📱 فصل 7: ساخت اپلیکیشن هوشمند با LLM

در این فصل، یاد می‌گیرید چگونه LLM‌ها را در اپلیکیشن‌های هوشمند به کار بگیرید. از تولید متن تقویت‌شده با بازیابی اطلاعات (RAG) گرفته تا کمک به LLM برای استدلال و برنامه‌ریزی با روش‌های پیشرفته.

سرفصل‌های این فصل:

  استفاده از مدل زبانی بزرگ در برنامه‌ها (Using the LLM in applications) 

تولید متن تقویت‌شده از طریق بازیابی اطلاعات (RAG) (Retrieval Augmented Generation (RAG)) 

آماده‌سازی داده‌ها برای پایگاه برداری در مدل RAG (Data Preparation for RAG-Based Vector Retrieval) 

آشنایی با امبدینگ جمله به‌صورت عملی (Hands-on Guide to Sentence Embeddings) 

پیاده سازی RAG با LangChain (قسمت 1): آماده‌سازی مدل زبانی و امبدینگ برای پرسش‌وپاسخ از PDF (RAG with LangChain (Part 1): Setting up LLM and Embeddings for PDF-based QA) 

پیاده سازی RAG با LangChain (قسمت 2): تکه‌بندی PDF و ساخت اپلیکیشن پرسش‌وپاسخ برداری (RAG with LangChain (Part 2): Chunking PDF and Building a Vector Search QA App) 

امکان‌پذیر ساختن تعامل با برنامه‌های خارجی (Enabling interactions with external applications) 

کمک به LLM برای استدلال و برنامه‌ریزی با استفاده از روش «زنجیره تفکر» (Helping LLMs reason and plan with Chain-of-Thought Prompting) 

مدل‌های زبانی تقویت‌شده با برنامه‌نویسی (Program-aided Language Models) 

حل مسائل ریاضی با تولید کد پایتون توسط مدل Mistral (به روش PAL) (Solving Math Word Problems with Mistral LLM by Generating Python Code (PAL Approach)) 

مفهوم ReAct: ترکیب استدلال و اقدام در مدل‌های زبانی بزرگ (ReAct: Combining reasoning and action in LLMs) 

ساخت Agent با LangChain و مدل Qwen2.5 برای جستجوی زنده با DuckDuckGo (Building a LangChain Agent with Qwen2.5 and DuckDuckGo Search) 

جمع‌بندی نهایی و ادامه مسیر یادگیری (Final Summary and Continuing Your Learning Journey) 

#مدل_زبانی_بزرگ