🛠️ یک راهنمای عملی برای استفاده از LLMها در کل چرخه توسعه و تحویل نرم‌افزار؛ از بهتر کردن توسعه و تست گرفته تا عملیات و بهره‌وری پروژه در سازمان‌های نرم‌افزاری مدرن.

✨ ویژگی‌های کلیدی

⚙️ LLMها رو با مثال‌های عملی Enterprise در ورک‌فلوهای مدرن DevOps، هم در توسعه و هم در عملیات، به کار میگیری

🧠 در معماری‌های GPT، Fine-Tuning، RAG و سیستم‌های مبتنی بر ایجنت درک عمیق‌تری پیدا میکنی

🚀 پایپ‌لاین‌های تحویل نرم‌افزار رو با اتوماسیون مبتنی بر AI و هوشمندی عملیاتی قوی‌تر میکنی

📘 توضیح کتاب

🔧 اگر در DevOps، SRE، Platform Engineering، تحویل نرم‌افزار، عملیات، تست یا امنیت کار میکنی، این کتاب نشون میده مدل‌های زبانی بزرگ یا LLMها چطور میتونن اصطکاک فرایند تحویل رو کمتر کنن، دید بهتری نسبت به عملیات بدن و از ورک‌فلوهای مهندسی قابل‌اعتمادتر پشتیبانی کنن. این کتاب رو متخصص‌های تحول دیجیتال و تحویل نرم‌افزار در محیط‌های Enterprise نوشته‌اند و تمرکزش روی اینه که LLMها رو از آزمایش‌های جداافتاده بیرون بیاره و وارد سیستم‌های عملی تحویل نرم‌افزار کنه.

🧠 اول پایه‌های لازم برای فهم سیستم‌های مدرن AI رو میسازی؛ از تکامل مدل‌های زبانی و معماری Transformer گرفته تا تولید متن به سبک GPT و تکنیک‌های کارآمد Fine-Tuning مثل LoRA و QLoRA. بعد کتاب این پایه‌ها رو به پترن‌های آماده Enterprise وصل میکنه؛ مثل Retrieval-Augmented Generation یا RAG، سیستم‌های چندایجنتی و دستیارهای AI مبتنی بر پلتفرم. در سناریوهای مربوط به عملیات، تست، کدنویسی، مدیریت پروژه و Cybersecurity میبینی LLMها چطور میتونن در تحلیل Log، مدیریت Ticket، تحلیل Root Cause، تولید تست، تولید کد، مدیریت ریسک و ورک‌فلوهای امنیتی کمک کنن.

🎯 تا پایان کتاب، میفهمی چطور از آزمایش با مدل‌ها به تحویل عملی مبتنی بر AI برسی، بررسی کنی LLMها در کدوم بخش‌های ورک‌فلوهای DevOps، SRE و Platform Engineering ارزش قابل‌اندازه‌گیری ایجاد میکنن، و محدودیت‌ها، ریسک‌ها و ملاحظات Governance مربوط به استفاده از اون‌ها رو بشناسی.

🎯 چیزهایی که یاد میگیری

🔎 پترن‌های RAG و چندایجنتی رو در سناریوهای Enterprise مربوط به تحویل نرم‌افزار و Platform Engineering به کار میگیری

🛠️ از LLMها برای تسک‌های عملیاتی مثل تحلیل Log، مدیریت Ticket، پاسخ به Incident و تحلیل Root Cause استفاده میکنی

🧪 بررسی میکنی LLMها چطور میتونن تست نرم‌افزار، تحلیل Static، برطرف کردن Vulnerabilityها و ورک‌فلوهای اتوماسیون تست رو بهتر کنن

💻 از Code LLMها در ورک‌فلوهای توسعه استفاده میکنی؛ از تولید و تکمیل کد گرفته تا کمک در Code Review و تسک‌های کدنویسی در سطح پروژه

📋 از LLMها برای مدیریت پروژه، هماهنگی تحویل، تحلیل ریسک و ورک‌فلوهای Cybersecurity استفاده میکنی

⚖️ ارزش عملی، ریسک‌ها و محدودیت‌های وارد کردن LLMها به محیط‌های DevOps، SRE و Platform Engineering رو ارزیابی میکنی

👤 این کتاب برای چه کسانیه؟

👨‍💻 این کتاب برای مهندس‌های نرم‌افزار، متخصص‌های DevOps و SRE، تیم‌های QA و امنیت، و مدیرهای فنی نوشته شده که میخوان LLMها رو در کل چرخه تحویل نرم‌افزار به کار بگیرن و وارد عملیات واقعی کنن.

