ما در آیتی هلو از شهریور ۱۴۰۲ کارمون رو با عشق به کتاب و یادگیری شروع کردیم. تخصص ما چاپ کتابهای تخصصی به زبان اصلیه و با استفاده از تکنولوژیهای روز و مواد اولیه باکیفیت، مطمئن میشیم که هر کتاب از نظر ظاهر و محتوا در بهترین سطح قرار بگیره.
هدفمون اینه که دسترسی به منابع علمی و آموزشی معتبر رو برای همه سادهتر کنیم و در این مسیر، همراه و همکار خوبی برای شما باشیم.
Proven design patterns and practices for GenAl, agents, RAG, LLMOps, and enterprise-scale Al systems
هوش مصنوعی مولد (Generative AI) و به طور خاص هوش مصنوعی عاملمحور (Agentic AI)، در حال تبدیل شدن به یکی از ارکان اصلی فناوری در سازمانهای مدرن است. این کتاب به شما میآموزد که چگونه سیستمهایی طراحی کنید که در آنها مدلهای زبانی بزرگ (LLMs) صرفاً تولیدکنندههای یکپارچه متن نباشند، بلکه به عنوان موتورهای استنتاج توزیعشده عمل کنند. در این معماری، هر عامل قادر است محیط خود را درک کند، تصمیم بگیرد و برای دستیابی به اهداف مشخص، اقداماتی را انجام دهد. این رویکرد نیاز به دخالت انسان در فرآیندهای چندمرحلهای را کاهش داده و سیستمهای خودمختار و تطبیقپذیری را خلق میکند که میتوانند تخصص را در سطح سازمان مقیاسدهی کنند.
در میان تمام فناوریهای نوظهور در این فضا، این کتاب بر الگوهای معماری جهانشمول تمرکز دارد که پایه و اساس سیستمهای عاملمحور قدرتمند را تشکیل میدهند. در این مسیر، از ابزارهای پیشرو صنعت مانند مدلهای Gemini گوگل، کیت توسعه عامل (ADK) و فریمورکهای محبوبی نظیر LangGraph و CrewAI استفاده میشود.
یادگیری این الگوها و ابزارها به شما امکان میدهد:
عاملهایی بسازید که میتوانند استدلال کنند، برنامهریزی نمایند و از ابزارها برای تعامل با دنیای واقعی بهره ببرند.
هماهنگی پیچیدهای بین چندین عامل ایجاد کنید و وابستگیها و کانتکستهای مشترک را مدیریت نمایید.
زیرساخت لازم برای حاکمیت، امنیت و نظارت بر سیستمهای خودمختار در محیط پروداکشن (Production) را فراهم کنید.
این کتاب به طور ویژه برای معماران نرمافزار، توسعهدهندگان ارشد، مهندسان هوش مصنوعی و رهبران فنی نوشته شده است که میخواهند از نمونههای اولیه چتباتها فراتر رفته و سیستمهای عاملمحور تجاری و پایدار بسازند.
پیشنیازهای مطالعه این کتاب:
درک پایهای از برنامهنویسی پایتون (Python) و اصول طراحی شیگرا.
آشنایی با مفاهیم پایه هوش مصنوعی مولد (مانند چیستی LLM و نحوه کارکرد Prompting).
دسترسی به یک محیط توسعه پایتون (مانند Jupyter Notebooks یا Google Colab).
دسترسی به کلیدهای API برای Google Gemini جهت اجرای مثالهای عملی.
محتوای این کتاب در ۱۶ فصل کاربردی و پروژهمحور تدوین شده است که شما را از مفاهیم پایه تا پیادهسازی سیستمهای پیچیده چندعاملی هدایت میکند:
در ابتدا با چشمانداز هوش مصنوعی مولد در سازمانها و مدل بلوغ این فناوری آشنا میشوید. سپس معیارهای انتخاب LLMهای “آماده برای عامل” (Agent-Ready)، استراتژیهای استقرار، AgentOps و طیف وسیع روشهای تطبیق مدل از RAG (تولید با افزونه بازیابی) تا Fine-tuning کارآمد بررسی میشوند.
کلمات کلیدی:این بخش به تشریح آناتومی یک عامل هوشمند (درک، استدلال، برنامهریزی، اقدام) میپردازد. در ادامه، الگوهای هماهنگی چندعاملی (Multi-Agent Coordination) از جمله مسیریابی عاملها، چارچوبهای تخصیص وظایف (Supervisor در برابر Swarm) و الگوهای مذاکره و اجماع آموزش داده میشود.
برای پیادهسازی در مقیاس سازمانی، نیازمند سیستمهای قابل اعتماد هستید. این فصول به الگوهای توضیحپذیری، زنجیره تفکر فراکتالی (FCoT)، الگوهای تحمل خطا (مانند Adaptive Retry و Circuit Breakers) و استراتژیهای مهم تعامل انسان و عامل (Human-in-the-Loop) برای تصمیمگیریهای حساس میپردازد. همچنین الگوهای سطح سیستم برای آمادگی در پروداکشن بررسی میشوند.
در بخش پایانی، وارد لبه تکنولوژی یعنی سیستمهای خود-بهبوددهنده (Self-improving) خواهید شد. سپس از طریق یک نقشه راه عملی، الگوهای یادگرفته شده را در پروژههای واقعی مانند پردازش وام بانکی پیادهسازی میکنید. شما ابتدا یک عامل یکپارچه (Monolithic Agent) میسازید و سپس آن را به یک سیستم چندعاملی توزیعشده با استفاده از CrewAI و LangGraph ارتقا میدهید تا نقاط قوت فریمورکهای مختلف را در عمل مقایسه کنید.
نمونه چاپ کتاب موجود نیست.
نظرات کاربران (0)