دوره Complete Generative AI Course With Langchain and Huggingface

Complete Guide to Building, Deploying, and Optimizing Generative AI with Langchain and Huggingface

تا ۱۴ ساعت دیگه از طریق لینک زیر رایگان هست.

https://www.udemy.com/course/complete-generative-ai-course-with-langchain-and-huggingface/?couponCode=FREECOUPONS


@ML_Topics

🚀 Google Opal در ۱۶۰ کشور در دسترس شد!
گوگل از گسترش ابزار جدید خودش به نام Opal خبر داده — پلتفرمی که به شما اجازه می‌ده بدون حتی یک خط کدنویسی، اپلیکیشن‌های هوش مصنوعی بسازید! 🤖

با Opal می‌تونید فقط با توضیح دادن به زبان طبیعی، اپ‌هایی برای تولید محتوا، خودکارسازی کارها، تحلیل داده یا حتی آموزش بسازید.
این ابزار در ابتدا به‌صورت محدود عرضه شده بود، اما حالا گوگل اعلام کرده که در بیش از ۱۶۰ کشور در دسترس قرار گرفته و کاربران بیشتری می‌تونن ازش استفاده کنن 🌍

💡 ویژگی‌ها:

ساخت اپ‌های هوش مصنوعی بدون نیاز به کدنویسی

استفاده از قالب‌های آماده یا ساخت اپ از صفر

به‌اشتراک‌گذاری اپ‌ها با دیگران از طریق حساب Google

امکان ساخت ورک‌فلوهای چندمرحله‌ای با هوش مصنوعی

پ.ن:
این ویدئو را با این ابزار ساختم!

@ML_Topics

از اونجایی که علاقه زیادی به خلاقیت دارم، شمارو دعوت می‌کنم به وبینار خلاقیت شغلی؛ از انجام وظیفه تا خلق ارزش
ارائه توسط یاشار مشیرفر که می‌تونید از لینکدین بیشتر با ایشان آشنا بشید.
https://www.linkedin.com/in/yashar-moshirfar/

لینک ثبت نام: https://daneshkar.net/webinar/65


زمان: سه‌شنبه ۲۰ آبان ساعت ۱۹

@ML_Topics

🚀 گیت‌هاب چطور با هوش مصنوعی بازخورد کاربران را به اقدام واقعی تبدیل می‌کند؟

گیت‌هاب به‌تازگی اعلام کرده که با ترکیب مدل‌های زبانی قدرتمند و روش‌های تحلیل متن توانسته فرآیند بررسی بازخورد کاربران را متحول کند.

گیت‌هاب روزانه هزاران پیام، ایمیل، تیکت و گزارش خطا از کاربران دریافت می‌کند؛ اما تحلیل دستی این حجم از داده بسیار زمان‌بر و دشوار بود. برای حل این مشکل، آن‌ها سیستمی ساختند که بازخوردها را با هوش مصنوعی دسته‌بندی و تبدیل به «بینش‌های قابل اقدام» می‌کند.

🔍 مراحل کار گیت‌هاب:

تبدیل متن‌ها به بردار معنایی (Embedding)
تا بتواند بازخوردهای مشابه را— حتی اگر با کلمات متفاوت نوشته شده باشند—پیدا کند.

خوشه‌بندی بازخوردهای مشابه
با استفاده از BERTopic، گروه‌هایی از متن‌های نزدیک به هم ساخته می‌شود (مثلاً همه شکایت‌ها درباره کند بودن بخش Explore).

استخراج کلمات کلیدی هر موضوع
خروجی اولیه این مرحله فقط «چند کلمه پرتکرار» است که موضوع هر خوشه را نشان می‌دهد.

تبدیل کلمات به خلاصه انسانی با کمک GPT
چون چند کلمه برای تیم محصول کافی نیست، گیت‌هاب از GPT کمک می‌گیرد تا هر خوشه را به یک جمله واضح تبدیل کند؛
مثل:
«کاربران گزارش داده‌اند که صفحه Explore هنگام بارگذاری پروژه‌های بزرگ بسیار کند است.»

