دوره Prompt نویسی: زبانی برای هدایت قدرت LLM همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Prompt نویسی: زبانی برای هدایت قدرت LLM

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: طراحی Prompt برای وظایف مختلف

📋 سرفصل‌های دوره

• 1. مفهوم Prompt و نقش آن در تعامل با LLM
• 2. ساختار یک Prompt مؤثر
• 3. تفکیک دستور، زمینه، ورودی و خروجی مورد انتظار
• 4. تعریف دقیق هدف و مسئله پیش از Prompt نویسی
• 5. شناخت قابلیت‌ها و محدودیت‌های مدل‌های زبانی
• 6. انتخاب مدل مناسب برای یک وظیفه
• 7. کنترل ابهام در دستورهای متنی
• 8. استفاده از Context برای افزایش دقت پاسخ
• 9. تعیین نقش و Persona برای مدل
• 10. تعریف لحن، سبک و سطح تخصص پاسخ
• 11. مشخص‌کردن قالب خروجی
• 12. استفاده از محدودیت‌ها و قواعد در Prompt
• 13. Prompt نویسی مستقیم و Zero-Shot
• 14. Few-Shot Prompting و طراحی مثال‌های مؤثر
• 15. One-Shot Prompting برای وظایف مشخص
• 16. مقایسه Zero-Shot و Few-Shot در عمل
• 17. Chain-of-Thought و هدایت فرایند استدلال
• 18. هدایت گام‌به‌گام حل مسئله
• 19. Self-Consistency برای افزایش قابلیت اطمینان
• 20. Prompt Chaining و تقسیم وظایف پیچیده
• 21. Decomposition برای شکستن مسائل بزرگ
• 22. ساخت Promptهای چندمرحله‌ای
• 23. استفاده از متغیرها و Template در Prompt
• 24. طراحی Promptهای قابل استفاده مجدد
• 25. مدیریت Context Window و محدودیت توکن
• 26. فشرده‌سازی Context بدون از دست دادن اطلاعات
• 27. مدیریت ورودی‌های طولانی و اسناد بزرگ
• 28. استخراج اطلاعات از متن با Prompt
• 29. خلاصه‌سازی حرفه‌ای با Prompt
• 30. بازنویسی و ویرایش متن با Prompt
• 31. تولید محتوای متنی با Prompt
• 32. تولید عنوان، ایده و ساختار محتوا
• 33. تغییر لحن و سبک نوشتار
• 34. تولید محتوای ساختاریافته
• 35. ترجمه چندزبانه با Prompt
• 36. حفظ اصطلاحات تخصصی هنگام ترجمه
• 37. طراحی Prompt برای تحلیل احساسات
• 38. طبقه‌بندی متن با استفاده از LLM
• 39. استخراج موجودیت‌ها و اطلاعات کلیدی
• 40. استخراج داده ساختاریافته از متن
• 41. تبدیل متن آزاد به JSON
• 42. تولید و تحلیل جدول با Prompt
• 43. پرسش و پاسخ مبتنی بر متن مرجع
• 44. طراحی Prompt برای تحلیل اسناد
• 45. مقایسه چند سند با استفاده از LLM
• 46. Prompt نویسی برای تولید کد
• 47. تولید، توضیح و اصلاح کد
• 48. طراحی Prompt برای Debugging
• 49. تولید تست نرم‌افزار با LLM
• 50. Prompt نویسی برای SQL و کار با پایگاه داده
• 51. Prompt نویسی برای تحلیل داده
• 52. استفاده از LLM برای حل مسائل ریاضی
• 53. Prompt نویسی برای تحقیق و جست‌وجوی اطلاعات
• 54. تفکیک واقعیت از حدس در پاسخ‌های مدل
• 55. کاهش Hallucination با طراحی Prompt
• 56. الزام مدل به اعلام عدم قطعیت
• 57. استفاده از منابع و شواهد در Prompt
• 58. طراحی معیارهای ارزیابی پاسخ
• 59. مقایسه نسخه‌های مختلف یک Prompt
• 60. Prompt Engineering به روش آزمون و خطا
• 61. تحلیل خطاهای رایج در Prompt نویسی
• 62. بهبود Prompt با بازخورد مدل
• 63. Prompt Optimization و تکرار سیستماتیک
• 64. طراحی Promptهای مقاوم در برابر ورودی‌های نامعتبر
• 65. مدیریت دستورهای متناقض
• 66. جلوگیری از Prompt Injection
• 67. ملاحظات امنیتی در طراحی Prompt
• 68. طراحی Prompt برای داده‌های حساس
• 69. Prompt نویسی برای Agentهای هوش مصنوعی
• 70. تعریف ابزار و وظایف Agent با Prompt
• 71. مدیریت حافظه و Context در Agentها
• 72. طراحی جریان تصمیم‌گیری برای Agent
• 73. ساخت سیستم‌های چندمرحله‌ای مبتنی بر LLM
• 74. ترکیب Prompt با RAG
• 75. طراحی دستور برای بازیابی اطلاعات مرتبط
• 76. بهبود پاسخ‌های RAG با Prompt
• 77. طراحی System Prompt
• 78. تفکیک System Prompt و User Prompt
• 79. ساخت الگوهای استاندارد Prompt
• 80. طراحی Prompt برای کاربردهای سازمانی
• 81. طراحی Prompt برای پشتیبانی مشتری
• 82. طراحی Prompt برای بازاریابی و فروش
• 83. طراحی Prompt برای آموزش و یادگیری
• 84. طراحی Prompt برای تحلیل کسب‌وکار
• 85. طراحی Prompt برای تولید گزارش
• 86. طراحی Promptهای شخصی‌سازی‌شده
• 87. اندازه‌گیری کیفیت و پایداری Prompt
• 88. ساخت کتابخانه Promptهای قابل استفاده مجدد
• 89. مستندسازی و مدیریت نسخه‌های Prompt
• 90. طراحی Promptهای مقیاس‌پذیر برای تیم‌ها
• 91. ساخت یک چارچوب عملی برای Prompt Engineering
• 92. پروژه نهایی: طراحی و بهینه‌سازی مجموعه Promptهای حرفه‌ای