ما اینجا هم از خوبی AI گفتیم هم از بدیش، هم فهمیدیم چقدر خوبه هم دیدیم کجاها به درد نمی‌خوره، ولی همه اینا یه معنی داره: یادگیری استفاده درست از هوش مصنوعی برای پیشرفت در خیلی از حرفه‌ها، مخصوصاً شغل‌های مرتبط با کامپیوتر لازمه.

از دید من می‌شه یادگیری AI رو به سه سطح تقسیم کرد:

سطح اول: سطح خیلی زیرساختیه که نشون می‌ده چطور Deep Learning و LLMها آموزش می‌بینن، Fine-tune می‌شن، Inference انجام می‌دن، متن تولید می‌کنن، معماری Transformer چیه، معماری‌های مختلف چه تفاوتی با هم دارن و الی آخر.

سطح دوم: این سطح به شکل کاربردی‌تر به مسئله نگاه می‌کنه. نمی‌خواد خودش LLM بسازه، ولی می‌خواد بدونه چه توانایی‌هایی داره، RAG چیه، MCP چیه و چه نقشی در اتصال مدل به ابزارها و منابع داده داره، چطور مدل می‌تونه با دنیای بیرون ارتباط برقرار کنه (مثلاً با Tool Calling)، و مفاهیمی مثل Thinking Effort رو هم می‌شناسه.

سطح سوم: این سطح آسون‌ترین و به نظرم مهم‌ترین سطحه. این که بتونیم به ChatGPT یا یه مدل چتی دیگه پرامپت بدیم و جواب بگیریم، بتونیم دو تا agent تحت ترمینال ستاپ کنیم و ازشون استفاده کنیم. تو این سطح به نظرم این که چه چیزی رو به مدل بگیم (توی Context بذاریم)، به چه چیزهایی دسترسی داشته باشه، برای انجام چه کارهایی باید از کاربر اجازه بگیره، کدوم مدل با کدوم agent بهتر کار می‌کنه و برای چه کاری سریع‌تر و البته ارزون‌تره مهمه. اینجا قیمت API هم به نظرم اهمیت داره؛ اگر کارم با DeepSeek راه می‌افته، سراغ خانواده Claude نرم. اگر با Sonnet راه می‌افته سمت Fable نرم و هزینه‌م رو کمتر کنم و حتی در زمان هم صرفه‌جویی کنم.

دید من اینه که سطح اول واجب نیست، ولی سطح دوم و سوم برای بیشتر برنامه‌نویس‌ها ضروریه.

و حالا نوبت شماست! اگر محتوای آموزشی، متن، ویدیو، کورس یا هر چیز دیگه‌ای می‌شناسید که یک یا چند تا از این موضوع‌ها رو خوب توضیح داده، معرفی کنید. همچنین کنارش بگید بیشتر مربوط به کدوم سطحه.