کتاب Building LLM Applications with Dspy (چاپ سال 2026)

کتاب Building LLM Applications with Dspy: Replacing Manual Prompts with Systematic Optimization (ساختن برنامه‌های کاربردی مدل زبانی بزرگ با Dspy: جایگزینی پرامپت‌های دستی با بهینه‌سازی نظام‌مند) نوشته سرج اسمورودینسکی و برت کندی، یک راهنمای عملی است که چارچوب DSPy را معرفی می‌کند؛ چارچوبی که پرامپت‌های متنی شکننده و دستی را با کد پایتون پویا و مبتنی بر قرارداد جایگزین می‌کند تا پرامپت‌ها بتوانند آزادانه با تغییر مدل‌ها و داده‌ها سازگار شوند و مقیاس‌پذیر باشند.

جهت دانلود کتاب Building LLM Applications with Dspy می‌توانید از لینک زیر استفاده کنید:

faghatketab.ir/product/building-llm-applications-with-dspy/

مقدمه‌ای بر کتاب Building LLM Applications with Dspy:

«یک راهنمای ضروری و آینده‌نگرانه.»

— دهای ماوانی (Dhyey Mavani)، کالج امهرست

فریمورک DSPy (برنامه‌نویسی پایتونِ خودبه‌بهبودِ صریح - Declarative Self-improving Python)، به عنوان یک چارچوب نوآورانه برای برنامه‌نویسی پرامپت، جایگزین پرامپت‌های دستیِ شکننده و غیرقابل‌پیش‌بینی با کدهای تمیز و ماژولار پایتون می‌شود؛ کدهایی که مشخص می‌کنند مدل چه کاری باید انجام دهد، ورودی‌ها و فرمت‌های پاسخ را تعریف می‌کنند و معیارهای ارزیابی روشنی را بنا می‌نهند.

در کتاب «ساخت برنامه‌های مدل‌های زبان بزرگ با DSPy» (Building LLM Applications with DSPy)، نویسندگان آن یعنی سِرج اسمورودینسکی (Serj Smorodinsky) و برت کندی (Brett Kennedy)، رویکردی نظام‌مند را برای برخورد با پرامپت‌ها به عنوان عناصر برنامه‌نویسی (به‌جای رشته‌های متنیِ ساده) ارائه می‌دهند تا بتوانید برنامه‌های پیچیده هوش مصنوعی را با یکپارچگی ساختاریِ نرم‌افزارهای سنتی بسازید، مقیاس‌دهی کنید، نگهداری و بهبود ببخشید.

کتاب Building LLM Applications with Dspy از صفحه اول کاربردی است و یک چرخه کاری حرفه‌ای در مهندسی هوش مصنوعی را بازتاب می‌دهد؛ از طبقه‌بندی‌کننده‌های ساده گرفته تا خلاصه‌سازهای پیچیده، سیستم‌های RAG پیشرفته و سیستم‌های ایجنت‌محور (agentic systems). سایروس نوروزی (Cyrus Nouroozi)، از بازبینی‌کنندگان کتاب و یکی از مشارکت‌کنندگان DSPy، خاطرنشان می‌کند که این کتاب «کل موضوع را پیرامون یک تز واحد و منسجم شکل می‌دهد: برنامه‌نویسی پرامپت یک رشته مبتنی بر داده و مشابه با یادگیری ماشین است.»

کتاب Building LLM Applications with Dspy برای تأکید بر تمرکز شدید خود بر برنامه‌نویسی پرامپت به عنوان یک فرآیند مهندسی، چرخه «ساخت، ارزیابی و بهینه‌سازی» (baseline evaluate optimize loop) را معرفی می‌کند که حدس و گمان را در طراحی سنتی پرامپت از بین می‌برد.

