دوره آموزشی ایجنتهای SQL با مدلهای زبان بزرگ
51 دقیقهمبتدی2025-10-16
مدرسین

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
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
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
دوره های مرتبط
- دوره آموزشی جمینی پیشرفته برای توسعه دهندگان (2024)
- دوره آموزشی ایجنتهای هوش مصنوعی SQL در محیط عملیاتی (Production)
- دوره آموزشی ساخت اپلیکیشنهای هوش مصنوعی تولیدی برای گفتگو با دادههای شما
- دوره آموزشی ساخت عاملهای هوش مصنوعی با پروتکل متن مدل (MCP)
- دوره آموزشی تحلیل اکتشافی دادهها (EDA) با Hex
- دوره آموزشی اپ تحلیل داده با قدرت LLM با پایتون و Streamlit
- دوره آموزشی ساخت دستیار SQL مبتنی بر هوش مصنوعی با OpenAI و Streamlit
- دوره آموزشی تبدیل متن به SQL: سرویس بدون سرور آمازون ردشیفت برای تولید SQL در آمازون Q