سلام به همه! 👋
من از شروع کار جدید هیجان زده ام مجموعه وبلاگ جایی که شما را در سفر خود قدم می زنم ساختن یک دستیار هوش مصنوعی سفارشی با استفاده از node.jsبا لانگچین، و سایر ابزارهای برش. 💻✨
این سریال فقط مربوط به برنامه نویسی نیست – در مورد آن است یادگیری ، آزمایش و اشتراک گذاری هر آنچه را که در طول مسیر کشف می کنم. این که آیا شما مانند من یک توسعه دهنده هستید ، در مورد هوش مصنوعی کنجکاو هستید ، یا فقط عاشق غواصی در پروژه های جالب هستید ، خوشحال می شوید که در این ماجراجویی به من بپیوندید! 🙌
📌 در اینجا نقشه راه است که من دنبال می کنم:
🔹 1. مقدمه: درک ابزارها و تنظیم محیط
در این مرحله ، ابزارها و فناوری های اساسی مانند Node.js ، Langchain ، PGVECTOR ، AI-SDK و REDIS را بررسی خواهیم کرد. شما یاد می گیرید که چگونه دستگاه محلی خود را پیکربندی کنید ، وابستگی ها را نصب کنید و یک محیط قوی تهیه کنید.
👉 غذای اصلی: تنظیم یک محیط مقیاس پذیر و سازگار با توسعه دهنده باعث صرفه جویی در زمان اشکال زدایی آینده می شود.
🔹 ترتیب. ساختن یک دستیار چت عمومی
ما یک دستیار اصلی چت ایجاد خواهیم کرد که قادر به انجام مکالمات است.
- Frontend Focus: از AI-SDK برای ساختن سریع UI تعاملی استفاده کنید که نمایش داده شد به LLM محلی (مدل زبان بزرگ) ارسال می شود و پاسخ ها را ارائه می دهد.
- فوکوس باطن: با Langchain ، یک پس زمینه ایجاد کنید که منطق مدل در آن قرار دارد ، و UI فقط ورودی/خروجی را کنترل می کند. این روش برای کنترل مقیاس پذیر ایده آل است. 👉 غذای اصلی: معاملات بین معماری های کنترل شده جبهه و پس زمینه را درک کنید.
🔹 3. اتصال یک پایگاه داده به دستیار چت ما
یک پایگاه داده (PostgreSQL ، MongoDB و غیره) را برای ذخیره تاریخچه مکالمه ، تنظیمات کاربر و ثبت استفاده از ابزار ادغام کنید.
👉 غذای اصلی: یک بانک اطلاعاتی یک چت بابات بدون تابعیت را به یک دستیار مداوم و آگاه از متن تبدیل می کند.
🔹 4. تنظیم حافظه چت
تکنیک های حافظه مانند Redis ، ذخیره سازی محلی یا ماژول های حافظه Langchain را پیاده سازی کنید.
👉 غذای اصلی: مدیریت حافظه برای حفظ زمینه در مکالمات چند چرخش بسیار مهم است.
🔹 5. درک موتورهای تعبیه کننده PGVECOTOR و بردار
بررسی کنید که چگونه مدل های تعبیه شده متن را به بردارهای عددی تبدیل می کنند و چگونه PGVECTOR فروشگاه ها را بازیابی می کنند و این بردارها را به طور کارآمد بازیابی می کنند.
👉 غذای اصلی: بردارهای جاسازی شده ، درک معنایی را فعال می کنند و به دستیار اجازه می دهند اطلاعات مربوطه را بازیابی کند.
🔹 6. ادغام PGVECTOR و تعبیه موتورها در پس زمینه چت ما
برای نتایج پرس و جو مربوط به متن ، تعبیه ها را به پس زمینه وصل کنید.
👉 غذای اصلی: ادغام تعبیه در منطق چت باعث افزایش کیفیت و ارتباط پاسخ می شود.
🔹 7. RAG (نسل بازیابی-اوج) چیست؟
بیاموزید که چگونه RAG سیستم های بازیابی را با مدل های زبان ترکیب می کند تا پاسخ های دقیق و پویا ایجاد کند.
👉 غذای اصلی: RAG با استفاده از پاسخ در منابع معتبر ، دستیاران را در واقع دقیق می کند.
🔹 8. پیکربندی RAG برای پروژه ما
یک سیستم اصلی RAG را در پس زمینه با PGVECTOR تنظیم کنید.
👉 غذای اصلی: RAG به درستی پیکربندی شده پاسخ های باکیفیت و به روز را امکان پذیر می کند.
🔹 9. ادغام RAG با باطن ما
برای بازیابی و تولید یکپارچه ، RAG را به جریان chatbot متصل کنید.
👉 غذای اصلی: ادغام تضمین می کند که دستاوردهای صاف بین مراحل بازیابی و تولید.
