🤖 از LLM و RAG تا ساخت AI Agentهای آماده استقرار

🚀 این کتاب یک راهنمای پروژه‌محور برای درک، ساخت و استقرار راهکارهای قدرتمند AI با استفاده از Large Language Modelها، RAG، Agentic AI و Chatbotهای هوشمند است. مسیر آموزش از معماری LLM، Tokenization، API و Fine-Tuning آغاز می‌شود و به ساخت Agentهای خودمختار، اپلیکیشن‌های چندوجهی و سیستم‌های آماده Production می‌رسد.

✨ ویژگی‌های کلیدی

🧠 ساخت Chatbotها و ابزارهای هوشمند با مدل‌هایی مانند GPT، LLaMA و Mistral به‌صورت گام‌به‌گام آموزش داده می‌شود.

🔍 با ترکیب LLM و Vector Databaseهایی مثل FAISS و Pinecone، سیستم‌های دقیق و Context-Aware ساخته می‌شوند.

🤖 طراحی AI Agentهایی بررسی می‌شود که می‌توانند برنامه‌ریزی کنند، Workflowهای پیچیده را اجرا کنند و وظایف چندمرحله‌ای را به پایان برسانند.

💬 با Prompt Engineering، Memory و ابزارهای Multimodal، اپلیکیشن‌های واقعی و قابل‌ارائه در Portfolio توسعه داده می‌شوند.

🚀 موضوعاتی مانند Model Serving، بهینه‌سازی Inference، استقرار Cloud و Edge، Observability، امنیت و Responsible AI نیز پوشش داده می‌شوند.

📘 توضیح کتاب

🧩 ساخت یک سیستم AI واقعی فقط به ارسال Prompt به یک مدل محدود نمی‌شود. این کتاب نشان می‌دهد چگونه LLMها به منابع دانش، حافظه، ابزارها، Vector Databaseها و Workflowهای Agentic متصل می‌شوند تا راهکارهایی کاربردی و قابل‌استقرار شکل بگیرند.

🏗️ آموزش با مفاهیم پایه آغاز می‌شود؛ از معماری Large Language Modelها و Tokenization گرفته تا ساختار Transformer، روش‌های Fine-Tuning و Alignment. سپس نحوه کار با LLM APIها بررسی می‌شود تا خواننده بتواند مدل‌های زبانی را در اپلیکیشن‌های واقعی به کار بگیرد.

💬 در ادامه، مراحل طراحی اولین AI Chatbot آموزش داده می‌شود. هدف فقط ساخت یک رابط گفت‌وگو نیست؛ بلکه Chatbot باید نیاز کاربر را درک کند، Context را حفظ کند و پاسخ‌های مرتبط‌تر و کاربردی‌تری ارائه دهد.

🔍 بخش RAG توضیح می‌دهد چگونه اطلاعات اختصاصی و به‌روز بدون آموزش دوباره مدل در اختیار LLM قرار می‌گیرند. با استفاده از FAISS و Pinecone، اسناد به Embedding تبدیل می‌شوند، در Vector Database قرار می‌گیرند و هنگام پاسخ‌گویی، مرتبط‌ترین اطلاعات بازیابی می‌شوند.

📚 یکی از پروژه‌های عملی کتاب، ساخت یک Personal Knowledge Search است که می‌تواند میان یادداشت‌ها جست‌وجو کند. این پروژه مفاهیم Chunking، Embedding، Retrieval و تولید پاسخ مبتنی بر Context را در یک سیستم کامل کنار هم قرار می‌دهد.

🤖 بعد از Chatbotها، نوبت به Agentic AI می‌رسد. خواننده یاد می‌گیرد Agentهایی طراحی کند که یک هدف را دریافت می‌کنند، مراحل انجام آن را برنامه‌ریزی می‌کنند، از ابزارهای مختلف کمک می‌گیرند و وظایف چندمرحله‌ای را با استقلال بیشتری پیش می‌برند.

📅 پروژه‌هایی مانند ساخت Personal Assistant و Scheduling Agent نشان می‌دهند Agentها چگونه می‌توانند اطلاعات را پیدا کنند، تصمیم بگیرند و Workflowهای واقعی را برای Automation و Decision-Making اجرا کنند.

🛠️ رویکرد کتاب کاملاً پروژه‌محور است. هر فصل شامل توضیحات بصری، بررسی مرحله‌به‌مرحله کد و مثال‌های آماده Deployment است تا مفاهیم نظری بلافاصله در قالب یک سیستم قابل‌اجرا پیاده‌سازی شوند.

