مهندسی سامانههای LLM و RAG ا LLM & RAG Systems
از یک فراخوان ساده مدل زبانی عبور کنید و یک LLM Application بسازید که قرارداد محصول، Dataset ارزیابی، RAG، استناد، API، Reliability، ورودی چندوجهی و مسیر روشن برای سازگارکردن مدل داشته باشد.
نقشه ۸ هفته‌ای
کیفیت را قبل از پیچیدگی بسازید
هر هفته یک تصمیم معماری و یک Artifact قابل بررسی به پروژه اضافه می‌کند.
قرارداد فنی سامانه مدل زبانی
API، Token/Context، Role، Sampling، خروجی ساختاریافته، Retry و Cost؛ خروجی: قرارداد محصول، JSON Schema و Baseline Trace.
ارزیابی پیش از توسعه
Eval Dataset، Rubric، Deterministic Checks، محدودیت LLM Judge و Error Taxonomy؛ خروجی: Proposal و Eval Set اولیه.
بردارهای معنایی و بازیابی اطلاعات
بردار معنایی، Similarity، Chunk/Metadata، Index و Recall@K؛ خروجی: بازیابی اطلاعات Baseline و گزارش کیفیت.
خط پردازش پاسخ مبتنی بر بازیابی (RAG)
Ingestion، بازیابی اطلاعات، Context Assembly، Prompt Contract، Citation و Fallback؛ خروجی: RAG قابل ارزیابی.
ارزیابی بازیابی و کیفیت پاسخ
Hit/Recall، Groundedness، Relevance، Slice، Regression و A/B Chunking؛ خروجی: Eval Report و تصمیم بهبود.
ساخت برنامه کاربردی و قابلیت اطمینان
FastAPI، Session، Cache، Rate Limit، Timeout، Logging و Integration Test؛ خروجی: Application قابل اجرا.
ورودی چندوجهی
Vision/Document Input، Extraction Schema، Confidence، Human Review و Fallback؛ خروجی: ورودی چندوجهی Test Set.
سازگارکردن مدل و عملیات سامانههای زبانی
تصمیم Prompt/RAG/تنظیم دقیق مدل، Dataset Engineering، SFT، LoRA/PEFT یا API-based تنظیم دقیق مدل، ارزیابی قبل/بعد، Versioning، Trace، Secret/PII، Docker و CI Gate.
پروژه و تمرین
یک مرجع کامل، چند تمرین محدود و پروژه خودتان
سامانه پاسخ‌گویی هوشمند پشتیبانی با منابع مستند
از Baseline تا RAG، Evaluation، API و Trace
پاسخ مستند به پرسش‌های پشتیبانی
Dataset ارزیابی، بازیابی اطلاعات، Citation، Fallback، API، Docker و Trace در یک خط داستانی کامل کنار هم قرار می‌گیرند.
هر تمرین برای یک سؤال مشخص
تمرین کوتاه است و جای پروژه پورتفولیو را نمی‌گیرد
استخراج رزومه و خلاصه‌سازی متن
Schema، خروجی ساختاریافته، Quality Rubric، Hallucination و Error Analysis.
فراداده، بازیابی و رتبه‌بندی ارتباط
Chunk، Metadata، بردار معنایی، Similarity، بازیابی اطلاعات Debugging و Recall@K.
تطبیق مدل با داده اختصاصی
مقایسه Prompt/RAG/تنظیم دقیق مدل، ساخت Dataset، SFT/LoRA/PEFT و ارزیابی قبل و بعد.
پروژه انتخابی خود را تا یک LLM Application قابل دفاع ببرید
همان پروژه در کورس دوم می‌تواند به سامانه عامل‌محور توسعه پیدا کند
Portfolio
از قرارداد محصول تا LLM System
یکی از Trackهای ویدئو، Text-to-SQL، سند/رزومه، ورودی چندوجهی RAG، خلاصه‌سازی ویدئو یا Data Copilot را انتخاب می‌کنید و Context، Evaluation و Application آن را می‌سازید.
- ۱Proposal و Eval Set
- ۲بازیابی اطلاعات/RAG
- ۳API و Reliability
- ۴System Card و تصمیم سازگارکردن مدل
خروجی کورس
چیزی بیشتر از یک Chatbot Demo
قرارداد محصول
Schema، محدودیت، KPI و Fallback.
مجموعه‌داده ارزیابی نسخه‌بندی‌شده
Rubric، Error Slice و Regression Evidence.
شواهد بازیابی اطلاعات و پاسخ مستند
Index، Citation، Recall و Groundedness.
برنامه کاربردی آماده اجرا
API، Logging، Docker، Trace و System Card.
شواهد تصمیم درباره تنظیم دقیق مدل
اگر تنظیم دقیق مدل توجیه داشته باشد، Dataset و Before/After Eval؛ اگر نداشته باشد، مستند می‌کنید چرا Prompt یا RAG انتخاب بهتری است.
خودارزیابی پیش از ثبت‌نام
پایه لازم را دارید؟ قبل از ثبت‌نام خودتان بررسی کنید
این چک‌لیست آزمون پذیرش نیست. موارد ضروری، پایه اجرای پروژه‌اند؛ موارد GenAI و ML مزیت‌اند و بخشی از آن‌ها در جریان پروژه‌ها تقویت می‌شوند.
کدنویسی و ساخت سرویس
- با Function، Class، Exception و Virtual Environment در Python کار می‌کنم.
- Package، Environment Variable و Secret را در حد اجرای پروژه می‌شناسم.
