🚀 کتاب Grokking AI Applications نشان میده چطور اپلیکیشن‌های هوش مصنوعی مثل Chatbotها، Agentها و سیستم‌های سفارشی مبتنی بر داده‌های شخصی یا سازمانی ساخته میشن؛ حتی اگر هیچ تجربه قبلی در ساخت چنین سیستم‌هایی وجود نداشته باشه. توضیحات تصویری، مثال‌های ملموس و پیاده‌سازی‌های عملی کمک میکنن خیلی سریع از مفاهیم پایه به کاربردهای واقعی برسی.

💬 Michele Pacifico از Nestlé این کتاب را اثری شفاف، کاربردی و متمرکز میدونه که خواننده را به‌سرعت از اصول اولیه به کاربردهای واقعی میرسونه.

✨ ویژگی‌های کلیدی

🎨 آموزش مفاهیم با تصاویر غنی، نمودارهای مرحله‌به‌مرحله و خلاصه Workflowها ارائه شده تا دنبال‌کردن مباحث پیشرفته هم ساده‌تر باشه.

🧩 مثال‌های Low-Code با Langflow و KNIME کمک میکنن بدون درگیرشدن زودهنگام با جزئیات کدنویسی، ساختار و عملکرد اپلیکیشن‌های هوش مصنوعی را درک کنی.

🧠 سازوکارهای اصلی RAG، ساختارهای Agentic و Prompt Engineering به‌شکلی مفهومی و عملی بررسی میشن.

🛠️ پروژه‌های واقعی کتاب شامل ساخت Chatbotها، Agentهای استدلال‌گر و سیستم‌های مجهز به ابزارهای تحلیل داده است.

🐍 تمام مثال‌ها علاوه بر پیاده‌سازی Low-Code، نسخه‌های کامل و توضیح‌گذاری‌شده Python هم دارن تا امکان بررسی عمیق‌تر کد، Libraryها، APIها و Data فراهم بشه.

📘 توضیح کتاب

🔍 نویسنده کتاب، Andrea De Mauro، به‌جای تمرکز بیش‌ازحد بر Boilerplate Code و Debugging خطاهای Syntax، توجه را به System Design و Mental Modelها معطوف میکنه. در نتیجه، خیلی زود روی سطح درست مسئله متمرکز میشی و یاد میگیری Promptها، Data و Componentهای اپلیکیشن را برای رسیدن به نتیجه دلخواه مدیریت کنی.

💬 مسیر آموزشی با ساخت یک Chatbot بسیار ساده و ابتدایی شروع میشه. در همین مسیر، نحوه نوشتن Promptهای مناسب و افزایش دقت پاسخ‌ها با استفاده از Retrieval Augmented Generation یا RAG آموزش داده میشه.

🗃️ برای اینکه اپلیکیشن‌ها در محیط واقعی قابل‌استفاده باشن، کتاب نحوه اتصال آن‌ها به مجموعه اسناد، پایگاه‌های داده ساختاریافته و ابزارهای CRM را توضیح میده. به این ترتیب، مدل میتونه به اطلاعات اختصاصی دسترسی داشته باشه و پاسخ‌هایی متناسب با Data و نیازهای واقعی ارائه بده.

🛠️ پس از شکل‌گیری این پایه، Agentهای اختصاصی خودت را میسازی و آن‌ها را به ابزارهایی برای تحلیل Data و انجام استدلال‌های پیچیده مجهز میکنی. Julien Pohie، Reviewer شرکت Thoughtworks، تأکید کتاب بر هماهنگ‌سازی سیستم‌های Multi-Agent را کاملاً همسو با Best Practiceهای مهندسی مدرن میدونه.

🧭 راهنمایی‌های مرحله‌به‌مرحله، Diagramهای غنی و خلاصه Workflowها کمک میکنن حتی هنگام مطالعه مطالب پیشرفته هم مسیر را گم نکنی. برای تأکید بر تفکر مفهومی و طراحی، هر پروژه ابتدا با ابزار توسعه Low-Code یعنی Langflow شروع میشه.

🐍 برای خواننده‌هایی که میخوان عمیق‌تر پیش برن، هر مثال یک پیاده‌سازی کامل و توضیح‌گذاری‌شده با Python هم داره. در این بخش‌ها، کد، Libraryها، APIها و Data مورد استفاده در هر اپلیکیشن را میبینی و با توصیه‌های عملی برای Deployment و Monitoring اپلیکیشن‌ها آشنا میشی.

