دوره آموزشی مهندسی زمینهسازی برای توسعهدهندگان
36 دقیقهمتوسط2025-07-29
مدرسین

Deepak Goyal
جزئیات دوره
این دوره بهت مهارت جدید و خیلی مهمی به نام مهندسی زمینه (Context Engineering) توی هوش مصنوعی رو یاد میده.
یاد میگیری چطور اطلاعات، ابزارها و جریانهای کاری رو به شکل هوشمند و پویا به مدلهای زبانی بزرگ (Large Language Models) بدی تا خروجیها دقیقتر و قابل اعتمادتر باشن.
توی این دوره با تکنیکهای مهمی مثل بازیابی هوشمند اطلاعات، خلاصهسازی و مدیریت دقیق زمینهها (Context Quarantine) آشنا میشی.
این دوره مخصوص کساییه که توی هوش مصنوعی فعالیت دارن یا مهندسهای پرامپت (Prompt Engineers) هستن و میخوان هوش مصنوعیهای بهتری بسازن و پروژههای RAG (Retrieval-Augmented Generation) رو بهتر اجرا کنن.
🎯 اهداف یادگیری دوره
✅ تعریف مهندسی زمینه و فرقش با مهندسی پرامپت رو یاد بگیر.
✅ بفهم چه مشکلاتی ممکنه توی سیستمهای هوش مصنوعی بهخاطر مدیریت بد زمینه پیش بیاد.
✅ طراحی جریانهای کاری RAG برای بازیابی پویا و هوشمند اطلاعات زمینه.
✅ استفاده از تکنیکهای خلاصهسازی و حذف اطلاعات اضافی برای مدیریت ورودیهای بزرگ.
✅ تحلیل مثالهای واقعی که توش مهندسی زمینه باعث بهتر شدن عملکرد AI شده.
یاد میگیری چطور اطلاعات، ابزارها و جریانهای کاری رو به شکل هوشمند و پویا به مدلهای زبانی بزرگ (Large Language Models) بدی تا خروجیها دقیقتر و قابل اعتمادتر باشن.
توی این دوره با تکنیکهای مهمی مثل بازیابی هوشمند اطلاعات، خلاصهسازی و مدیریت دقیق زمینهها (Context Quarantine) آشنا میشی.
این دوره مخصوص کساییه که توی هوش مصنوعی فعالیت دارن یا مهندسهای پرامپت (Prompt Engineers) هستن و میخوان هوش مصنوعیهای بهتری بسازن و پروژههای RAG (Retrieval-Augmented Generation) رو بهتر اجرا کنن.
🎯 اهداف یادگیری دوره
✅ تعریف مهندسی زمینه و فرقش با مهندسی پرامپت رو یاد بگیر.
✅ بفهم چه مشکلاتی ممکنه توی سیستمهای هوش مصنوعی بهخاطر مدیریت بد زمینه پیش بیاد.
✅ طراحی جریانهای کاری RAG برای بازیابی پویا و هوشمند اطلاعات زمینه.
✅ استفاده از تکنیکهای خلاصهسازی و حذف اطلاعات اضافی برای مدیریت ورودیهای بزرگ.
✅ تحلیل مثالهای واقعی که توش مهندسی زمینه باعث بهتر شدن عملکرد AI شده.
مهارت ها
Generative AIArtificial Intelligence FoundationsArtificial Intelligence (AI)One-Off
سرفصل ها
۰. مقدمه
- 01 - مقدمه
- 02 - آنچه باید بدانید
۱. مبانی مهندسی کانتنکست
- 03 - چرا زمینه اهمیت دارد
- 04 - مهندسی زمینه چیست؟
- 05 - تفکر سیستمی برای زمینهسازی
۲. مهندسی زمینه در عمل
- 06 - حالتهای رایج خرابی زمینه
- 07 - RAG و بازیابی هوشمند
- 08 - هرس کردن و خلاصهسازی متن
- 09 - قرنطینه زمینه
- 10 - تخلیه بار زمینهای و حافظه بلندمدت
- 11 - مهندسی زمینه را اعمال کنید
- 12- مطالعات موردی و کاربردهای دنیای واقعی
۳. حرکت به جلو
- 13 - قدم بعدی چیست؟
دوره های مرتبط
- دوره آموزشی استراتژی داده در هوش مصنوعی: تهیه و ذخیرهسازی دادهها
- دوره آموزشی شروع کار با Vibe Coding
- دوره آموزشی ساخت اپلیکیشن MCP با استفاده از json-render
- دوره آموزشی برنامهنویسی در Windsurf و MCP
- دوره آموزشی ساخت عاملهای هوش مصنوعی با پروتکل متن مدل (MCP)
- دوره آموزشی امنیت مدلهای زبانی بزرگ (LLM): چطور از سرمایهگذاریهات تو هوش مصنوعی مولد محافظت کنی
- دوره آموزشی اجرای مدلهای هوش مصنوعی بهصورت محلی با Ollama و Gemma 4
- دوره آموزشی Microsoft Agent Framework: طراحی، هماهنگسازی و مقیاسدهی هوش مصنوعی عاملمحور
مسیرهای مرتبط
- مسیر آموزشی یادگیری Vibe Coding: ساخت اپلیکیشنها با کدنویسی مجهز به هوش مصنوعی
- مسیر آموزشی مهارت های خود را به عنوان مدیر پروژه نرم افزاری توسعه دهید
- مسیر آموزشی تبدیل شدن به یک برنامه نویس جاوا
- مسیر آموزشی راهنمای توسعهدهنده Google Gemini
- مسیر آموزشی آماده شدن برای آزمون MTA: اصول توسعه نرم افزار (98-361)
- مسیر آموزشی توسعه مهارت های هوش مصنوعی خود با Google Gemini و Google Cloud Platform
- مسیر آموزشی تبدیل شدن به یک مهندس DevOps
- مسیر آموزشی استفاده از هوش مصنوعی به عنوان یک رهبر فناوری