📘 ساخت اپلیکیشن‌های AI مبتنی بر داده با LlamaIndex — با مثال‌های عملی از RAG Pipeline، Workflowهای Agentic، سیستم‌های Multi-Agent، مهندسی پرامپت، ارزیابی و Deploy با Python و Streamlit

🚀 این کتاب دقیقاً برای ساختن سیستم‌های واقعی AI طراحی شده؛ نه صرفاً مدل‌های تئوری. با رویکردی کاملاً عملی یاد میگیری چطور اپلیکیشن‌هایی بسازی که واقعاً به داده‌های سازمانی وصل هستن و قابل استفاده در Production هستن.

🔥 ویژگی‌های کلیدی

🧩 ساخت کامل RAG Pipeline از مرحله Ingestion تا Deployment همراه با مثال‌های واقعی و قابل اجرا

🤖 طراحی Agentic Workflow و معماری‌های Multi-Agent برای سیستم‌های AI در سطح Production

🌐 توسعه یک پروژه کامل؛ از یک اپ ساده LLM تا یک اپلیکیشن وب AI کامل و Deploy شده

💻 اجرای همه چیز به‌صورت Local با استفاده از Ollama — بدون نیاز به API Key و بدون هزینه اضافی

📖 توضیحات کتاب

🧠 مدل‌های زبانی بزرگ (LLM) می‌تونن پاسخ‌های خیلی قوی تولید کنن، اما در دنیای واقعی با مشکلاتی مثل اطلاعات قدیمی، عدم دسترسی به داده‌های اختصاصی، Hallucination و ناهماهنگی در استدلال مواجه هستن.

⚙️ کتاب LlamaIndex دقیقاً برای حل همین مشکل طراحی شده؛ با استفاده از Retrieval-Augmented Generation (RAG) به دولوپرها اجازه میده مدل‌های زبانی رو به منابع داده خارجی و داده‌های اختصاصی وصل کنن و اپلیکیشن‌های قابل اعتمادتر بسازن.

🚀 این نسخه دوم کاملاً به‌روز شده و آخرین تغییرات اکوسیستم LlamaIndex رو پوشش میده. یاد میگیری چطور داده‌ها رو از منابع مختلف Ingest و Parse کنی، Indexهای بهینه بسازی و استراتژی‌های پیشرفته Retrieval رو برای کیفیت بالاتر RAG پیاده‌سازی کنی.

🧩 همچنین با الگوهای مدرن Agentic AI آشنا میشی؛ شامل Workflows، Chat Engines، Agents و سیستم‌های هماهنگی چندعاملی (Multi-Agent Orchestration).

📊 علاوه بر این، موضوعاتی مثل Observability، ارزیابی RAG، مهندسی پرامپت و استراتژی‌های Deploy با Streamlit هم به‌صورت عملی آموزش داده میشن.

🧪 در طول کتاب یک پروژه واقعی به نام Contract Review Expert می‌سازی که مرحله به مرحله از یک Query Engine ساده به یک اپلیکیشن کامل AI تبدیل میشه.

🛠️ همچنین با ابزارهای سازمانی مثل LlamaParse و جایگزین‌های متن‌باز مثل LiteParse آشنا میشی.

🎯 در پایان این کتاب می‌تونی سیستم‌های مقیاس‌پذیر LlamaIndex طراحی، پیاده‌سازی، ارزیابی و Deploy کنی که کاملاً به داده‌های واقعی سازمان متصل هستن.

