کتاب Building Complex Multi-Agent Systems Using Pattern Prompting: A guide to building robust and secure GenAI applications using software engineering best practices (ساخت سیستمهای چندعاملی پیچیده با استفاده از قالبپرامپتی (Pattern Prompting): راهنمایی برای ساخت برنامههای هوش مصنوعی مولد (GenAI) مقاوم و ایمن با استفاده از بهترین شیوههای مهندسی نرمافزار) یک راهنمای عملی برای توسعهدهندگانی است که میخواهند سیستمهای چندعاملی مبتنی بر هوش مصنوعی مولد (GenAI) را با رویکردی اصولی و مهندسیشده طراحی کنند.
نویسنده کتاب Building Complex Multi-Agent Systems Using Pattern Prompting با معرفی تکنیک «الگوپرامپتی» (Pattern Prompting) نشان میدهد که چگونه میتوان با بهرهگیری از بهترین شیوههای مهندسی نرمافزار (مانند جداسازی نگرانیها، تستپذیری، مدیریت خطا و مستندسازی)، عواملی هوشمند ساخت که در تعامل با یکدیگر، وظایف پیچیده را به صورت قابل اعتماد و ایمن انجام دهند.
در ادامه مقدمهای از کتاب Building Complex Multi-Agent Systems Using Pattern Prompting را از زبان نویسنده شرح خواهیم داد.
مقدمهای بر کتاب Building Complex Multi-Agent Systems Using Pattern Prompting:
ما شاهد یکی از مهمترین تغییرات فناورانه در تاریخ مهندسی نرمافزار هستیم. هوش مصنوعی مولد (GenAI) با نیروی یک سونامی وارد شده است و مانند تمام موجهای بزرگ قبلی — اینترنت، رایانش ابری و موبایل — هم فرصت واقعی به همراه دارد و هم هیاهوی بسیار. تا سال ۲۰۲۵، تیترهای خبری به سختی قابل چشمپوشی بودند: «۹۵ درصد از پروژههای آزمایشی هوش مصنوعی مولد در شرکتها شکست خوردهاند.» بخش بزرگی از این شکستها ناشی از شکاف دانش عمیق بین مهندسانی است که میدانند چگونه نرمافزار با کیفیت تولیدی (production-quality) بسازند و متخصصانی که در زمینه هوش مصنوعی و عاملهای هوش مصنوعی (agentic AI) فعالیت میکنند.
کتاب Building Complex Multi-Agent Systems Using Pattern Prompting از منظر مهندسی این شکاف را پر میکند و مروری مختصر و مفید از آنچه مهندسان و معماران برای شروع ساخت برنامههای هوش مصنوعی مولد نیاز دارند، ارائه میدهد. این کتاب با تمرکز بر مفاهیم بنیادین، مرتبط ساختن این مفاهیم با شیوههای جاافتادهٔ مهندسی و پرهیز هدفمند از اصطلاحات غیرضروری، به خوانندگان کمک میکند تا به سرعت با فناوریها و بهترین شیوههای هوش مصنوعی مولد آشنا شوند.
کتاب Building Complex Multi-Agent Systems Using Pattern Prompting با در نظر گرفتن نیازهای مهندسان، روششناسی جدیدی برای کار با عاملهای کدنویس به نام «برنامهنویسی راهنما-محور با الگو» (Pattern-Guided Coding یا PGC) معرفی میکند. PGC با برقراری ارتباط از طریق الگوهای نرمافزاری شناختهشده، به ویژه الگوهای کتاب «گنگ آو فور» (Gang of Four) و «الگوهای یکپارچهسازی سازمانی» (Enterprise Integration Patterns)، خطاها را کاهش میدهد. الگوها زبانی دقیق و مهندسی ارائه میکنند که برای کاهش سوءتفاهم در تیمهای نرمافزاری طراحی شده است. از آنجا که عاملهای کدنویس روی این مجموعهدادههای کوچکتر، بسیار دقیق و دارای سازگاری درونی آموزش میبینند، نه روی میلیاردها خط کد دلخواه، پدیده توهم (hallucination) بسیار نادرتر و تشخیص آن آسانتر میشود.