ارسال خلاصه‌ها به تیم محصول برای تصمیم‌گیری
نتیجه این است که تیم‌ها خیلی سریع می‌توانند مشکلات واقعی و پرتکرار کاربران را شناسایی کرده و روی آن اقدام کنند.


خیلی جالبه یعنی میاد امبد میکنه. از روی امبد خوشه بندی میکنه.
از هر خوشه میاد کلمات پر تکرار رو حدودا پیدا میکنه.
از این کلمه ها چیزی پیدا نمیشه پس میده به جی پی تی تا معنی رو پیدا کنه.
این میشه عنوان مشکلات مهم در هرخوشه
حالا این خبر به چه دردی میخوره؟
اگر از این جنس مشکلات داشته باشیم می‌تونیم از این راه مشکلمون رو حل کنیم.

@ML_Topics

واقعاً مدل‌های زبانی بزرگ چجوری آموزش داده می‌شن؟

یه نکته خیلی جالب خوندم. معمولاً فکر می‌کنیم آموزش یک LLM یعنی چندتا GPU و یه عالمه دیتا و دیگه تموم. ولی داستان اصلاً این‌قدر ساده نیست.

تیم HuggingFace اومده پشت‌صحنه آموزش SmolLM3 رو نوشته؛ چیزی که تو مقاله‌های رسمی اصلاً نمی‌بینید.

ماجرا این‌طوریه که:

وسط آموزش loss یهویی بالا می‌پره و نمی‌فهمی چی شد

باگ‌های فضایی توی parallelism کل مدل رو داغون می‌کنه

بعضی چیزها تو تست کوچیک جواب می‌دن، ولی وقتی بزرگ می‌کنی کامل خراب می‌شن

حتی یه بار بعد از ۱ تریلیون توکن مجبور شدن کل آموزش رو از اول شروع کنن 🤦‍♂️

ولی نکته مهمش چیه؟
این نوع محتوای پشت‌پرده باعث می‌شه بفهمیم اگه ما هم با مشکلات عجیب‌غریب تو مدل‌سازی مواجه شدیم، تنها نیستیم و کلی تجربه ارزشمند ازش درمیاد.

اگر دوست داشتید بخونید:
https://huggingface.co/spaces/HuggingFaceTB/smol-training-playbook

@ML_Topics

چالش قشنگیه.
سوال بپرسید از جی پی تی جان و ببینید شخصیتتون شبیه کی هست؟ بفرستید باهم بخونیم :)
دوتا سریال آیندم که ببینم و با شخصیت خودم بیشتر آشنا بشم😂
بپرسید ازش و بفرستید با هم بخونیم

@ML_Topics

تون TOON یا Token-Oriented Object Notation یک فرمت فشرده، خوانا برای انسان و مخصوص سریال‌سازی داده‌هاست که با هدف ارسال داده‌های ساختاریافته به مدل‌های زبانی بزرگ (LLM) طراحی شده تا مصرف توکن را به‌طور قابل توجهی کاهش دهد.

این فرمت جایگزینی برای JSON است و همان داده‌ها را با ساختار مشابه، اما توکن‌های کمتر منتقل می‌کند.

pip install python-toon==0.1.3

Github-ToonFormat

Github-ToonPython

PyPi-Python Toon 0.1.3

با تشکر از علی بابت این پست، من با یک مثال از صفحه گیتهاب کارکرد این فرمت رو بیشتر توضیح میدم. جالبه...

ما معمولا از فرمت JSON برای ورودی دادن به LLM-ها استفاده می‌کنیم. مثلا:

{
  "users": [
    { "id": 1, "name": "Alice", "role": "admin" },
    { "id": 2, "name": "Bob", "role": "user" }
  ]
}

اما، TOON همون اطلاعات مشابه را با توکن‌های کمتری بهمون میده. فرمت TOON مثال بالا:

users[2]{id,name,role}:
  1,Alice,admin
  2,Bob,user

تعداد توکن‌ها با توکنایزر GPT-4o در Tiktokenizer در مثال بالا:
* فرمت JSON برابر با 51
* فرمت TOON برابر با 24

از سمینار امروز برای خودم یه سری نت برداشتم.
گفتم شاید کسی رو به فکر فرو ببره


آیا «خلاقیت بی‌جا» یا «خلاقیت با جا» وجود دارد؟ مگه متریکس داریم براش اصلا؟

هواپیما را زمانی مسخره می‌کردند؛ پس خلاقیت همیشه با درد، مقاومت یا تمسخر همراه است.