📚 این کتاب سریع و فشرده، عمداً با ساختاری جمع‌وجور طراحی شده و شامل هشت فصل کاملاً مصوره. سناریوهای واقعی، جذاب، ماندگار و قابل‌درک کتاب کمک میکنن در مدت کوتاهی، شهود مناسبی نسبت به طراحی اپلیکیشن‌های هوش مصنوعی به دست بیاری.

🔄 در طول مطالعه، نگاه به هوش مصنوعی به‌تدریج تغییر میکنه؛ ابتدا AI به‌شکل همان Chatbot مکالمه‌ای آشنا دیده میشه، سپس به بخش ضروری یک اپلیکیشن تبدیل میشه و در نهایت به طراحی تیم‌های Multi-Agent با Roleهای تخصصی و هماهنگی تحت نظارت میرسه.

🎯 پس از مطالعه کتاب، میتونی Promptها، Data، Modelها، ابزارها و Agentها را در قالب یک سیستم منسجم کنار هم قرار بدی؛ از یک Chatbot ساده عبور کنی و به اپلیکیشن‌های GenAI قابل‌استقرار و تیم‌های هوشمند چندعاملی برسی، آن هم در مسیری سریع و لذت‌بخش.

🎯 چیزهایی که یاد میگیری

💬 یاد میگیری اولین اپلیکیشن GenAI و یک Chatbot ساده را از پایه بسازی.

✍️ میتونی Promptهای مناسب بنویسی و خروجی مدل را با مدیریت بهتر Promptها بهبود بدی.

📄 یاد میگیری با استفاده از RAG، LLMها را به اسناد و اطلاعات اختصاصی خودت متصل کنی و دقت پاسخ‌ها را افزایش بدی.

🗄️ میتونی اپلیکیشن‌های هوش مصنوعی را با مجموعه اسناد، پایگاه‌های داده ساختاریافته و ابزارهای CRM یکپارچه کنی.

🛠️ یاد میگیری قابلیت‌های GenAI را با ابزارها و Agentها گسترش بدی و Agentهایی برای تحلیل Data و استدلال پیچیده بسازی.

🤝 با ساختارهای Agentic و نحوه طراحی، پیاده‌سازی و هماهنگ‌سازی سیستم‌های Multi-Agent آشنا میشی.

🧩 میتونی پروژه‌ها را ابتدا با ابزارهای Low-Code مثل Langflow و KNIME پیاده‌سازی کنی و سپس نسخه کامل آن‌ها را با Python بررسی کنی.

🚀 یاد میگیری اپلیکیشن‌های GenAI را Deploy، Monitor و Orchestrate کنی.

👤 این کتاب برای چه کسانیه؟

🌐 این کتاب برای خوانندگان در تمام سطوح نوشته شده که میخوان اپلیکیشن‌های هوش مصنوعی بسازن. برنامه‌نویس‌ها و تمام افراد کنجکاوی که به ساخت Chatbotها، Agentها یا سیستم‌های متصل به Data اختصاصی علاقه دارن، میتونن از مطالب آن استفاده کنن.

🧩 استفاده از ابزارهای تصویری و Low-Code باعث شده کتاب حتی برای افرادی که با Python آشنا نیستن هم قابل‌استفاده باشه. بنابراین برای شروع، داشتن تجربه قبلی در ساخت اپلیکیشن‌های AI یا تسلط به Python ضروری نیست.

🐍 افرادی که تجربه برنامه‌نویسی دارن یا میخوان عمیق‌تر وارد جزئیات فنی بشن، میتونن از پیاده‌سازی‌های کامل و توضیح‌گذاری‌شده Python استفاده کنن و کدها، Libraryها، APIها و Data پشت هر پروژه را بررسی کنن.

📖 فهرست مطالب

فصل ۱. نگاهی به درون جعبه سیاه

فصل ۲. ساخت اولین اپلیکیشن GenAI

فصل ۳. نوشتن Prompt مناسب

فصل ۴. تقویت LLMها با اسناد اختصاصی

فصل ۵. گسترش قابلیت‌های GenAI با ابزارها و Agentها

فصل ۶. پیاده‌سازی ساختارهای Agentic

فصل ۷. یکپارچه‌سازی GenAI با اکوسیستم Data

فصل ۸. استقرار و هماهنگ‌سازی اپلیکیشن‌های GenAI

👤 درباره نویسنده و تصویرگر

🧠 Andrea De Mauro دو دهه تجربه در هدایت تیم‌های Data و AI در سازمان‌های بین‌المللی داره. او به‌عنوان مشاور باتجربه مدیران ارشد و Fractional CDO فعالیت میکنه و در شرکت‌های Vodafone و Procter & Gamble سمت‌های مدیریتی داشته و به شکل‌گیری استراتژی‌های Data-Driven در مقیاس بالا کمک کرده است.