- JSON، HTTP، Request/Response و Status Code برایم آشناست.
- می‌توانم یک API را مصرف کنم و منطق یک Endpoint ساده را دنبال کنم.
- کد موجود را می‌خوانم، تغییر می‌دهم و خطاهای معمول را Debug می‌کنم.
اجرای پروژه و محیط توسعه
- clone، branch، commit، pull و push را در Git انجام می‌دهم.
- در Terminal/Linux بین مسیرها حرکت می‌کنم و Commandهای پایه را اجرا می‌کنم.
- README یک Repository را دنبال می‌کنم و Dependencyهای آن را نصب می‌کنم.
- با Docker در حد اجرای Container و خواندن یک Dockerfile ساده آشنایی دارم.
- می‌توانم مستندات فنی انگلیسی را، در صورت نیاز با کمک ابزارهای AI، دنبال کنم.
Data، ML و GenAI
- Train/Validation/Test، Metric و Error Analysis را در سطح کاربردی می‌شناسم.
- با DataFrame و SQL پایه کار کرده‌ام.
- بردار معنایی، Transformer، Token و پنجره متن ورودی را در سطح شهودی می‌شناسم.
- حداقل یک API مدل زبانی یا سرویس مشابه را تجربه کرده‌ام.
- FastAPI یا یک Web Framework و استقرار یک سرویس ساده برایم آشناست.
| نتیجه بخش ضروری | پیشنهاد |
|---|---|
| ۷۰٪ و بیشتر | آماده ورود مستقیم؛ شکاف‌های محدود را هدفمند جبران کنید. |
| ۶۰٪ تا کمتر از ۷۰٪ | ورود ممکن است، اما Catch-up فنی پیش از شروع یا همزمان با هفته‌های اول توصیه می‌شود. |
| کمتر از ۶۰٪ | بهتر است ابتدا Foundation فنی را تکمیل کنید تا سرعت پروژه‌ها مانع یادگیری نشود. |
مرزبندی
تنظیم دقیق مدل هدف نیست؛ انتخاب مهندسی است
کورس شما را مجبور نمی‌کند هر مسئله را با تنظیم دقیق مدل حل کنید. ابتدا Baseline، Prompt و RAG سنجیده می‌شوند و فقط وقتی شواهد توجیه کند، سازگارکردن مدل وارد می‌شود.
| حوزه | عمق |
|---|---|
| LLM API، خروجی ساختاریافته و Evaluation | محوری |
| بردار معنایی، بازیابی اطلاعات و RAG | محوری |
| FastAPI، Reliability، Docker و Trace | عملی |
| ورودی چندوجهی | سند/تصویر، Extraction و Fallback |
| تنظیم دقیق مدل | Decision Matrix + SFT/LoRA/PEFT یا API-based + ارزیابی قبل/بعد |
| سامانه عامل‌محورs | کورس دوم گام |
از «چت‌بات جذاب» تا پاسخ قابل سنجش و مستند
خط داستانی این کورس با انتخاب مدل شروع نمی‌شود؛ با تعریف وظیفه، قرارداد خروجی و مجموعه‌داده ارزیابی شروع می‌شود. سپس جست‌وجوی معنایی، بازیابی اطلاعات و پاسخ مستند را می‌سازید و کیفیت Context و پاسخ را جداگانه می‌سنجید.
پروژه مرجع، دستیار پشتیبانی سازمانی است که باید از منابع مشخص پاسخ بدهد و به منبع استناد کند. در ادامه API، امنیت، ردپای اجرا و ورودی چندوجهی اضافه می‌شود. تنظیم دقیق مدل نیز زمانی وارد می‌شود که شواهد نشان دهد مشکل با Prompt یا RAG حل نمی‌شود؛ بنابراین تنظیم دقیق مدل یک تصمیم مهندسی است، نه نمایش یک تکنیک.
پیش از ثبت‌نام
پرسش‌های پرتکرار
آیا برای این کورس باید LLM را از قبل بلد باشم؟
نه در سطح تخصصی. Token، Context، بردار معنایی و Transformer می‌توانند در سطح مقدماتی برایتان تازه باشند، اما Python، API، Git و اجرای پروژه نباید از صفر شروع شوند.
آیا RAG فقط با یک Framework خاص آموزش داده می‌شود؟
خیر. ابزار اجرایی برای Cohort تثبیت می‌شود، اما تمرکز روی Ingestion، Chunking، بازیابی اطلاعات، Context Assembly، Citation و Evaluation است تا منطق به Framework خاص قفل نشود.
تنظیم دقیق مدل چقدر جدی است؟
به‌صورت یک تصمیم مهندسی واقعی پوشش داده می‌شود: Dataset Engineering، SFT، LoRA/PEFT یا API-based تنظیم دقیق مدل و ارزیابی قبل و بعد. اگر برای پروژه شما توجیه نداشته باشد، انتخاب نکردن آن هم یک تصمیم معتبر است.
آیا GPU محلی لازم است؟
خیر. بخش بزرگی APIمحور است و تمرین‌های سازگارکردن مدل می‌توانند با گزینه‌های سبک یا منابع ابری اجرا شوند.
بعد از این کورس چه می‌شود؟
در کورس Agentic AI Systems همان نگاه مهندسی را به استفاده از ابزار، State، Approval، MCP، Guardrails و ارزیابی عامل هوشمند توسعه می‌دهید.
قدم بعدی
یک LLM Application بسازید که کیفیتش قابل توضیح باشد
سرفصل هشت هفته را ببینید یا گزینه‌های ثبت‌نام را بررسی کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.