خلاقیت یه اتفاقیه مثل شاید فکر کردن. سر یک سه راهی. حماقت( شجاعت و جسارت) و ترس.

خلاقیت یعنی وقتی کسی ازت نمی‌خواهد، خودت کارت را بهتر می‌کنی

کارمند بانک سال‌ها فقط فرم پر کرده.
اما یک نفر راهی پیدا می‌کند برای سریع کردن روند مشتری‌ها.

کارمندی که از صف طویل اذیت می‌شود، شاید به فکر شمارنده نوبت بیفتد.

خلق کردن = پوشش دادن کار + اضافه کردن ارزش

مثال: حسابداری از خشک‌ترین حوزه‌هاست؛ ولی هلو، اکسل، ماشین‌حساب… همگی محصول خلاقیت‌اند.

Data (اطلاعات خام)

Information (داده پردازش‌شده)

Knowledge / Wisdom (دانش/خرد) → تحلیل

Decision-making (تصمیم‌گیری)

خلاقیت کجاست؟

در لایه ۴، تصمیم‌گیری.


نقش شغل:

بسیاری از کارمندها فقط دو لایه اول را انجام می‌دهند: جمع‌آوری داده و تولید اطلاعات.

تحلیل و خلق ارزش در لایه‌های بالاتر (۳ و ۴) اتفاق می‌افتد.
خلاقیت و تخیل

تخیل بخشی از خلاقیت است، ولی خلاقیت حتماً باید حسی را در تو بیدار کند یا مشکلی را حل کند.

خلاقیت از گوش دادن، دیدن و مواجهه با مشکل می‌آید.
روش‌ها و تمرین‌های تقویت خلاقیت

تمرین فکر کردن معکوس

«چی می‌شد اگر…؟»

بعد از وقوع خلاقیت، ایده باید کوچک و قابل تست باشد.

لازم نیست انقلاب باشد.
مثال بازاریابی

استارباکس به باریستاها گفت اسم مشتری را اشتباه بنویسید.

چرخه خلاقیت؛
با جسارت شروع می‌شود

با عمل زنده می‌ماند

با تکرار رشد می‌کند

تفاوت وظیفه و خلاقیت

وظیفه: کاری که هست

خلاقیت: کاری که باید باشد

خلاقیت از خودت شروع می‌شود نه از عنوان شغلت

مینیمالیسم

مینیمالیسم یعنی چیزی که نباید باشد، نباشد.

تصور رایج ما از مینیمالیسم اشتباه است؛ آنچه معمولاً به‌عنوان مینیمال می‌شناسیم سوپرماتیسم است.

یک فرش می‌تواند مینیمال باشد، حتی اگر طرح داشته باشد.


@ML_Topics

چندتا خبر:
- معرفی جی پی تی ۵.۱. به قول اپن ای آی، هوشمند تر و محاوره ای تر
https://openai.com/index/gpt-5-1/?utm_source=futuretools.io&utm_medium=newspage
- اگر خدا بخواد لینکدین برای سرچ میخواد جستجو بر پایه ای آی بیاره!
https://www.theverge.com/news/819908/linkedin-ai-people-search-launch?utm_source=futuretools.io&utm_medium=newspage

- حالا میشه دست نوشته ها رو هم بدیم به نت بو ال ام :)
اگر تا حالا استفاده نداشتید از ال ام حتما استفاده کنید.پشیمون نمیشید
https://x.com/NotebookLM/status/1989392074119020981

@ML_Topics

https://jalammar.github.io/
این آقا کلا معروفه به آموزش با تصویر و انیمیشن. کلا میاد مباحث سخت رو تصویری و انیمیشن می‌کنه که راحت تر یاد بگیریم.
حتما توصیه می‌کنم مطلب مربوط به ترنسفورمرش رو بخونید و ببینید. البته یکسری لینک هم داده به آموزش‌‌های سری‌زمانی که اون رو هم خیلی توصیه می‌کنم اول ببینید.
و در آخرش ممنون از آقای محمدرضا اسماعیلیان بزرگوار که بهم معرفیش کردن...