🎓 او Marketing Analytics و Applied AI را در Luiss University شهر Rome و دیگر دانشگاه‌های برتر اروپا تدریس میکنه.

🏆 Andrea De Mauro در فهرست Forty Under 40 مجله CDO Magazine قرار گرفته است. او همچنین پژوهشگری پرکار است و نیروهای بنیادینی را بررسی میکنه که Big Data را به‌عنوان یک پدیده شکل میدن؛ پژوهش‌های او تأثیر تحول‌آفرین AI و Data Analytics بر کسب‌وکارها و جامعه را هم پوشش میدن.

🎨 Ines Schweigert تصویرگر کتاب است. او مدرک PhD خود را از Institute for Imaging and Computer Vision در RWTH Aachen University آلمان دریافت کرده است.

“Clear, practical, and focused on getting you from basics to real-world applications fast.”

—Michele Pacifico, Nestlé

Grokking AI Applications: An illustrated guide for programmers and other curious people shows you how to create AI applications like chatbots, agents, and systems customized to use your own data—even if you’ve never built one before! Supporting his explanations with graphics and using concrete examples and hands-on implementations, author Andrea De Mauro gets you thinking about system design and mental models rather than boilerplate code and syntax debugging. You’ll quickly focus on the right level: how to manage prompts, data, and application components to get the results you want.

You’ll start with a bare-bones chatbot, as you learn how to create good prompts and improve accuracy using Retrieval Augmented Generation (RAG). To help your applications live in the real world, the book discusses how to connect them to document collections, structured databases, and CRM tools. You’ll build on this foundation, creating your own agents and equipping them with tools for data analysis and complex reasoning. Reviewer Julien Pohie of Thoughtworks commented, “The emphasis on multi-agent orchestration aligns perfectly with modern engineering best practices.”

Step-by-step guidance, rich diagrams, and workflow summaries help you stay oriented, even through advanced material. To emphasize conceptual and design thinking, you’ll start each project using the low-code development tool Langflow. For readers who want to go deeper, every example also includes fully-annotated Python implementations. You’ll see the code, libraries, APIs, and data behind each application, along with practical advice on how to deploy and monitor your applications.

Compact by design, this fast-paced book includes eight fully illustrated chapters that build intuition through engaging, memorable, and relatable real-world scenarios. As you read, you’ll experience a shift from AI as the familiar conversational chatbot to AI as an essential part of your application and, further, to the design of multi-agentic teams with specialized roles and supervised coordination.

And you’ll enjoy every page of the journey!

What's inside

• Low-code examples using Langflow and KNIME

• Core mechanics of RAG, agentic structures, and prompt engineering

• Practical AI projects including chatbots and reasoning agents

About the reader

For readers of all levels who want to create AI applications. The use of visual, low-code tools makes it accessible even to those unfamiliar with Python.

About the author

Andrea De Mauro has two decades of experience leading Data and AI teams in global organizations like Vodafone and Procter & Gamble. He teaches Applied AI at Luiss University. Illustrator Ines Schweigert earned her PhD at the Institute for Imaging and Computer Vision at RWTH Aachen University, Germany.

Table of Contents

1. Peeking inside the black box

2. Building your first GenAI app

3. Writing the right prompt

4. Augmenting LLMs with your own documents

5. Expanding GenAI capabilities with tools and agents

6. Implementing agentic structures

7. Integrating GenAI in your data ecosystem

8. Deploying and orchestrating GenAI apps

About the Author

Andrea De Mauro has two decades of experience leading Data and AI teams in global organizations. A seasoned executive advisor and fractional CDO, Andrea has held leadership roles at Vodafone and Procter & Gamble, shaping data-driven strategies at scale. He teaches Marketing Analytics and Applied AI at Luiss University in Rome and other top European universities. Recognized in CDO Magazine’s Forty Under 40 list, he is also a prolific researcher, exploring the fundamental forces behind big data as a phenomenon and the transformative impact of AI and data analytics on businesses and society.