برنامه‌های کاربردی در سطح پروداکشن (Production) به معیارهای قابل بررسی و سازگار نیاز دارند که ایجاد آن‌ها با پرامپت‌های معمولی دشوار است. این کتاب شما را در زمینه ساخت معیارهای ارزیابی سفارشی، راه‌اندازی اجراکننده‌های آزمایشی چندنخی (multi-threaded) و کالیبره‌کردن پروتکل‌های «مدل زبانی به عنوان داور» (LLM-as-a-judge) برای جمع‌آوری داده‌های دقیق راهنمایی می‌کند.

به‌جای استقرار پرامپت‌ها بر اساس هوس یا لحظه، آن‌ها را در برابر مجموعه‌های اعتبارسنجی ساختاریافته کامپایل و بهینه‌سازی می‌کنید. از نظر ریاضی ثابت شده است که برنامه‌های حاصل، دقیق‌تر، مقرون‌به‌صرفه‌تر و به‌طور قابل‌توجهی در برابر انحراف مدل زیرین (model drift) مقاوم‌تر هستند.

فصل‌های پایانی کتاب Building LLM Applications with Dspy به شما نشان می‌دهند که چگونه DSPy را در پای‌پلاین‌های کاملاً ایجنت‌محور پیاده‌سازی کنید، حافظه‌های مکالمه را یکپارچه سازید و از طریق پروتکل MCP، ایجنت‌ها را به محیط‌های خارجی متصل کنید. این کتاب متمرکز و ۹ فصلی همچنین ویژگی‌های پیشرفته نسخه ۳ فریمورک DSPy مانند بهینه‌سازهای SIMBA و GEPA را معرفی می‌کند تا حداکثر کارایی را از مدل‌های زبانیِ متن‌بازِ کوچکتر و ارزان‌تر استخراج کنید.

این اثر یک منبع ضروری برای هر برنامه‌نویس مدرنی است که می‌خواهد سیستم‌های هوش مصنوعی مولدِ قوی، خودبه‌بهبود و آماده برای پروداکشن بسازد.

آنچه در کتاب Building LLM Applications with Dspy خواهید آموخت:

• ساخت برنامه‌های ماژولار LLM با استفاده از امضاهای صریح (declarative) پایتون

• خودکارسازی بهینه‌سازی پرامپت با استفاده از SIMBA و GEPA

• ساخت توابع معیارهای دقیق و قابل تکرار برای تأیید خروجی‌ها

• استقرار سیستم‌ها و ایجنت‌های RAG چندمرحله‌ای و قابل اعتماد

درباره مخاطبان کتاب Building LLM Applications with Dspy

این کتاب برای توسعه‌دهندگان نرم‌افزار، دانشمندان داده و مهندسان هوش مصنوعی با مهارت‌های پایه پایتون طراحی شده است.

درباره نویسندگان کتاب Building LLM Applications with Dspy

سِرج اسمورودینسکی (Serj Smorodinsky) یکی از مشارکت‌کنندگان DSPy، دانشمند داده و مهندس هوش مصنوعی با بیش از ده سال سابقه در هدایت تیم‌ها برای ساخت هوش مصنوعی مکالمه‌ای، چت‌بات‌های مکالمه‌گر و جریان‌های کاری ایجنت‌محور برای مشتریان سازمانی است.

برت کندی (Brett Kennedy) یک دانشمند داده با بیش از سی سال تجربه در توسعه نرم‌افزار است. او از مشارکت‌کنندگان مستمر پروژه‌های متن‌باز و نویسنده کتاب «تشخیص داده‌های پرت در پایتون» (Outlier Detection in Python) است.

فهرست مطالب کتاب Building LLM Applications with Dspy

1. مقدمه‌ای بر برنامه‌نویسی پرامپت و DSPy

2. پرامپت‌نویسی پایه و DSPy

3. دسته‌بندی قصد و نیت کاربر

4. ارزیابی برنامه‌های DSPy

5. بهینه‌سازی نمونه‌های پرامپت

6. بهینه‌سازی دستورالعمل‌های پرامپت

7. ماژول‌های سفارشی

8. خلاصه‌سازی و توابع معیارهای کارآمدتر

9. ایجاد یک چت‌بات مبتنی بر RAG و ایجنت‌محور