مقالات پروژه

مقالات

نوشته‌هایی درباره‌ی ایجنت‌های هوش مصنوعی، مدل‌های زبانی، استقرار روی زیرساخت داخلی، و آنچه در عمل هنگام ساختن این سیستم‌ها یاد گرفته‌ایم.

01 ایجنت هوش مصنوعی چیست؟ حلقه‌ای که همه‌چیز از آن ساخته می‌شود ایجنت هوش مصنوعی یعنی حلقه‌ی مدل، فراخوانی ابزار و بازگشت نتیجه. توضیح می‌دهیم چه چیزی یک سیستم را ایجنت می‌کند و کجا اصلاً به ایجنت نیاز ندارید.
02 تفاوت ایجنت با چت‌بات — کجا کدام‌یک انتخاب درست است ایجنت و چت‌بات ممکن است روی یک مدل هوش مصنوعی اجرا شوند، اما در حالت، دسترسی به ابزار، خودگردانی، بازیابی از خطا و هزینه کاملاً فرق دارند.
03 حافظه در ایجنت‌ها — از context تا حافظه‌ی ماندگار چرا context حافظه نیست، بین جلسه‌ها چه چیزی گم می‌شود، و سه روش ساخت حافظه ایجنت: خلاصه‌سازی، vector store و حالت ساخت‌یافته.
04 ابزارها و function calling — چطور ایجنت به دنیای بیرون وصل می‌شود مدل ابزار را اجرا نمی‌کند، فقط انتخابش می‌کند. راهنمای طراحی tool schema، فراخوانی موازی، بازگرداندن خطا و اینکه چرا طراحی ابزار از prompt مهم‌تر است.
05 MCP چیست؟ پروتکل اتصال مدل به داده و ابزار MCP یک پروتکل باز برای معرفی ابزار و داده به مدل‌های هوش مصنوعی است. مسئله‌ی N×M، تفاوت server و client، و آنچه MCP نیست.
06 راهنمای مدل‌های کلاد — کدام مدل برای چه کاری کدام مدل کلاد برای کدام کار؟ تفاوت واقعی رده‌ها، انتخاب بر اساس شکل کار به‌جای بزرگی مدل، و جایی که مدل ارزان‌تر پاسخ مهندسی درست است.
07 پنجره‌ی زمینه (context window) چیست و چرا مهم است پنجره‌ی زمینه دقیقاً چه چیزی را نگه می‌دارد، چرا پر کردنش رایگان نیست، و وقتی کار از ظرفیت مدل زبانی بزرگ‌تر شد چه باید کرد.
08 هزینه‌ی مدل‌های زبانی — توکن، قیمت‌گذاری و بهینه‌سازی توکن چیست، چرا متن فارسی گران‌تر تمام می‌شود، چرا خروجی چند برابر ورودی قیمت دارد، و کدام اهرم‌ها هزینه را بدون افت کیفیت کم می‌کنند.
09 prompt caching — کم کردن هزینه بدون افت کیفیت prompt caching چطور با تطبیق پیشوند هزینه‌ی مدل زبانی را کم می‌کند، چرا یک بایت تغییر همه‌چیز را باطل می‌کند، و چطور بفهمیم واقعاً کار می‌کند.
10 اجرای مدل زبانی روی زیرساخت داخلی (on-premise) چرا سازمان‌ها مدل زبانی را روی زیرساخت داخلی اجرا می‌کنند، این کار در عمل چه می‌خواهد — از حافظه‌ی GPU تا batching — و در ازایش چه چیزی از دست می‌رود.
11 هوش مصنوعی در ایران — وضعیت زیرساخت و محدودیت‌ها نگاهی مهندسی به قیدهای واقعی کار با هوش مصنوعی در ایران: دسترسی و پرداخت، تأخیر شبکه، کشش به استقرار محلی و کمبود منابع فارسی.
12 مدل‌های متن‌باز در برابر API — کدام برای سازمان مقایسه‌ی مدل متن‌باز و API از روی محورهای واقعی تصمیم: شکل هزینه، سقف کیفیت، کنترل، بار عملیاتی و انطباق — و الگوی ترکیبی که در عمل جواب می‌دهد.
13 امنیت ایجنت‌هایی که کد اجرا می‌کنند مدل تهدید ایجنت‌هایی که ابزار واقعی در اختیار دارند، و پنج لایه‌ی کنترل — ایزولاسیون، allowlist، کمترین امتیاز، تأیید انسانی و ممیزی — با حد و مرز هرکدام.
14 RAG روی داده‌های فارسی — از بازیابی تا پاسخ خط لوله‌ی RAG از chunking تا تولید پاسخ، جایی که در عمل می‌شکند، و اینکه چه چیزی در داده‌ی فارسی سخت‌تر است: مرز تکه‌ها، نرمال‌سازی و متن دوجهته.
15 embedding و جستجوی معنایی روی متن فارسی embedding چیست، شباهت برداری چه چیزی را نشان می‌دهد و چه چیزی را نه، معامله‌ی recall با تأخیر در ایندکس برداری، و چرا فارسی به جست‌وجوی ترکیبی نیاز دارد.
16 چالش‌های زبان فارسی در مدل‌های زبانی چرا فارسی در مدل‌های زبانی گران‌تر و پرخطاتر است: کارایی tokenization، تنوع املایی ی و ک و نیم‌فاصله، متن دوجهته، شکل ارقام و کمبود داده‌ی ارزیابی.
17 ارزیابی ایجنت‌ها — چطور بفهمیم بهتر شده است چرا «بهتر به نظر می‌رسد» نتیجه نیست: ساختن یک مجموعه‌ی eval کوچک و واقعی، انواع grader، خطاهای LLM-as-judge، جداسازی holdout و پیگیری regression.