⚡ در بخش‌های پیشرفته‌تر، Model Serving و Inference Optimization بررسی می‌شوند. این مطالب کمک می‌کنند مدل‌ها با Latency کمتر، استفاده بهینه‌تر از منابع و مقیاس‌پذیری مناسب‌تری در اختیار کاربران قرار بگیرند.

☁️ روش‌های استقرار در محیط‌های Cloud، Edge و Hybrid نیز آموزش داده می‌شوند. به این ترتیب می‌توان براساس محدودیت‌های هزینه، سرعت، حریم خصوصی و زیرساخت، معماری مناسب هر پروژه را انتخاب کرد.

📊 پس از استقرار، Monitoring و Observability اهمیت پیدا می‌کنند. کتاب نشان می‌دهد چگونه عملکرد مدل، کیفیت پاسخ‌ها، خطاها، مصرف منابع و رفتار سیستم در محیط واقعی بررسی شوند تا مشکلات زودتر شناسایی و اصلاح شوند.

🛡️ موضوع Responsible AI و Safety در کنار Governance، Compliance و Security پوشش داده می‌شود. هدف این است که راهکارهای AI علاوه بر توان فنی، از نظر امنیت، مسئولیت‌پذیری و الزامات سازمانی نیز برای کاربردهای واقعی آماده باشند.

🌐 ساختار روشن و فراگیر کتاب کمک می‌کند خواننده از شناخت مقدماتی LLMها به سمت اپلیکیشن‌های پیچیده حرکت کند. چه هدف آشنایی با Agentic AI باشد و چه ساخت سیستم‌های Production-Ready، مطالب کتاب ابزارهای لازم برای تبدیل ایده به یک راهکار عملی را فراهم می‌کنند.

🎯 در پایان، خواننده می‌تواند Chatbotهای هوشمند، RAG Pipelineها و AI Agentهای خودمختار بسازد، آن‌ها را در زیرساخت‌های مختلف مستقر کند و با Monitoring، Security و Responsible AI برای استفاده واقعی آماده نگه دارد.

🎓 چیزهایی که یاد می‌گیرد

🧠 با معماری LLM، Tokenization، Transformer، Fine-Tuning و Alignment آشنا می‌شود.

🔗 نحوه اتصال به LLM APIها و استفاده از مدل‌هایی مانند GPT، LLaMA و Mistral را یاد می‌گیرد.

💬 Chatbotهای هوشمندی می‌سازد که Context و نیازهای کاربر را درک می‌کنند.

🔍 با ترکیب LLM و Vector Databaseهایی مانند FAISS و Pinecone، سیستم‌های RAG دقیق و Context-Aware ایجاد می‌کند.

📚 یک سیستم Personal Knowledge Search برای جست‌وجو و پاسخ‌گویی براساس یادداشت‌ها می‌سازد.

🤖 AI Agentهایی طراحی می‌کند که می‌توانند برنامه‌ریزی کنند، ابزار به کار بگیرند و وظایف چندمرحله‌ای را اجرا کنند.

📅 Agentهای کاربردی مانند Personal Assistant و Scheduling Agent توسعه می‌دهد.

✍️ Prompt Engineering را برای کنترل بهتر رفتار و پاسخ‌های مدل به کار می‌گیرد.

💭 از Memory برای حفظ Context و ساخت تعاملات پیوسته‌تر استفاده می‌کند.

🖼️ ابزارها و ورودی‌های Multimodal را در اپلیکیشن‌های AI به کار می‌گیرد.

⚡ با Model Serving و Inference Optimization، سرعت و کارایی سیستم را بهبود می‌دهد.

☁️ اپلیکیشن‌های LLM را در محیط‌های Cloud، Edge و Hybrid مستقر می‌کند.

📊 عملکرد سیستم را با Monitoring و Observability بررسی می‌کند.

🛡️ اصول Responsible AI، Safety، Governance، Compliance و Security را در پروژه‌ها به کار می‌گیرد.

👤 این کتاب برای چه کسانی است؟

👨‍💻 این کتاب برای Machine Learning Engineerها، Data Scientistها و متخصصان AI نوشته شده که می‌خواهند سیستم‌های واقعی را با LLM، RAG، Agentic AI و Chatbotهای هوشمند طراحی و پیاده‌سازی کنند.

🧪 افرادی که با مفاهیم AI آشنا هستند اما می‌خواهند از آزمایش‌های ساده عبور کنند و به سمت پروژه‌های یکپارچه و آماده استقرار حرکت کنند، می‌توانند از مسیر عملی کتاب استفاده کنند.

