دوره آموزشی کاهش هزینههای هوش مصنوعی: تکنیکهای بهینهسازی توکن
42 دقیقهپیشرفته2026-07-30
مدرسین
Tejas Chopra
جزئیات دوره
با گسترش ابزارهای AI Coding و ایجنتهای هوش مصنوعی در فرایند توسعه نرمافزار، هزینه مصرف Token به یکی از چالشهای مهم در اجرای عملیاتی و مقیاسپذیر برنامههای مبتنی بر مدلهای زبانی بزرگ (LLM) تبدیل شده است. این دوره با رویکردی کاملاً عملی، تکنیکهایی را آموزش میدهد که به شما کمک میکنند مصرف توکن را کاهش دهید، بدون اینکه دقت، کیفیت یا قابلیت اطمینان خروجیهای هوش مصنوعی را قربانی کنید.
در طول دوره، با مهمترین عوامل ایجاد مصرف بیشازحد توکن در برنامههای مبتنی بر LLM و Agent Workflow آشنا میشوید و روشهای مختلف بهینهسازی را بررسی میکنید. از جمله این روشها میتوان به Context Compression، Smart Summarization، Memory Management و Selective Context Retention اشاره کرد؛ تکنیکهایی که در طراحی سیستمهای AI کارآمد و مقیاسپذیر کاربرد گستردهای دارند.
همچنین یاد میگیرید چگونه این تکنیکها را در محیطهای مختلف به کار بگیرید؛ چه از ابزارهایی مانند Cursor، GitHub Copilot و Claude Code استفاده کنید و چه در حال ساخت AI Agent یا RAG Pipeline اختصاصی باشید. رویکرد دوره مستقل از یک ابزار خاص است و اصولی را آموزش میدهد که در بخشهای مختلف پشته فناوری AI قابل استفاده هستند.
در بخشهای عملی، روش شناسایی نقاط اتلاف توکن، مدیریت بهتر Context و Memory و ارزیابی گردشکارهای AI از نظر هزینه و عملکرد بررسی میشود. در پایان، مجموعهای از ۱۰ روش عملی برای بهینهسازی مصرف توکن در اختیار خواهید داشت که میتوانید مستقیماً در پروژههای واقعی خود به کار ببرید.
🎯 اهداف یادگیری
شناسایی عوامل اصلی مصرف بیشازحد توکن در برنامهها و گردشکارهای مبتنی بر LLM
بهکارگیری تکنیکهای Context Compression برای کاهش مصرف توکن بدون افت کیفیت خروجی
پیادهسازی روشهای Smart Summarization برای مدیریت مؤثر اطلاعات ورودی
طراحی استراتژیهای Memory Management برای حفظ اطلاعات مرتبط در وظایف طولانیمدت AI Agentها
استفاده از Selective Context Retention برای نگهداری تنها اطلاعات ضروری در Context
ارزیابی گردشکارهای AI از نظر هزینه، مصرف توکن و عملکرد
بهینهسازی برنامهها و Agent Workflowهای مبتنی بر LLM با روشهای مستقل از ابزار
شناسایی و رفع ناکارآمدیهای مصرف توکن در ابزارهایی مانند Cursor، Copilot و Claude Code
بهینهسازی مصرف توکن در RAG Pipelineها و سیستمهای مبتنی بر Agent
بهکارگیری ۱۰ روش عملی برای کاهش هزینه و بهبود عملکرد سیستمهای AI
در طول دوره، با مهمترین عوامل ایجاد مصرف بیشازحد توکن در برنامههای مبتنی بر LLM و Agent Workflow آشنا میشوید و روشهای مختلف بهینهسازی را بررسی میکنید. از جمله این روشها میتوان به Context Compression، Smart Summarization، Memory Management و Selective Context Retention اشاره کرد؛ تکنیکهایی که در طراحی سیستمهای AI کارآمد و مقیاسپذیر کاربرد گستردهای دارند.
همچنین یاد میگیرید چگونه این تکنیکها را در محیطهای مختلف به کار بگیرید؛ چه از ابزارهایی مانند Cursor، GitHub Copilot و Claude Code استفاده کنید و چه در حال ساخت AI Agent یا RAG Pipeline اختصاصی باشید. رویکرد دوره مستقل از یک ابزار خاص است و اصولی را آموزش میدهد که در بخشهای مختلف پشته فناوری AI قابل استفاده هستند.
در بخشهای عملی، روش شناسایی نقاط اتلاف توکن، مدیریت بهتر Context و Memory و ارزیابی گردشکارهای AI از نظر هزینه و عملکرد بررسی میشود. در پایان، مجموعهای از ۱۰ روش عملی برای بهینهسازی مصرف توکن در اختیار خواهید داشت که میتوانید مستقیماً در پروژههای واقعی خود به کار ببرید.
🎯 اهداف یادگیری
شناسایی عوامل اصلی مصرف بیشازحد توکن در برنامهها و گردشکارهای مبتنی بر LLM
بهکارگیری تکنیکهای Context Compression برای کاهش مصرف توکن بدون افت کیفیت خروجی
پیادهسازی روشهای Smart Summarization برای مدیریت مؤثر اطلاعات ورودی
طراحی استراتژیهای Memory Management برای حفظ اطلاعات مرتبط در وظایف طولانیمدت AI Agentها
استفاده از Selective Context Retention برای نگهداری تنها اطلاعات ضروری در Context
ارزیابی گردشکارهای AI از نظر هزینه، مصرف توکن و عملکرد
بهینهسازی برنامهها و Agent Workflowهای مبتنی بر LLM با روشهای مستقل از ابزار
شناسایی و رفع ناکارآمدیهای مصرف توکن در ابزارهایی مانند Cursor، Copilot و Claude Code
بهینهسازی مصرف توکن در RAG Pipelineها و سیستمهای مبتنی بر Agent
بهکارگیری ۱۰ روش عملی برای کاهش هزینه و بهبود عملکرد سیستمهای AI
مهارت ها
AI Development Tools and PlatformsProject Management SkillsBuilding with AIProject ManagementOne-Off
سرفصل ها
مقدمه
- چرا بیشتر هزینه صورتحساب هوش مصنوعی شما هدر میرود
توکنها و هزینه واقعی
- یک توکن واقعاً چیست؟
- سه هزینه پنهان؛ هزینه، تأخیر و کیفیت
- خواندن صورتحساب توکنها
ببینید توکنهای شما کجا مصرف میشوند
- کالبدشکافی پنجره Context
- مشاهده Context در Claude Code
- مشاهده همین اطلاعات در Codex با Status
- نسبتدادن مصرف به هر نوبت با ابزارهای متنباز بازرسی
منشأ حجم اضافی چیست؟
- سوزن در انبار کاه؛ فایلها و لاگهای حجیم
- سربار ابزارها و MCPهایی که از آنها استفاده نمیکنید
- بهداشت فایلهای حافظه؛ CLAUDE.md و AGENTS.md
- مشکل ارسال مجدد؛ تاریخچه مکالمه
ابزارهایی که بهجای شما مصرف توکن را کاهش میدهند
- فشردهسازی خروجی Shell و فایلها با rtk
- بازیابی معنایی کد با Serena
- میانافزار فشردهسازی Context با Headroom
- نوشتن کد کمتر؛ کاهش خروجی
فراتر از عاملهای کدنویسی
- ساخت یک چارچوب حداقلی برای بررسی باگ
- اندازهگیری و کاهش؛ شمارش، کش و فشردهسازی
- چکلیست بهینهسازی مصرف توکن
نتیجهگیری
- هدررفت را کاهش دهید، سیگنال را حفظ کنید