📖 فهرست مطالب

فصل ۱. فهم پایه‌های مدل‌های زبانی بزرگ

فصل ۲. فهم معماری Transformer پشت مدل‌های زبانی بزرگ

فصل ۳. دنبال کردن مسیر از مدل‌های Bigram تا GPT و ChatGPT

فصل ۴. به‌کارگیری تکنیک‌های کارآمد Fine-Tuning برای LLMها

فصل ۵. ساخت اپلیکیشن‌های AI سازمانی با RAG و سیستم‌های چندایجنتی

فصل ۶. ساخت پایه مدرن برای تحویل نرم‌افزار

فصل ۷. به‌کارگیری LLMها در عملیات و نگهداری هوشمند

فصل ۸. به‌کارگیری LLMها در تست نرم‌افزار

فصل ۹. به‌کارگیری Code LLMها در توسعه نرم‌افزار

فصل ۱۰. به‌کارگیری LLMها در مدیریت پروژه

فصل ۱۱. به‌کارگیری LLMها در Cybersecurity

👤 درباره نویسندگان

👨‍💼 گو هوانگ‌لیانگ متخصص ارشد DevOps و تحول دیجیتال Enterprise است و تجربه گسترده‌ای در بهره‌وری مهندسی و سیستم‌های عملیات هوشمند داره. او در یک مؤسسه مالی دارای مجوز کار میکنه و به‌عنوان Tencent Cloud Most Valuable Professional یا TVP و Alibaba Cloud Most Valuable Professional یا MVP شناخته میشه. او عضو چند کمیته تخصصی ملی در حوزه تحول دیجیتال، FinTech و استانداردهای کلاد است و کتاب پرفروش DevOps Authoritative Guide رو نوشته. همین‌طور یکی از مشارکت‌کننده‌های اصلی در DevOps Capability Maturity Model و Enterprise IT Operations Development White Paper است و به‌طور مرتب در کنفرانس‌های بزرگ تکنولوژی سخنرانی میکنه.

👨‍🔬 ژنگ چینگ‌ژنگ پژوهشگر ارشد در FinTech Research Center است و دکترای علوم کامپیوتر از Durham University داره. او قبلاً در Huawei مهندس بوده و روی کنترل ریسک Big Data مالی و سیستم‌های هوشمند تخصص داره. ژنگ پژوهش‌های منتشرشده و نوآوری‌های ثبت‌شده‌ای در حوزه تکنولوژی‌های کاربردی AI داره.

👩‍💼 نیو شیائولینگ رئیس DevOps Standards Working Group و ویراستار استانداردهای بین‌المللی DevOps است. او در بیش از ۲۰ استاندارد ملی و بین‌المللی کلاد و DevOps، از جمله DevOps Capability Maturity Model، مشارکت داشته و ارزیابی بلوغ بیش از ۵۰ پروژه Enterprise رو رهبری کرده.

👨‍💼 چه شین معاون مدیر در China Academy of Information and Communications Technology یا CAICT است و روی تحول دیجیتال Enterprise، استانداردهای Cloud Computing و عملیات هوشمند تخصص داره. او پژوهش‌ها، توسعه استانداردها و فرایندهای ارزیابی مربوط به زیرساخت دیجیتال و مدل‌های بلوغ تحول رو رهبری میکنه.

A practical guide to applying LLMs across the software development and delivery lifecycle, improve development, testing, operations, and project efficiency across modern software organizations.