@ML_Topics

اول این‌که:

گوگل دسترسی به قابلیت‌های هوش مصنوعی Gemini در سرویس Google Vids رو برای همه کاربرانی که جیمیل دارن باز کرده؛ یعنی دیگه فقط مخصوص کاربران پولی Workspace نیست. حالا می‌تونی با کمک Gemini از روی ایده‌هات، خیلی سریع ویدئوهای آماده بسازی، روش‌ها شامل ساخت اسکریپت، نریشن خودکار با صدای AI، تمیز کردن صدا با حذف سکوت‌ها و تیکه‌های اضافی، و حتی ادیت تصویری با ابزارهای هوش مصنوعی داخلی هست.​

و دوم این‌که:

استارتاپ xAI متعلق به ایلان ماسک مدل جدید Grok 4.1 رو منتشر کرده که الان برای همه کاربران روی grok.com، داخل پلتفرم X و اپ‌های iOS و اندروید در دسترسه. این نسخه روی مکالمات واقعی تمرکز کرده و می‌خواد هم‌زمان هم سریع‌تر باشه، هم مکالمه‌ها طبیعی‌تر، احساسی‌تر و همکاری‌محورتر بشن.

​استارتاپ xAI می‌گه Grok 4.1 حدود ۳ برابر کمتر از نسخه قبلی دچار «هالوسینیشن» یا ارائه اطلاعات اشتباه می‌شه و در بنچمارک LMArena به رتبه اول رسیده و در تست‌های EQ-Bench و خلاقیت نویسندگی هم امتیاز خیلی بالایی گرفته. این مدل در حالت Auto به‌صورت پیش‌فرض برای اکثر کاربران فعال شده و دو نسخه داره: یکی سریع‌تر با پاسخ مستقیم و یکی با «تفکر مرحله‌به‌مرحله» برای کارهای تحلیلی و پیچیده..


@ML_Topics

آنتروپیک – مدل جدید Claude Opus 4.5

مدل جدید کلود 4.5 معرفی شد؛ قوی‌تر در برنامه‌نویسی، تحلیل و کارهای طولانی.

امنیت بالاتر در برابر حملات ورودی و امکانات جدید مثل کنترل سطح تلاش و حافظه‌ی بهتر.

OpenAI – ابزار جدید «Shopping Research» در ChatGPT

چت‌جی‌پی‌تی حالا نقش مشاور خرید هوشمند را دارد.

با گفتن نیازها، برای شما تحقیق می‌کند و گزینه‌های مناسب پیشنهاد می‌دهد.

برای کاربران Free، Plus و Pro فعال شده.

البته امکان اشتباه در قیمت یا موجودی هنوز هست.

@ML_Topics

هفدهمین جلسه دورهمی Epoch Club

ارائه‌دهنده: رایان هیدا
موضوع: آشنایی و کار با kaggle، کار با هاگینگ فیس به صورت عملی، آشنایی و کار با google colab و نگاهی به پاکسازی داده‌ها

زمان: پنج‌شنبه ۶ آذر ماه از ساعت ۱۶ تا ۱۸

در این فصل از جلسات، قرار است مجموعه‌ای از نشست‌های مرتبط داشته باشیم تا در پایان این فصل، بتوانیم از دانش به‌دست‌آمده در این جلسات به‌صورت عملی استفاده کنیم.