📂 پروژه‌های کتاب برای افرادی که قصد دارند نمونه‌های قابل‌ارائه‌ای در Portfolio خود داشته باشند نیز مناسب‌اند؛ زیرا آموزش‌ها از مفاهیم اولیه تا Deployment، Monitoring و Security ادامه پیدا می‌کنند.

📖 فهرست مطالب

بخش اول. مبانی LLMها

فصل ۱. مقدمه‌ای بر Large Language Modelها

فصل ۲. درون Transformer: معماری‌های اصلی

فصل ۳. Fine-Tuning و Alignment

فصل ۴. کار با LLM APIها

بخش دوم. ساخت اپلیکیشن‌های هوشمند

فصل ۵. طراحی اولین AI Chatbot

فصل ۶. Retrieval-Augmented Generation یا RAG

فصل ۷. RAG در عمل: جست‌وجو در دانش شخصی

فصل ۸. Agentic AI: فراتر از Chatbotها

بخش سوم. مقیاس‌پذیری و استقرار اپلیکیشن‌های LLM

فصل ۹. پروژه: ساخت یک AI Agent خودمختار

فصل ۱۰. Model Serving و بهینه‌سازی Inference

فصل ۱۱. استقرار در Cloud، Edge و محیط‌های Hybrid

فصل ۱۲. Monitoring و Observability

فصل ۱۳. Responsible AI و Safety

بخش چهارم. اخلاق، حاکمیت و آینده

فصل ۱۴. Governance، Compliance و Security

فصل ۱۵. آینده LLMها و Agentic AI

👥 درباره نویسندگان

👨‍🏫 آجای راوات دارای مدرک PhD و Lecturer رشته Computing در Manchester Metropolitan University بریتانیاست. او بیش از ۲۰ سال سابقه فعالیت در محیط‌های دانشگاهی، صنعت و آموزش حرفه‌ای دارد.

☁️ آجای پیش‌تر به‌عنوان Data Engineer در Hartree Centre وابسته به STFC و UKRI فعالیت کرده و هدایت پروژه‌های راهبردی در زمینه Data Engineering، AI و سیستم‌های LLM/RAG روی Cloud Platformها را بر عهده داشته است.

🎓 او Authorized Instructor شرکت‌های Databricks، Google Cloud و Confluent است و بیش از ۴۰۰ دوره آموزشی بین‌المللی برای متخصصان سازمان‌هایی مانند Google، Citibank، Walmart و PayPal برگزار کرده است.

🏆 آجای به‌دلیل کیفیت بالای تدریس و تأثیرگذاری بر یادگیرندگان، جایزه Pluralsight Elite Instructor Award را دریافت کرده است. او همچنین سابقه فعالیت به‌عنوان Assistant Professor را دارد و بیش از ۱۳ سال در آموزش عالی تدریس کرده است.

📜 او دارای PhD در Computer Science and Engineering، مدرک MS از BITS Pilani و بیش از ۱۴ گواهی‌نامه حرفه‌ای از Databricks، Google Cloud و Confluent است. حوزه‌های پژوهشی او Fault Tolerance در Cloud Computing، سیستم‌های مبتنی بر AI و Deep Learning را شامل می‌شوند.

🌐 آجای بنیان‌گذار SkillSage LTD است و در شهر Warrington بریتانیا زندگی می‌کند.

👨‍💻 واردان پاتاک، Senior Consultant، نویسنده و Corporate Trainer است که بیش از ۲۰ سال در IT و Management Consulting تجربه دارد. او همچنین بیش از ۱۰ سال به‌طور تخصصی در حوزه‌های Machine Learning، Deep Learning و Agentic AI فعالیت کرده است.

📘 او نویسنده کتاب Clone the Mind درباره AI Agentهاست؛ کتابی که نشان می‌دهد Agentic AI چگونه با استفاده از LangGraph و CrewAI می‌تواند نقش‌های تکراری را جایگزین کند و ساختار صنایع را تغییر دهد.

🛠️ واردان تجربه عملی گسترده‌ای در Python، Generative AI، RAG Pipelineها، Diffusion Modelها و Workflowهای سازمانی مبتنی بر MCP دارد.

🎤 او به‌عنوان یکی از مدرسان بین‌المللی پرتقاضا، بیش از ۱۰۰ دوره آموزشی برای متخصصان در ایالات متحده، کانادا، سنگاپور، دبی، استرالیا، اروپا و بریتانیا برگزار کرده است. موضوع این دوره‌ها Data Science، Machine Learning، Deep Learning و Agentic AI را برای مخاطبان دانشگاهی و سازمانی پوشش می‌دهند.