Key Features

• Apply LLMs to modern DevOps workflows across development and operations with practical enterprise examples
• Build architectural fluency in GPT, fine-tuning, RAG, and agent-based systems
• Strengthen software delivery pipelines with AI-informed automation and operational intelligence

Book Description

If you work in DevOps, SRE, platform engineering, software delivery, operations, testing, or security, this book shows how large language models (LLMs) can reduce delivery friction, improve operational visibility, and support more reliable engineering workflows. Written by enterprise digital transformation and delivery specialists, it focuses on moving LLMs beyond isolated experiments into practical software delivery systems.

You will build the LLM foundations needed to understand modern AI systems, including language model evolution, Transformer architecture, GPT-style generation, and efficient fine-tuning techniques such as LoRA and QLoRA. The book then connects these foundations to enterprise-ready patterns such as retrieval-augmented generation (RAG), multi-agent systems, and platform-based AI assistance. Through operations, testing, coding, project management, and cybersecurity scenarios, you will see how LLMs can support log analysis, ticket handling, root cause analysis, test generation, code generation, risk management, and security workflows.

By the end of the book, you will understand how to move from model experimentation to practical AI-assisted delivery, evaluate where LLMs create measurable value across DevOps, SRE, and platform engineering workflows, and recognize the constraints, risks, and governance considerations involved.

What you will learn

• Apply RAG and multi-agent patterns to enterprise software delivery and platform engineering scenarios
• Use LLMs to support operations tasks such as log analysis, ticket handling, incident response, and root cause analysis
• Explore how LLMs can improve software testing, static analysis, vulnerability repair, and test automation workflows
• Apply code LLMs to development workflows, including code generation, completion, review support, and project-level coding tasks
• Use LLMs to support project management, delivery coordination, risk analysis, and cybersecurity workflows
• Evaluate the practical value, risks, and constraints of introducing LLMs into DevOps, SRE, and platform engineering environments

Who this book is for

This book is for software engineers, DevOps and SRE professionals, QA and security teams, and technical managers who want to apply and operationalize LLMs across the software delivery lifecycle.

Table of Contents

1. Understanding the Foundations of Large Language Models
2. Understanding the Transformer Architecture Behind Large Language Models
3. Tracing the Path from Bigram Models to GPT and ChatGPT
4. Applying Efficient Fine-Tuning Techniques to LLMs
5. Building Enterprise AI Applications with RAG and Multi-Agent Systems
6. Building a Modern Software Delivery Foundation
7. Applying LLMs in Intelligent Operations and Maintenance
8. Applying LLMs in Software Testing
9. Applying Code LLMs in Software Development
10. Applying LLMs in Project Management
11. Applying LLMs in Cybersecurity

About the Author

Gu Huangliang is a senior DevOps and enterprise digital transformation specialist with extensive experience in engineering productivity and intelligent operations systems. He works at a licensed financial institution and is recognized as a Tencent Cloud Most Valuable Professional (TVP) and Alibaba Cloud Most Valuable Professional (MVP). He serves on multiple national-level expert committees related to digital transformation, fintech, and cloud standards, and is the author of the best-selling DevOps Authoritative Guide. He is also a core contributor to the DevOps Capability Maturity Model and Enterprise IT Operations Development White Paper, and a frequent speaker at major technology conferences.

Zheng Qingzheng is a senior researcher at the FinTech Research Center with a PhD in Computer Science from Durham University. Formerly an engineer at Huawei, he specializes in financial big data risk control and intelligent systems, with published research and patented innovations in applied AI technologies.

Niu Xiaoling is Chair of the DevOps Standards Working Group and Editor of DevOps international standards. She has contributed to over 20 national and international cloud and DevOps standards, including the DevOps Capability Maturity Model, and has led maturity assessments for more than 50 enterprise projects.

Che Xin is Deputy Director at the China Academy of Information and Communications Technology (CAICT), specializing in enterprise digital transformation, cloud computing standards, and intelligent operations. He leads research, standards development, and evaluation initiatives related to digital infrastructure and transformation maturity models.