📚 در این کتاب یاد میگیری چطور:

📦 اکوسیستم LlamaIndex و کاربردهای اصلی آن را درک کنی

🧾 داده‌ها را از منابع مختلف Ingest و Parse کنی

📊 Indexهای بهینه برای سیستم‌های RAG بسازی

🔍 داده‌ها را با استفاده از Retrieverها، Postprocessorها و Response Synthesizerها Query کنی

🤖 معماری‌های Agentic و سیستم‌های چندعاملی طراحی کنی

🌐 اپلیکیشن‌های AI را با Python و Streamlit Deploy کنی

📈 عملکرد سیستم RAG را با ابزارهای Observability و متریک‌های کلیدی ارزیابی و بهینه کنی

✍️ با بهترین شیوه‌های Prompt Engineering کیفیت پاسخ‌های AI را بهبود بدی

👥 مخاطب کتاب

💻 این کتاب برای دولوپرهای Python طراحی شده که آشنایی پایه با LLM دارن و میخوان اپلیکیشن‌های تعاملی و Agentic بسازن که به داده‌های اختصاصی متصل هستن.

🧠 همچنین برای دولوپرهای حرفه‌ای و AI Practitionerها هم مفیده، چون وارد موضوعات پیشرفته مثل Multi-Agent Orchestration، ارزیابی RAG و ابزارهای Enterprise میشه.

📑 فهرست مطالب

بخش 1: معرفی هوش مصنوعی مولد و LlamaIndex

فصل 1: درک مدل‌های زبانی بزرگ

فصل 2: LlamaIndex: معرفی اکوسیستم و نقش آن

بخش 2: شروع پروژه LlamaIndex

فصل 3: شروع کار با LlamaIndex

فصل 4: ورود داده به Workflowهای RAG

فصل 5: Indexing در LlamaIndex

بخش 3: بازیابی و کار با داده‌های ایندکس‌شده

فصل 6: Querying داده‌ها - بازیابی Context

فصل 7: Postprocessing و Response Synthesis

فصل 8: ساخت سیستم‌های سریع‌تر با Workflow

بخش 4: ساخت Chatbot و Agent

فصل 9: معماری‌های پایه Agent

فصل 10: کاربردهای پیشرفته Agentic

بخش 5: شخصی‌سازی، ارزیابی و Prompt Engineering

فصل 11: Customization و Deploy پروژه

فصل 12: بهینه‌سازی RAG با Observability و Evaluation

فصل 13: بهترین شیوه‌های Prompt Engineering

فصل 14: ورود به سطح Enterprise با LlamaParse

فصل 15: جمع‌بندی و منابع تکمیلی

فصل 16: مزایای اختصاصی

✍️ درباره نویسنده

👨‍💻 آندری گهورگیو یک متخصص IT با بیش از ۲۰ سال تجربه در حوزه آموزش، مشاوره و Audit هست. او دارای مدارک حرفه‌ای مثل ITIL Master، CISA، ISO 27001 Lead Auditor و CISSP است.

🎓 او بیش از ۱۵٬۰۰۰ دانشجو را در حوزه‌هایی مثل IT Service Management، Information Security، IT Governance و Audit آموزش داده است.

🤖 تمرکز فعلی او روی استفاده عملی از Generative AI در حل مسائل واقعی است؛ از ترجمه محتواهای آموزشی گرفته تا ساخت دستیارهای هوشمند برای کلاس‌های آموزشی.

🚀 هدف اصلی او در این نسخه دوم کتاب این است که به دولوپرها کمک کند مهارت‌های خود را در عصر AI ارتقا دهند و همچنان در بازار فناوری مرتبط و رقابتی باقی بمانند.

Build data-grounded AI applications with LlamaIndex through hands-on examples covering RAG pipelines, agentic workflows, multi-agent systems, prompt engineering, evaluation, and deployment with Python and Streamlit.

Key Features

• Build complete RAG pipelines from ingestion to deployment with practical working examples
• Design agentic workflows and multi-agent architectures for production-ready AI systems
• Develop a hands-on project from a simple LLM app to a deployed AI-powered web application
• Run everything locally with Ollama - no API keys or costs required

Book Description

Large language models can generate impressive responses, but they often struggle with outdated knowledge, limited access to proprietary data, hallucinations, and inconsistent reasoning in real-world applications. LlamaIndex addresses these challenges through RAG, enabling developers to connect LLMs with external data sources and build more reliable AI applications.

