress).

• طراحی چت‌بات‌های برندشده و حرفه‌ای برای فروش به‌عنوان سرویس یا محصول مستقل.

• تدوین استراتژی‌های بازاریابی و فروش مؤثر برای عامل‌های هوش مصنوعی.

گردش‌کارهای پیشرفته و تکنیک‌های تخصصی RAG

در این مرحله، با جدیدترین فناوری‌های حرفه‌ای آشنا می‌شوید:

• یادگیری مفاهیم پیشرفته مانند Webhooks، MCP با Claude، GPT Actions و یکپارچگی n8n.

• درک پروتکل Model Context Protocol (MCP) و ساخت سرور و کلاینت MCP در n8n و Claude Desktop.

• بررسی استراتژی‌های نوین مانند Cache-Augmented Generation (CAG)، GraphRAG (مایکروسافت)، LightRAG و Contextual Retrieval از Anthropic.

• بهینه‌سازی Chunking، Embedding و بازیابی Top-K برای بهبود عملکرد RAG.

• انتخاب بهترین استراتژی برای پروژه‌ها و حداکثرسازی نتایج.

امنیت، حریم خصوصی و مبانی حقوقی

در این بخش یاد می‌گیرید چگونه از پروژه‌های هوش مصنوعی خود محافظت کنید:

• شناسایی ریسک‌های امنیتی مانند حملات تلگرام، Jailbreakها، تزریق پرامپت و مسموم‌سازی داده‌ها.

• ایمن‌سازی سیستم در برابر حملات و رعایت حق‌کپی در محتوای تولیدی.

• درک عمیق از مقررات GDPR و قانون جدید اتحادیه اروپا (EU AI Act) برای اطمینان از انطباق قانونی.

تبدیل شدن به متخصص در عامل‌ها و خودکارسازی‌های هوش مصنوعی

در پایان این دوره، شما به یک متخصص در ساخت، بهینه‌سازی و تجاری‌سازی چت‌بات‌ها و عامل‌های RAG تبدیل خواهید شد.

دوره آموزش طراحی و پیاده‌سازی عامل‌های هوش مصنوعی مبتنی بر RAG برای چه کسانی است:

• افرادی که به هوش مصنوعی و اتوماسیون علاقه دارند و می‌خواهند عامل‌های RAG خود را بسازند.

• کارآفرینانی که می‌خواهند با استفاده از هوش مصنوعی کارایی خود را افزایش دهند یا کسب‌وکار جدیدی ایجاد کنند.

• هر فردی که علاقه‌مند به یادگیری عمیق در زمینه عامل‌های هوش مصنوعی است.

• افرادی که می‌خواهند در نهایت مفهوم RAG را به‌درستی درک کرده و وظایف خود را خودکارسازی کنند.

بخشی از دوره: