Udemy – AI Agents & LLMs 2026: Context Engineering 2026-10

در تاریخ: 1405/07/29 8:04:17

توضیحات

دوره AI Agents & LLMs 2026: Context Engineering. این دوره آموزشی یک دوره مفهومی و نظری در زمینه مهندسی کانتکست برای عامل‌های هوش مصنوعی و مدل‌های زبانی بزرگ است که ساختار، اجزا و روش‌های بهینه‌سازی کانتکست ورودی به مدل‌ها را آموزش می‌دهد. این دوره به عنوان یک راهنمای جامع و مفهومی برای درک دقیق رفتار مدل‌های زبانی بزرگ طراحی شده است. اسلایدها و صدای گوینده این دوره با ابزارهای Artificial Intelligence تولید شده‌اند، اما تمامی متن‌ها و فیلم‌نامه‌ها توسط مدرس انسانی با تجربه عملی نوشته و بررسی شده‌اند. تفاوت اصلی میان برنامه‌های موفق هوش مصنوعی و برنامه‌هایی که دچار توهم، فراموشی و شکست می‌شوند، معمولاً خود مدل نیست، بلکه کانتکست و داده‌هایی است که در اختیار مدل قرار می‌گیرد. این دوره آموزشی به فراگیران یاد می‌دهد که چگونه کانتکست ورودی مدل‌ها را مدیریت و کنترل کنند. در این دوره، Context Engineering به عنوان تخصص تعیین محتوا، قالب، ترتیب و مدیریت حجم اطلاعات ورودی به Context Window مدل تعریف می‌شود. فراگیران با هفت عنصر اصلی کانتکست شامل System Prompt، دستورالعمل‌ها، نمونه‌ها، Retrieval، حافظه، Tools و Input آشنا می‌شوند. همچنین حالات شکست کانتکست مانند Lost in the Middle، Context Rot و Poisoning به همراه روش‌های مدیریت آن در مقیاس بزرگ از طریق Compaction، Summarisation، ساختاردهی و ارزیابی بررسی می‌شوند. این دوره یک آموزش نظری و مبتنی بر مفاهیم پایه است که بدون نیاز به کدنویسی پیچیده، مدل‌های ذهنی لازم را برای تحلیل و بهینه‌سازی سیستم‌های هوش مصنوعی ارائه می‌دهد و به شرکت‌کنندگان کمک می‌کند تا پس از درک مفاهیم کلیدی، به سراغ پروژه‌های عملی بروند.

آنچه فرا خواهید گرفت

مفهوم Context Engineering: درک کامل مهندسی کانتکست و نقش آن در عملکرد مدل‌های زبانی بزرگ
مفهوم Context Window: آشنایی با پنجره کانتکست و محدودیت‌های حجم داده ورودی
ساختار کانتکست (Anatomy of a Context): شناخت هفت جزء اصلی کانتکست شامل System Prompt، Instructions، Examples، Retrieval، Memory، Tools و Input
تکنیک‌های Few-Shot و ارائه نمونه‌ها: نحوه استفاده از Examples برای بهبود پاسخ‌های مدل
بازیابی اطلاعات به عنوان کانتکست (Retrieval as Context): بررسی نقش بازیابی داده‌ها در تنظیم ورودی مدل
حافظه به عنوان کانتکست (Memory as Context): نحوه نگهداری و مدیریت تاریخچه تعاملات در مدل‌ها
ابزارها به عنوان کانتکست (Tools as Context): نحوه تعریف و ارائه ابزارها به عامل‌های هوش مصنوعی
شناسایی حالات شکست کانتکست: بررسی پدیده‌های Lost in the Middle، Context Rot و Poisoning
فشرده‌سازی و خلاصه‌سازی (Compaction & Summarisation): روش‌های بهینه‌سازی کانتکست برای کاهش مصرف حجم و هزینه
اندازه‌گیری و بهینه‌سازی: روش‌های ارزیابی عملکرد کانتکست بر اساس داده‌های واقعی و شواهد علمی

این دوره مناسب افرادیست که

توسعه‌دهندگان و سازندگان برنامه‌های کاربردی: افرادی که برنامه‌ای مبتنی بر LLM پیاده‌سازی کرده‌اند و با خطاهای غیرمنتظره در رفتار مدل مواجه شده‌اند.
علاقه‌مندان به درک رفتار مدل‌های زبانی: کسانی که می‌خواهند فرآیند ساخت کانتکست را به صورت هدفمند فرا بگیرند و خطاهای آن را اشکال‌زدایی کنند.
افرادی که به دنبال درک مفاهیم بنیادی هستند: کسانی که می‌خواهند قبل از ورود به پروژه‌های عملی، مدل ذهنی صحیح و دید کلی نسبت به سیستم‌های AI پیدا کنند.
این دوره مناسب چه کسانی نیست:
افرادی که به دنبال پروژه‌های عملی کدنویسی، تمرین‌های دست‌به‌کد یا کارگاه‌های ساخت قدم‌به‌قدم هستند.
متخصصان پیشرفته‌ای که به دنبال جزئیات فنی بسیار عمیق یا پیاده‌سازی پیجیده کدها می‌گردند.
کسانی که به دنبال آموزش کار با یک ابزار خاص به صورت تخصصی هستند.