💡 شرکت در جلسات رایگان است، اما حتماً برای حضور از طریق لینک زیر ثبت‌نام کنید:
🔗 لینک ثبت‌نام:

https://evnd.co/W0lF7

📍 آدرس: کارخانه نوآوری، کهکشان دوم، عطارد

⚙️ پیش‌نیاز: آشنایی با زبان پایتون و داشتن تجربه تحقیق در حوزه هوش مصنوعی

یادتون باشه قابلیت خرید برای ChatGPT فعال شده بود. خب طبیعیه وقتی این مدل‌ها به یه عالمه داده از شما دسترسی دارن — سلیقه‌تون، خریدهای قبلی، چیزایی که سرچ کردین، نگرانی‌هاتون — انتخاب به‌جای شما براشون خیلی آسونه.

اون پشت می‌تونن از product-based استفاده کنن (یعنی از چیزایی که قبلاً خریدی، مشابه‌هاش رو پیشنهاد بدن)
یا حتی collaborative filtering که ببینه تو شبیه چه آدم‌هایی هستی و اونا چی خریدن تا همونو بهت پیشنهاد بده.

حالا توی این جنگ خرید هوشمند، پرپلکسی هم وارد بازی شد.

🛍 پرپلکسی قابلیت جدید “خرید با هوش مصنوعی” معرفی کرد

پرپلکسی یه قابلیت زده که می‌تونی مثل یه آدم واقعی باهاش مشورت خرید بگیری.
دیگه لازم نیست ده‌تا سایت بگردی؛ فقط می‌پرسی:

«یه کفش خوب واسه پیاده‌روی چی پیشنهاد میدی؟»

و سریع چندتا گزینه میده با توضیح، نقد، مقایسه و لینک خرید.

✔️ سلیقه‌تو یادت نگه می‌داره
✔️ پیشنهادهاش واقعی و بر اساس نیازته
✔️ همون‌جا می‌تونی با PayPal بخری
❗️فعلاً فقط برای کاربرای آمریکاست

عملاً خرید کردن تبدیل شده به گپ‌زدن با یه دستیار باحال که همیشه حوصله راهنمایی داره.

این هم لینک خبر:
https://www.perplexity.ai/hub/blog/shopping-that-puts-you-first?utm_source=futuretools.io&utm_medium=newspage

@ML_Topics

بخش پیش‌گفتار کتاب Agentic Design Patterns:
1. ایجنت چیست؟
در ساده‌ترین حالت، یک ایجنت، فقط یک مدل نیست؛ یک سیستم است که می‌تواند:
* هدف بگیرد (mission)
* محیط خود را درک کند
* فکر کند و برنامه‌ریزی کند
* ابزار استفاده کند
* عمل انجام دهد
* از نتیجه‌ها یاد بگیرد

ایجنت = یک LLM که فقط جواب نمی‌دهد، کار انجام می‌دهد.

سیستم ۵ مرحله‌ای Agent:
گرفتن هدف
جمع‌آوری اطلاعات
فکر کردن و برنامه‌ریزی
اجرا
یادگیری و بهتر شدن

چرا Agentها مهم شده‌اند؟
بیش از ۸۰٪ شرکت‌های بزرگ در حال استفاده از Agentها هستند
سرمایه‌گذاری روی Agentها فقط تا ۲۰۲۴ بیش از ۲ میلیارد دلار بوده
پیش‌بینی می‌شود صنعت Agentic AI تا ۲۰۳۴ به ۲۰۰ میلیارد دلار برسد
یعنی این حوزه جلوتر از هر موج AI قبلی در حال رشد است.

تکامل Agentها (۴ مرحله)
ایجنت‌ها در چه سطح‌هایی دسته‌بندی می‌شوند:

Level 0 — فقط LLM بدون ابزار

مدل فقط مثل ChatGPT قدیمی جواب می‌دهد.

هیچ داده جدید نمی‌گیرد

نمی‌تواند کار انجام دهد

فقط از دانش قبلی خود استفاده می‌کند

🔹 Level 1 — Agent ابزار‌دار

اینجا مدل می‌تواند:

- سرچ کند

API بخواند

دیتابیس را چک کند

برای مثال:
«نرخ امروز بیت‌کوین را بگو» → به API وصل می‌شود، قیمت را می‌گیرد.