PGC شامل یک پرامپت (دستور) قابل استفادهٔ مجدد یا «مهارت» به نام Topologos است که قادر است از طریق یک دستور واحد، فریمورکهایی امن، مقیاسپذیر و قابل اعتماد تولید کند:
`/pattern react + tool-use with critic-gate, circuit-breaker high-throughput regulated multi-tenant retry-5`
از ویژگیهای کلیدی این کتاب میتوان به ساخت سیستمهای عاملی (agentic systems) کاملاً قابل استقرار، امن و مقیاسپذیر با RabbitMQ؛ ارائه راهنمایی مهندس به مهندس با تمرکز بر معماریهای عاملی عملی؛ و استفاده از پرامپتهای Topologos برای ساخت، اصلاح و آزمایش سیستمهای چندعاملی قابل استقرار اشاره کرد.
پشتیبانی از اکثر الگوهای عاملی در کتاب گنجانده شده است، بنابراین نیازی به پذیرش بسیاری از فریمورکهای موجود در بازار نیست. کد تولیدشده برای مهندسان سازمانی آشنا باقی میماند، زیرا از استانداردهای معماری جاافتاده پیروی میکند.
کتاب Building Complex Multi-Agent Systems Using Pattern Prompting برای چه کسانی است؟
این کتاب برای مهندسان نرمافزار باتجربه، معماران و رهبران فنی نوشته شده است که میخواهند هوش مصنوعی مولد را بدون کنار گذاشتن اصول و استانداردهای مهندسی که نرمافزار خوب را تعریف میکند، به جعبه ابزار خود اضافه کنند. فرض بر این است که با مفاهیم توسعه نرمافزار آشنایی دارید، اما پیشدانش هوش مصنوعی، یادگیری ماشین، RabbitMQ یا Airbyte الزامی نیست. هر آنچه باید در مورد این ابزارها بدانید، در بافت مناسب معرفی میشود.
در پایان کتاب Building Complex Multi-Agent Systems Using Pattern Prompting، شما برای انجام سه کار مجهز خواهید شد. اول، میتوانید برنامههای هوش مصنوعی مولد بسازید که با اطمینان در محیط تولید (production) مستقر شوند: امن، قابل اعتماد، مقیاسپذیر و قابل مشاهده (observable). دوم، میتوانید این کار را با استفاده از ابزارها و الگوهایی انجام دهید که کل تیم شما بتواند آنها را درک و نگهداری کند، بدون اینکه جزایر دانش و بدهی فنی ایجاد کنید که باعث شکست پروژههای هوش مصنوعی بسیاری شده است.
سوم، میتوانید در مورد معماری هوش مصنوعی مولد از روی اصول اولیه استدلال کنید — معماریهای خرد (microarchitectures) خود را طراحی کنید، گزینههای خود را ارزیابی کنید و تصمیماتی بگیرید که سالها به جای ماهها به پروژه شما خدمت کنند.
آنچه کتاب Building Complex Multi-Agent Systems Using Pattern Prompting پوشش میدهد
فصل ۱، مقدمه — الگوها، انتزاعها و چشمانداز هوش مصنوعی مولد، پایهٔ مفهومی کتاب را ایجاد میکند. اصطلاحات هوش مصنوعی مولد را به الگوهای نرمافزاری جاافتاده نگاشت میکند، هماهنگی مرکزی (orchestration) و هماهنگی توزیعشده (choreography) را معرفی میکند، فناوریهای اصلی مانند مدلهای زبانی بزرگ (LLM) و دروننهفتهها (embeddings) را مرور میکند و استفاده از معماریهای خرد و ابزارهای پشتیبان مانند RabbitMQ و Airbyte را توضیح میدهد.
فصل ۲ کتاب Building Complex Multi-Agent Systems Using Pattern Prompting، دروننهفتههای برداری (Vector Embeddings): زبان هوش مصنوعی مولد، توضیح میدهد که چگونه دروننهفتهها معنای معنایی را به صورت بردار نمایش میدهند و بازیابی مبتنی بر شباهت را امکانپذیر میسازند. مفاهیم شباهت کسینوسی (cosine similarity)، انتخاب مدل، استراتژیهای تکهتکه کردن (chunking) و ملاحظات پیادهسازی عملی را پوشش میدهد و خوانندگان را برای طراحی سیستمهای مؤثر ذخیره و بازیابی اسناد برای برنامههای مبتنی بر مدلهای زبانی بزرگ توانمند میسازد.
