دوره ساخت اپلیکیشن‌های موبایل مجهز به هوش مصنوعی با RAG ،KMP و Flowise

آنچه یاد خواهید گرفت: درک کامل نحوه کار سیستم‌های RAG از ابتدا تا انتها - توکن‌ها، تعبیه‌ها، chunking، بازیابی، و توهمات ساخت یک backend کاملاً پیکربندی‌ شده برای RAG با استفاده از Flowise و Qdrant، همراه با جذب واقعی اسناد، جستجوی سمانتیک و یکپارچه‌سازی با LLM ساخت و انتشار یک کتابخانه چندسکویی Kotlin که با یک پایگاه کد واحد، Android و iOS و Desktop را پشتیبانی می‌کند و شامل streaming با SSE و معماری تمیز است گسترش یک ایجنت مبتنی بر RAG با ابزارهای بلادرنگ - داده‌ لایو API و وب اسکرپینگ، ماشین‌حساب و DateTime برای پاسخ‌گویی به پرسش‌هایی فراتر از پایگاه دانش مقایسه و ارزیابی LLMها (DeepSeek و Gemini و Claude و GPT و Grok و Ollama) و مدل‌های تعبیه شده با استفاده از OpenRouter و جدول رتبه‌بندی MTEB استقرار یک backend خودمیزبان Flowise روی یک VPS واقعی با محدودسازی نرخ و حفاظت از کلید API پیش‌نیازهای دوره داشتن کمی تجربه قبلی در توسعه اپلیکیشن موبایل (ترجیحاً Android) مورد انتظار است. نیازی به دانش قبلی در حوزه هوش مصنوعی نیست. توضیحات دوره اگر اپلیکیشن موبایل شما می‌توانست با استفاده از اسناد خودتان به پرسش‌ها پاسخ دهد، روی Android و iOS و Desktop، با backend که کاملاً در اختیار خودتان است، چه می‌شد؟ این دقیقاً همان چیزی است که این دوره آموزش می‌دهد. تا پایان دوره، مفاهیم نظری برایتان روشن می‌شوند، backend فعال خواهد بود و یک اپلیکیشن واقعی مجهز به هوش مصنوعی روی Android و iOS و Desktop اجرا می‌شود. این دوره برای توسعه‌دهندگان موبایل است که می‌خواهند اپلیکیشن‌های مجهز به هوش مصنوعی بسازند، بدون داشتن پیش‌زمینه‌ای در یادگیری ماشین اگر می‌دانید چگونه اپلیکیشن‌های Android یا iOS بسازید و مدتی است موج هوش مصنوعی را از دور دنبال می‌کنید و می‌پرسید چطور می‌توان وارد این حوزه شد، این دوره همان چیزی است که نیاز دارید. هر مفهوم از پایه توضیح داده می‌شود و هر جلسه نظری با پیاده‌سازی عملی، ابزارهای واقعی و کد همراه است. آنچه یاد خواهید گرفت: مبانی نظری - توضیح داده‌ شده برای توسعه‌دهندگان، نه پژوهشگران توکن‌ها، context windowها و توهمات دقیقاً چه هستند و چرا برای اپلیکیشن‌های موبایل اهمیت دارند. چشم‌انداز کامل فریمورک‌های RAG - بررسی LangChain و LlamaIndex و Haystack و DSPy و LangGraph و Flowise و Langflow و Dify و Firebase Genkit چگونه LLMs را در DeepSeek و Gemini و Claude و GPT و Grok و مدل‌های محلی Ollama با استفاده از OpenRouter مقایسه کنیم؟ RAG (بازیابی نسل افزوده) چگونه از ابتدا تا انتها کار می‌کند، از جذب مستندات تا پاسخ LLM تعبیه‌های برداری چه هستند، جست‌جوی شباهت چگونه کار می‌کند و چگونه مدل تعبیه مناسب را از جدول رتبه‌بندی MTEB انتخاب کنیم؟ استراتژی‌های chunking - سایز ثابت، بازگشتی و Document-Specific و سمانتیک و اینکه هرکدام را چه زمانی باید استفاده کرد؟ تکنیک‌های بازیابی - Top-K و Similarity Score Threshold و MMR و جستجوی هیبریدی و رنکینگ مجدد Backend - خودمیزبان و آماده برای تولید راه‌اندازی و پیکربندی Flowise - یک بیلدر ویژوال پایپ‌لاین‌های RAG روی یک Hostinger VPS واقعی ساخت Chatflowها با document storeها، جستجوی برداری، یکپارچه‌سازی LLM و ابزارهای سفارشی اتصال Qdrant به‌ عنوان پایگاه‌ داده برداری خودمیزبان برای حفظ کامل حریم خصوصی داده‌ و حذف کامل وابستگی به یک فروشنده خاص یکپارچه‌سازی OpenRouter برای جابه‌جایی بین LLMs تنها با یک تغییر در پیکربندی افزودن observability و tracing با Langfuse اپلیکیشن موبایل - یک پایگاه کد و سه پلتفرم ساخت یک کتابخانه چندسکویی Kotlin (KMP) که Android و iOS و Desktop را از یک پایگاه کد واحد پشتیبانی می‌کند. پیاده‌سازی معماری تمیز - داده، دامنه، UI بر اساس اصول مدرن معماری Android استریم پاسخ‌های هوش مصنوعی به‌ صورت بلادرنگ با استفاده از Server-Sent Events (SSE) جایگزینی سبک‌تر برای WebSocketها ناوبری با Jetpack Compose Navigation 3 انتشار یک اپلیکیشن دموی کامل که backend خودمیزبان RAG شما را کوئری می‌کند. استقرار کتابخانه KMP در Maven Central مخاطبان دوره: توسعه‌دهندگان Android که می‌خواهند بدون شروع از پایه در مبانی ML، قابلیت‌های هوش مصنوعی را به اپلیکیشن‌های خود اضافه کنند. توسعه‌دهندگان موبایل با پیش‌زمینه Android یا iOS که می‌خواهند با KMP چندسکویی شوند و در عین حال قابلیت‌های واقعی هوش مصنوعی را یکپارچه کنند. هر توسعه‌دهنده‌ای که می‌خواهد RAG را عمیقاً درک کند، نه فقط یک API را صدا بزند، بلکه دقیقاً بداند در پشت صحنه چه اتفاقی می‌افتد. آنچه دوره را متفاوت می‌کند؟ بیشتر دوره‌های هوش مصنوعی به شما یاد می‌دهند که فقط API OpenAI را صدا بزنید و کار را تمام‌ شده بدانید. این دوره از موارد بالا فراتر می‌رود: تمام backend روی سرور خودتان اجرا می‌شود، بدون اشتراک اجباری ابر، بدون قبض‌های غیرمنتظره، با کنترل کامل روی داده‌ مباحث نظری با عمقی مناسب برای توسعه‌دهندگان آموزش داده می‌شوند، به‌اندازه‌ای که بتوانید با اطمینان تصمیم‌های معماری بگیرید، بدون انحراف‌های غیرضروری آکادمیک هر فریمورک، پایگاه‌ داده و انتخاب LLM با موازنه‌های واقعی توضیح داده می‌شود، نه صرفاً «از این استفاده کنید چون در آموزش گفته شده است.» خروجی نهایی یک اپلیکیشن موبایل چندسکویی کاربردی است که به یک backend لایو و خودمیزبان RAG متصل می‌شود. این دوره برای چه کسانی مناسب است؟ توسعه‌دهندگان موبایل که می‌خواهند قابلیت‌های واقعی هوش مصنوعی را به اپلیکیشن‌های خود اضافه کنند و سیستم‌های RAG را از پایه درک کنند. توسعه‌دهندگان موبایل و چندسکویی Kotlin که می‌خواهند کنترل کامل روی stack هوش مصنوعی خود داشته باشند، backend خودمیزبان، پایگاه‌ داده برداری اختصاصی، بدون وابستگی به یک فروشنده خاص، به‌جای تکیه بر سرویس‌های مدیریت‌ شده توسعه‌دهندگان موبایل کنجکاو درباره LLMs، پایگاه‌ داده‌های برداری و RAG که به دنبال یک دوره عملی و پروژه‌محور هستند که فراتر از تماس ساده با API می‌رود.