🎓 واردان دارای مدرک MCA از UP Technical University هند است و به‌عنوان AI Advisor در SkillSage فعالیت می‌کند. او در Greater Noida هند زندگی می‌کند.

This book is a hands-on guide designed to help readers understand, build, and deploy powerful AI solutions using Large Language Models (LLMs), Retrieval-Augmented Generation (RAG), agentic systems, and intelligent chatbots.

Starting with the fundamentals--LLM architecture, tokenization, APIs, and fine-tuning--the book gradually builds toward complex, integrated systems. Readers will learn to implement RAG pipelines using vector databases like FAISS and Pinecone, develop autonomous AI agents that complete multi-step tasks, and create real-world chatbots that understand and adapt to user needs. The approach is project-driven: each chapter includes visual explanations, step-by-step code walkthroughs, and deployment-ready examples. From building a personal assistant that searches your notes to creating a scheduling agent, every project reinforces both technical skills and applied understanding. It emphasizes clarity, inclusivity, and real-world relevance--helping readers move confidently from basic understanding to complex applications.

Whether you're exploring Agentic AI or looking to build production-ready systems, this book gives you the tools to turn curiosity into capability--and innovation into impact.

What you will learn:

• Build intelligent chatbots and tools using LLMs like GPT, LLaMA, and Mistral with guided development steps.
• Combine LLMs with vector databases like FAISS and Pinecone to create accurate, context-aware AI systems.
• Design AI agents capable of planning and executing complex workflows for automation and decision-making.
• Apply prompt engineering, memory, and multimodal tools to build real-world AI apps for your project portfolio.

Who this book is for:

Machine Learning engineers, data scientists, and AI professionals interested in learning how to build real-world AI systems using Large Language Models (LLMs), Retrieval-Augmented Generation (RAG), Agentic AI, and intelligent chatbots.

Table of Contents

Part I. Foundations of LLMs

Chapter 1. Introduction to Large Language Models

Chapter 2. Inside the Transformer: Core Architectures

Chapter 3. Fine-Tuning and Alignment

Chapter 4. Working with LLM APIs

Part II. Building Intelligent Applications

Chapter 5. Designing Your First AI Chatbot

Chapter 6. Retrieval-Augmented Generation (RAG)

Chapter 7. RAG in Action: Personal Knowledge Search

Chapter 8. Agentic AI: Beyond Chatbots

Part III. Scaling and Deploying LLM Applications

Chapter 9. Project: Building an Autonomous AI Agent

Chapter 10. Model Serving and Inference Optimization

Chapter 11. Cloud, Edge, and Hybrid Deployments

Chapter 12. Monitoring and Observability

Chapter 13. Responsible AI and Safety

Part IV. Ethics, Governance, and the Future

Chapter 14. Governance, Compliance, and Security

Chapter 15. The Future of LLMs and Agentic AI

About the Author

Ajay Rawat, PhD, is a Lecturer in Computing at Manchester Metropolitan University, UK, with over 20 years of experience spanning academia, industry, and professional training.

Previously a data engineer at the Hartree Centre, STFC (UKRI), he has led strategic projects in data engineering, AI, and LLM/RAG systems on cloud platforms. Ajay is an

Authorized Instructor for Databricks, Google Cloud, and Confluent, having delivered 400+ global training sessions to professionals at organizations including Google, Citibank,

Walmart, and PayPal. He was awarded the Pluralsight Elite Instructor Award for exceptional delivery quality and learner impact. A former assistant professor with over 13 years of higher-education teaching experience, Ajay holds a PhD in Computer Science and Engineering, an MS from BITS Pilani, and 14+ professional certifications from Databricks, Google Cloud, and Confluent. His research spans cloud computing fault tolerance, AI-driven systems, and deep learning. He is the founder of SkillSage LTD and is based in Warrington, UK.

Vardan Pathak is a senior consultant, author, and corporate trainer with over 20 years of experience in IT and management consulting and more than 10 years specializing in machine learning (ML), deep learning, and Agentic AI. He is the author of Clone the Mind, a book on AI Agents that demonstrates how Agentic AI can replace repetitive roles and reshape industries using LangGraph and CrewAI. Vardan brings hands-on expertise in Python, Generative AI, RAG pipelines, diffusion models, and MCP-based enterprise workflows.

A highly sought-after global trainer, he has delivered 100+ training programs to professionals across the United States, Canada, Singapore, Dubai, Australia, Europe, and the UK, covering data science, ML, deep learning, and Agentic AI for corporate and academic audiences. He holds an MCA from UP Technical University, India, and is a SkillSage AI Advisor. He is based in Greater Noida, India.