فصل ۳ کتاب Building Complex Multi-Agent Systems Using Pattern Prompting، ساختن با هوش مصنوعی مولد: پارامترها، تنظیم (Tuning) و فازهای پروژه، به ماهیت پارامتر-محور توسعه هوش مصنوعی مولد میپردازد. از طریق یک مثال عملی، تعاملات بین استراتژی تکهتکه کردن، انتخاب مدل دروننهفته، پیکربندی پرسوجوی پایگاه دادهٔ برداری، دمای مدل و طراحی پرامپت را بررسی میکند و راهنمایی ساختاریافته برای مدیریت پروژه در فازهای آغاز، تکرار و تکمیل ارائه میدهد.
فصل ۴ کتاب Building Complex Multi-Agent Systems Using Pattern Prompting، ساختن اولین برنامهٔ RAG خود، نحوهٔ ساخت یک سیستم RAG در سطح تولید را با استفاده از RabbitMQ نشان میدهد. آمادگی برای تولید (production readiness) را از طریق ویژگیهای کلیدی سیستم تعریف میکند و الگوهای طراحی جاافتاده مانند قطع کنندهٔ مدار (Circuit Breaker) و تلاش مجدد (Retry) را برای ایجاد یک برنامهٔ مقیاسپذیر، قابل اعتماد و قابل نگهداری آماده برای سازمان به کار میبرد.
فصل ۵ کتاب Building Complex Multi-Agent Systems Using Pattern Prompting، شروع پروژهٔ مهاجرت داده، بر آمادهسازی دادههای سازمانی برای سیستمهای هوش مصنوعی مولد تمرکز دارد. انواع سند، چالشهای پیشپردازش و استراتژیهای ورود داده در مقیاس بزرگ، همراه با ملاحظات برنامهریزی مانند مدیریت خطا، طراحی طبقهبندی (taxonomy) و ارزیابی بازیابی را پوشش میدهد تا از خطوط لوله داده (pipelines) با کیفیت و بهینه اطمینان حاصل شود.
فصل ۶ کتاب Building Complex Multi-Agent Systems Using Pattern Prompting، ورود داده با استفاده از Airbyte و Pinecone، یک خط لولهٔ کامل ETL (استخراج، تبدیل، بارگیری) را برای دروننهفته کردن و ذخیرهسازی اسناد میسازد. الگوهای یکپارچهسازی پشت Airbyte را توضیح میدهد، راهاندازی و پیکربندی را راهنمایی میکند و گردشهای کاری ورود داده از سیستمهای منبع به Pinecone را نشان میدهد، از جمله اعتبارسنجی و آزمایش خروجیهای خط لوله.
فصل ۷ کتاب Building Complex Multi-Agent Systems Using Pattern Prompting، نکات و بهترین شیوهها، راهنمایی عملی برای پروژههای هوش مصنوعی مولد از جمله آزمایش تکراری (iterative experimentation)، طراحی معماری، ملاحظات امنیتی و مدیریت هزینه را گردآوری میکند. به مباحثی مانند انحراف مدل (model drift)، اعتبارسنجی تجربه کاربری (UX)، انطباق با مقررات (compliance) و بهینهسازی توکن میپردازد و مرجعی برای مدیریت استقرارهای واقعی در طول چرخهٔ عمر پروژه فراهم میکند.
فصل ۸ کتاب Building Complex Multi-Agent Systems Using Pattern Prompting، برنامهنویسی راهنما-محور با الگو (Pattern-Guided Coding): استفاده از الگوها به عنوان واژگان طراحی برای سیستمهای هوش مصنوعی مولد ساختهشده روی RabbitMQ، رویکردی ساختاریافته برای توسعهٔ مبتنی بر مدل زبانی بزرگ (LLM-assisted) با استفاده از الگوهای طراحی نرمافزاری جاافتاده و الگوهای یکپارچهسازی سازمانی (EIP) معرفی میکند. این فصل Topologos را ارائه میدهد، سیستمی برای تولید معماریهای تأییدشده مبتنی بر RabbitMQ، و نشان میدهد که چگونه میتوان از بهبود تکراری توپولوژی صف، استراتژیهای مسیریابی، امنیت و مدیریت خطا برای طراحی سیستمهای هوش مصنوعی مولد آمادهٔ تولید استفاده کرد.
همچنین نشان میدهد که چگونه سیستمهای کامل قابل استقرار، شامل مانیفستها، تولیدکنندگان (producers)، مصرفکنندگان (consumers) و پیکربندیهای عملیاتی، میتوانند از مشخصات مبتنی بر الگوهای تأییدشده تولید شوند.