🔹 Level 2 — Agent با برنامه‌ریزی و context engineering

اینجا Agent:

کارهای چند مرحله‌ای انجام می‌دهد

خودش تصمیم می‌گیرد چه داده‌ای برای مرحله بعد لازم است

مثال:
«یک کافی‌شاپ بین دو آدرس پیدا کن»
→ اول نقشه می‌گیرد
→ آدرس‌ها را خلاصه می‌کند
→ سرچ محلی انجام می‌دهد

اینجا Agent به صورت راهبردی فکر می‌کند.

🔹 Level 3 — Multi-Agent Systems (چند‌عاملی)

یک تیم از Agentها که با هم کار می‌کنند.

مثلاً برای ساخت یک محصول:

Agent مدیر پروژه

Agent تحقیقات بازار

Agent طراحی

Agent مارکتینگ

همه با هم حرف می‌زنند و نتیجه‌گیری می‌کنند.

پنج فرضیه درباره آینده Agentها

۱- یک سوپر ایجنت همه‌کاره

مثال:
«کل سفر شرکت را برای ماه آینده در لیسبون برنامه‌ریزی کن.»

۲- ایجنت شخصی مثل شریک زندگی

هدف‌های پنهان شما را کشف می‌کند

قبل از درخواست شما پیشنهاد می‌دهد

کارهایی که “احتمالاً می‌خواهید” را انجام می‌دهد

۳- ورود ایجنت‌ها به دنیای فیزیکی

مثل ربات‌ها که با Agent فکر می‌کنند.

مثال:
«شیر آب آشپزخانه را تعمیر کن.»

۴- ایجنت اقتصاد خودکار

خرید می‌کنند
قیمت‌گذاری می‌کنند
موجودی مدیریت می‌کنند
مارکتینگ می‌کنند
یعنی یک کسب‌وکار می‌تواند ۱۰۰٪ تحت مدیریت Agent باشد.

۵- تیمی که خودش را بازطراحی می‌کند

شما فقط هدف را می‌دهید

خودش تیم درست می‌کند

Agentهای جدید می‌سازد

Agentهای ناکارآمد را حذف می‌کند

ساختار تیم را اصلاح می‌کند
@ML_Topics

پرامپت چینینگ چیه؟

پرامپت چینینگ یعنی شکستن یک کار بزرگ به چند مرحله کوچک و اجرای پشت‌سرهم چند پرامپت.

هر مرحله یک کار کوچک انجام می‌دهد
و خروجی هر مرحله → ورودی مرحله بعد می‌شود.
اینطوری مدل بهتر می‌فهمد و اشتباه کمتر می‌کند.

مثال کوتاه

کار: یک خلاصه‌ی خوب از یک متن طولانی بده و نقاط کلیدی رو هم استخراج کن.

به‌جای یک پرامپت بزرگ، پرامپت چینینگ می‌زنیم:

پرامپت ۱: «متن را بخش‌بندی و موضاعات اصلی را پیدا کن.»

پرامپت ۲: «بر اساس موضوعات اصلی خلاصه بساز.»

پرامپت ۳: «نقاط کلیدی را جداگانه لیست کن.»


حدودا شبیه اصل تک وظیفه ای هست تو برنامه نویسی. اینطوری تو هر مرحله به مدل اشراف داریم که کاری که باید انجام میداد رو آیا درست انجام داده‌است یا خیر؟
برای این‌که بهتر هم مدیریتش کنیم می‌تونیم ازش بخوایم جیسون برگردونه که بهتر مدیریتش کنیم.

براساس کتاب: Agentic Design Patterns

@ML_Topics
#Agentic_Design_Patterns

قابلیت نسبتا جدید infographic در نوت بوک lm

من روی مقاله ی Vision Transformer تست کردم و عکس زیرو داد

https://notebooklm.google.com

روتینگ در دیزاین پترن ایجنتیک چیست؟

روتینگ یعنی تصمیم‌گیری خودکار درباره اینکه یک ورودی باید به کدام مدل، ابزار، یا Agent فرستاده شود.

