دوره آموزشی ایجنت‌های SQL با مدل‌های زبان بزرگ

دوره آموزشی ایجنت‌های SQL با مدل‌های زبان بزرگ

51 دقیقهمبتدی2025-10-16

مدرسین

Rami Krispin

Rami Krispin

جزئیات دوره

توی این دوره یاد می‌گیرید AI SQL Agent چطور کار می‌کنه و چطور می‌تونید یک عامل هوش مصنوعی از صفر بسازید. ابتدا با معماری کلی یک SQL Agent آشنا می‌شید و بعد به جزئیات مختلف اجزای اون می‌پردازید.

استاد Rami Krispin به شما نشون می‌ده چطور یک موتور Prompt Engine طراحی کنید و با فریم‌ورک‌های مختلف LLM مثل OpenAI GPT 4.1، Google Gemini Flash 2.0 و Anthropic Cloud 4 با استفاده از کلاینت Python کار کنید. در نهایت، یاد می‌گیرید چطور بخش‌های اصلی یک AI Agent شخصی خودتون رو با Python از صفر بسازید و پیاده‌سازی کنید. این دوره به شما مهارت‌های لازم برای تبدیل پرسش‌های زبان طبیعی به کوئری‌های SQL با کمک AI و ایجاد عامل‌های SQL شخصی رو می‌ده.

اهداف یادگیری
شناخت اجزای اصلی یک AI Agent که زبان طبیعی رو به SQL تبدیل می‌کنه، شامل مهندسی پرامپت، زمینه شِما و تولید کوئری
ساخت و پیاده‌سازی یک AI Agent ساده با استفاده از APIهای مدل‌های بزرگ زبان و Python برای تولید کوئری SQL از سوالات کاربر
یادگیری اصول Prompt Engineering و اینکه فرمت‌های مختلف پرامپت چطور کیفیت و دقت SQL تولیدشده توسط مدل‌های بزرگ زبان رو تحت تأثیر قرار می‌ده

مهارت ها

OpenAI APIGeminiClaudeAI for Data Engineers and ScientistsAnthropicMachine Learning FundamentalsTraditional AI and Machine LearningRole-Based AI ApplicationsSQLDatabase AdministrationOpenAIDatabase DevelopmentDatabase ManagementGoogleData AnalysisArtificial Intelligence (AI)Programming LanguagesData ScienceBusiness Analysis and StrategyBusiness Software and ToolsOpen SourceSoftware DevelopmentOne-Off

سرفصل ها

مقدمه - اصول و معماری عامل هوش مصنوعی SQL

  • ساخت عامل‌های هوش مصنوعی SQL با مدل‌های زبانی بزرگ (LLM)

محیط پایتون و تنظیمات پایگاه داده برای SQL Agents

  • معماری عامل SQL - الگوهای طراحی ادغام پایگاه داده LLM
  • مجموعه داده‌های فروش Red30

ادغام API LLM

  • ذخیره کلیدهای API به عنوان متغیرهای محیطی
  • مدل‌های تکمیل چت
  • کار با API‌های LLM
  • کار با LLM‌های محلی

مهندسی سریع برای تولید SQL و بهینه‌سازی پرس‌وجو

  • بهینه‌سازی دستورات SQL از طریق مهندسی زمینه برای نتایج پرس‌وجوی بهتر
  • بهبود نتایج LLM با مهندسی زمینه
  • ساخت قالب‌های اعلان SQL با الگوهای پرس‌وجوی LLM قابل استفاده مجدد
  • ایجاد هماهنگی بین دستورالعمل‌ها در LLM‌های مختلف

ساخت عامل‌های هوش مصنوعی SQL در محیط عملیاتی با اعتبارسنجی و مدیریت خطا

  • ماژولار کردن یک عامل
  • ساخت یک کنترل‌کننده‌ی اعلان
  • ساخت LLM API handlerها برای معماری عامل SQL چندارائه‌دهنده‌ای
  • بهترین شیوه‌های عامل هوش مصنوعی SQL

نتیجه‌گیری - استقرار و مقیاس‌بندی عامل‌های هوش مصنوعی SQL در محیط عملیاتی

  • مراحل بعدی با عامل‌های هوش مصنوعی SQL برای استقرار و مقیاس‌بندی در محیط عملیاتی
۴۰,۰۰۰ تومان