فصل ۹ کتاب Building Complex Multi-Agent Systems Using Pattern Prompting، پیادهسازی الگوی ReAct روی RabbitMQ، یک برنامهٔ سفارشی میسازد که الگوی عاملی ReAct را با استفاده از یک سیستم پیامرسان توزیعشده مبتنی بر RabbitMQ پیادهسازی میکند. این فصل کارگرهای ابزار (tool workers) مقیاسپذیر، تولیدکنندگان و مصرفکنندگان پیام، شناسههای همبستگی (correlation IDs)، مدیریت تلاش مجدد و توپولوژی صف ناموفق (dead-letter queue) را بررسی میکند. همچنین خواهید دید که چگونه تصمیمات عامل به مبادلات (exchanges)، صفها و الگوهای مسیریابی RabbitMQ ترجمه میشوند تا برنامههای چندعاملی مقاوم، مقیاسپذیر و امن ایجاد شوند.
فصل ۱۰ کتاب Building Complex Multi-Agent Systems Using Pattern Prompting، آینده و محدودیتهای مدلهای زبانی بزرگ، مرزهای بنیادین مدلهای زبانی بزرگ را بررسی میکند و این پرسش را مطرح میکند که آیا سیستمهای هوش مصنوعی واقعاً میتوانند استدلال کنند، درک کنند یا از آنچه انجام میدهند آگاه شوند؟ این فصل با تکیه بر آثار اندیشمندان و دانشمندان برجسته، نقدی دقیق از ادعاهای پیرامون هوش عمومی مصنوعی (AGI) و هوش ماشینی ارائه میدهد. موضوعاتی از جمله استدلال، آگاهی، محاسبه و محدودیتهای یادگیری آماری را بررسی میکند، در حالی که نقاط قوت واقعی مدلهای زبانی بزرگ را از هیاهوی پیرامونشان جدا میسازد.
پیوست الف، مرجع الگوها: الگوهای GoF، یکپارچهسازی سازمانی (EIP)، قابلیت اطمینان و معماریهای خرد هوش مصنوعی مولد، به عنوان یک مرجع فشرده برای الگوهای معماری استفادهشده در سراسر کتاب عمل میکند. الگوهای کلاسیک GoF، الگوهای یکپارچهسازی سازمانی (EIP)، الگوهای قابلیت اطمینان و معماریهای خرد هوش مصنوعی مولد را گرد هم میآورد و نشان میدهد که چگونه در سیستمهای توزیعشدهٔ مدرن مبتنی بر هوش مصنوعی و RabbitMQ به کار میروند.
پیوست ب، راهنمای کاربر Topologos، به عنوان یک راهنمای عملی برای استفاده از Topologos در طراحی معماریهای عاملی مبتنی بر RabbitMQ عمل میکند. این راهنما شامل مرجع دستورات، گردشهای کاری، راهنمای استقرار، مثالهای عملی، پرسشهای متداول، بخشهای عیبیابی و بهترین شیوهها برای ساخت و اعتبارسنجی سیستمهای توزیعشدهٔ آمادهٔ تولید است.
سرفصلهای کتاب Building Complex Multi-Agent Systems Using Pattern Prompting:
- Preface
- Chapter 1: Introduction: Patterns, Abstractions, and the GenAI Landscape
- Chapter 2: Embeddings: The Language of AI
- Chapter 3: Building with GenAI: Parameters, Tuning, and Project Phases
- Chapter 4: Building Your First RAG App
- Chapter 5: Starting Your Data Migration Project
- Chapter 6: Ingesting Data Using Airbyte and Pinecone
- Chapter 7: Tips and Best Practices
- Chapter 8: Pattern-Guided Coding: Using Patterns as the Design Vocabulary for GenAI Systems Built on RabbitMQ
- Chapter 9: Implementing the ReAct Pattern Over RabbitMQ
- Chapter 10: The Future and Limitations of LLMs
- Appendix A: Pattern Reference: GoF, Enterprise Integration, Reliability, and GenAI Microarchitecture Patterns
- Appendix B: Topologos User Manual
- Appendix C: Unlock Your Exclusive Benefits
- Index
جهت دانلود کتاب Building Complex Multi-Agent Systems Using Pattern Prompting میتوانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.