این الگو باعث می‌شود سیستم:
سریع‌تر باشد
دقیق‌تر عمل کند
از مدل‌ها و ابزارها درست در جای مناسب استفاده کند
روتینگ یک زیرساخت مهم در سیستم‌های بزرگ و چندعاملی است، چون ورودی‌ها متفاوت‌اند و باید به مسیر درست هدایت شوند.

روتینگ چه مشکلی را حل می‌کند؟

همه درخواست‌ها شبیه هم نیستند.

مثلاً:

یک درخواست ساده → نیاز به مدل سنگین ندارد

یک درخواست محاسباتی → باید به ابزار داده شود

یک درخواست تحلیلی → باید به Agentِ تحلیل داده برود

یک درخواست جستجو → باید به مدل کوچک سریع یا موتور جستجو برود

Routing کاری می‌کند که هر درخواست بهترین مسیر ممکن را طی کند.


روتینگ چطور کار می‌کند؟

کتاب سه مرحله‌ی اصلی برای Routing تعریف می‌کند:

1) تشخیص نوع ورودی: سیستم متوجه می‌شود ورودی از چه نوعی است:

سؤال؟
دستور؟
محاسبات؟
درخواست جستجو؟
خلاصه‌سازی؟
2) انتخاب مسیر

بر اساس نوع ورودی تصمیم می‌گیرد:

کدام مدل
کدام ابزار
یا کدام Agent
اطلاعات را بهتر پردازش می‌کند.

3) اجرای مسیر انتخاب‌شده

درخواست در مسیر درست اجرا شده و نتیجه برگردانده می‌شود.

🔍 یک مثال ساده برای Routing

ورودی:
«این متن را خلاصه کن.»

سیستم:

می‌بیند این یک کار زبانی ساده است و آن را به مدل سبک و سریع می‌فرستد

ورودی دیگر:
«این فایل اکسل را تحلیل کن و نمودار بده.»

سیستم:

تشخیص می‌دهد این کار با مدل انجام نمی‌شود
مسیر ابزار تحلیل داده را انتخاب می‌کند
سپس خروجی به Agent گزارش‌ساز می‌رود

Routing = هوشمندانه انتخاب کردن بهترین مسیر برای هر ورودی.

⚡️ چرا Routing مهم است؟

کتاب می‌گوید Routing باعث می‌شود:


Agentic Design Patterns

سرعت سیستم زیاد شود

هزینه کاهش پیدا کند

مدل‌های سنگین فقط وقتی لازم است استفاده شوند

خطا کمتر شود

Agentها بهتر همکاری کنند

ارتباط Routing با ساخت Agentها

Routing یکی از پایه‌ای‌ترین الگوها برای ساخت:

Multi-Agent Systems

Agentهای هوشمند

سیستم‌های بزرگ سازمانی

چون این سیستم‌ها بدون اینکه ورودی‌ها را در مسیر درست بفرستند، از هم می‌پاشند.


سه نوع روتینگ
1) Prompt-based Routing

مدل با یک پرامپت خاص تشخیص می‌دهد ورودی باید به کجا برود.
مثال: مدل تصمیم بگیرد سؤال مالی است یا برنامه‌نویسی.

✔️ساده
✖️ گاهی اشتباه به خاطر نحوه نوشتن جمله

2) Embedding-based Routing

بردار معنایی (Embedding) ورودی با بردارهای دسته‌ها مقایسه می‌شود تا نزدیک‌ترین مسیر پیدا شود.

✔️ دقیق‌تر و پایدارتر
✖️ نیاز به زیرساخت embedding

3) ML-based Routing (Classifier Routing)

با داده‌های واقعی مدل ML آموزش می‌دهیم تا خودش مسیر درست را پیش‌بینی کند.

✔️ دقیق‌ترین در داده‌های اختصاصی
✖️ نیازمند دیتاست و آموزش مدل

براساس کتاب: Agentic Design Patterns

@ML_Topics
#Agentic_Design_Patterns