This fully updated second edition reflects the latest evolution of the LlamaIndex ecosystem. You will learn how to ingest and parse data from multiple sources, build optimized indexes, and implement advanced retrieval strategies for high-quality RAG applications.

The book introduces modern agentic AI patterns using LlamaIndex Workflows, chat engines, agents, and multi-agent orchestration. You will also explore observability and RAG evaluation, prompt engineering best practices, and deployment strategies using Streamlit.

Throughout the book, you will build a practical Contract Review Expert application that evolves chapter by chapter from a simple query engine into a fully deployed AI-powered web application. You will also learn how to use enterprise tooling such as LlamaParse alongside open source alternatives such as LiteParse.

By the end of this book, you will be able to design, build, evaluate, and deploy scalable LlamaIndex applications grounded in your own data.

What you will learn

• Understand the LlamaIndex ecosystem and core use cases
• Master techniques to ingest and parse data from diverse sources
• Build optimized indexes for RAG applications
• Query data using retrievers, postprocessors, and response synthesizers
• Design agentic workflows and multi-agent systems
• Deploy AI applications with Python and Streamlit
• Evaluate and tune your RAG implementation using observability tools and key metrics
• Apply prompt engineering best practices to improve AI responses

Who this book is for

This book is for Python developers with a basic knowledge of LLMs who want to build interactive, generative, and agentic AI applications grounded in proprietary data. Experienced developers and AI practitioners will also benefit from the advanced techniques covered like agentic workflows, multi-agent orchestration, RAG evaluation, and enterprise tooling. A working knowledge of Python and familiarity with generative AI concepts is assumed.

The book is aimed at those with a basic knowledge of Python and working knowledge in developing applications using Generative AI models.

Table of Contents

Part 1: Introduction to Generative AI and LlamaIndex

Chapter 1: Understanding Large Language Models

Chapter 2: LlamaIndex: The Hidden Jewel - An Introduction to the LlamaIndex Ecosystem

Part 2: Starting Your First LlamaIndex Project

Chapter 3: Kickstarting Your Journey with LlamaIndex

Chapter 4: Ingesting Data into Our RAG Workflow

Chapter 5: Indexing with LlamaIndex

Part 3: Retrieving and Working with Indexed Data

Chapter 6: Querying Our Data, Part 1 - Context Retrieval

Chapter 7: Querying Our Data, Part 2 - Postprocessing and Response Synthesis

Chapter 8: Building Faster and Smarter with Workflows

Part 4: Building Chatbots and Agents with LlamaIndex

Chapter 9: Understanding Basic Agent Architectures

Chapter 10: Exploring Advanced Agentic Use Cases

Part 5: Customization, Evaluation, Prompt Engineering, and Final Words

Chapter 11: Customizing and Deploying Our LlamaIndex Project

Chapter 12: Tuning Our RAG Implementation - Observability and Evaluation

Chapter 13: Prompt Engineering Guidelines and Best Practices

Chapter 14: Going Enterprise with LlamaParse

Chapter 15: Conclusion and Additional Resources

Chapter 16: Unlock Your Exclusive Benefits

About the Author

Andrei Gheorghiu is an IT professional with over 20 years of experience in training, consulting, and auditing. He holds ITIL Master, CISA, ISO 27001 Lead Auditor, and CISSP certifications and has trained over 15,000 students in IT Service Management, Information Security, IT Governance, and Audit. He is also the author of the first edition of Building Data-Driven Applications with LlamaIndex.

His recent work focuses on applying generative AI to real-world problems, from translating educational materials to building virtual assistants for classroom use. In this second edition, he brings that hands-on experience to the latest developments in retrieval-augmented generation, agentic architectures, and the evolving LlamaIndex framework.

A forward-thinking educator, his main goal is to help people upskill and remain relevant in the age of AI.