🔹 10. اضافه کردن ابزارهایی به پس زمینه ما با Langchain
قابلیت ها را با ابزارهای سفارشی با استفاده از معماری ابزارهای Langchain گسترش دهید.
👉 غذای اصلی: ابزارهای سفارشی عملکرد را تقویت می کنند و دستیار را متنوع تر می کنند.
🔹 11. MCP چیست؟ چرا ما به آن احتیاج داریم؟
MCP (پروتکل مدل-متن) را برای مدیریت ابزارهای انعطاف پذیر تر از Langchain به تنهایی کاوش کنید.
👉 غذای اصلی: MCP یک رویکرد ساختاری برای ابزاری که فراتر از ساختهای Langchain است ، ارائه می دهد.
🔹 12. ساخت سرورهای ساده stdio و قابل پخش HTTP
برای مدیریت ابزار و پاسخ های تولید شده توسط AI ، سرورهای اساسی را بیاموزید.
👉 غذای اصلی: سرورهای قابل پخش ، تعامل در زمان واقعی و مدیریت منابع کارآمد را ارائه می دهند.
🔹 13. سازماندهی سرور قابل پخش
سرور را برای مدیریت درخواست ساده و مدیریت خطا سازماندهی کنید.
👉 غذای اصلی: یک سرور به خوبی سازمان یافته عملکرد قابل اعتماد را در موارد استفاده اساسی تضمین می کند.
🔹 14. اتصال MCP با Backend Langchain
MCP را با Langchain ادغام کنید تا بتوانید ابزار و دستیابی به نتیجه را فعال کنید.
👉 غذای اصلی: این اتصال ابزار پویا را به گردش کار دستیار می آورد.
🔹 15. ابزار تماس با ایدئولوژی
دو استراتژی را کاوش کنید:
- مبتنی بر هدف: دعوت ابزار صریح مبتنی بر قصد کاربر.
- تصمیم رایگان: LLMS تصمیم می گیرد به طور خودمختار کدام ابزار را فراخوانی کند. 👉 غذای اصلی: هر استراتژی دارای مواردی است. درک آنها به طراحی تجربه مناسب کمک می کند.
🔹 16
همه چیز را با هم ترکیب کنید: حافظه ، RAG ، MCP و LANGCHAIN Backend برای ایجاد یک سیستم دستیار AI کامل و آزمایشی.
👉 غذای اصلی: ادغام یک دستیار یکپارچه را با ویژگی های پیشرفته ارائه می دهد.
🔹 17. جایزه: کاوش در AI-SDK برای ادغام کامل
ساخت همان سیستم را با استفاده از AI-SDK ، با مقایسه رویکردهای درک عمیق تر کاوش کنید.
👉 غذای اصلی: کاوش در چارچوب های مختلف مجموعه های مهارت و بینش را گسترده تر می کند.
🗓 برنامه ارسال من
هدف من پوشش یک موضوع در روز است. با این حال ، از آنجا که آزمایش و ساختمان زمان می برد ، ممکن است ارسال روزانه امکان پذیر نباشد. مطمئن باشید ، من هر قطعه جدید را در اسرع وقت به اشتراک می گذارم! 💪
💬 بیایید با هم یاد بگیریم!
به عنوان توسعه دهنده جاوا اسکریپت، به خصوص در node.js، من از دیدگاه خودم به این پروژه نزدیک می شوم. من به اشتراک می گذارم:
learn یادگیری و اکتشافات من
✅ چالش ها و راه حل ها
✅ اشتباهات و نحوه اصلاح آنها
snippets و توضیحات کد مفید
من کامل نیستم – قطعاً اشتباه می کنم. اگر مشکلی را اشتباه مشاهده کرده اید یا پیشنهادی دارید ، لطفاً نظر خود را بگذارید و به من (و دیگران) کمک کنید تا یاد بگیرم و بهبود یابد. 🙏 بیایید این سفر را مشترک کنیم! 🚀
🔗 برای به روزرسانی مرا دنبال کنید، و بیایید یک دستیار AI شگفت انگیز را با هم بسازیم! در متوسط
👉 سوالات دارید؟ آنها را در زیر بگذارید!
👉 برای پست بعدی در این سریال با ما همراه باشید!
💖 اگر می خواهید از کار من حمایت کنید و به من در ادامه اشتراک کمک کنید ، می توانید در اینجا مشارکت کنید – یک قهوه برای من بخرید. هر کمی کمک می کند – متشکرم! 🙏
💬 با من به سفر بپیوندید!
این که آیا شما در انفرادی غواصی می کنید ، یک دوست را به همراه می آورید ، یا به عنوان تیم پیوستید – در این ماجراجویی یادگیری قرار بگیرید! 🚀 بیایید با هم رشد کنیم ، یک قدم در یک زمان.
