The Developer’s Guide to AI

🤖 اپلیکیشن‌های هوشمند بساز؛ بدون اینکه مدرک Data Science داشته باشی.

🚀 مُدیرت درباره قابلیت‌های جدید AI صحبت میکنه. تیم توسعه درباره MCP Serverها هیجان‌زده‌ست. آگهی‌های استخدام دنبال افرادی هستن که تجربه کار با RAG، Vector Database، Fine-Tuning و Agentها رو داشته باشن.

💡 هیجان این موج جدید رو حس میکنی. پتانسیلش رو میبینی. اما شاید از خودت بپرسی چطور میشه بدون داشتن مدرک Data Science وارد دنیای AI شد و واقعاً شروع به ساختن کرد. اگر این سؤال رو داری، جای درستی اومدی.

🛠️ کتاب The Developer’s Guide to AI یک مسیر عملی و مهندسی‌شده برای دولوپرها ارائه میکنه تا از میان انبوه اصطلاحات، ابزارها و الگوهای پیاده‌سازی مرتبط با AI عبور کنن و روی چیزهایی تمرکز کنن که واقعاً اهمیت دارن.

⚙️ این کتاب بهت نشون میده چطور با همان ابزارهایی که همین الان میشناسی، سیستم‌های هوش مصنوعی بسازی؛ ابزارهایی مثل JavaScript، Python، APIها، SDKها و دیتابیس‌ها.

🎯 تا پایان این کتاب یاد میگیری چطور:

🔌 به LLM APIها متصل بشی و پاسخ‌های هوشمند را به‌صورت Streaming مستقیماً داخل رابط کاربری نمایش بدی.

🧠 Promptهایی طراحی کنی که خروجی‌های قابل اعتماد و مناسب محیط Production تولید کنن.

📚 با استفاده از Vector Databaseها، پایپ‌لاین‌های RAG بسازی تا مدل‌های هوش مصنوعی به داده‌های اختصاصی و خصوصی سازمانت دسترسی داشته باشن.

🎛️ مدل‌ها را با استفاده از LoRA برای وظایف تخصصی مثل Classification سفارشی‌سازی و Fine-Tune کنی.

🤖 Agentهای هوشمند را با استفاده از Tool Calling و Model Context Protocol (MCP) پیاده‌سازی کنی تا بتوانند در Workflowهای واقعی تصمیم‌گیری و اقدام انجام بدن.

🔍 مفاهیمی مثل LLM، RAG، LoRA، MCP، Embedding و Agent فقط کلمات ترسناک یا اصطلاحات مد روز نیستن؛ این‌ها بلوک‌های سازنده نسل بعدی نرم‌افزارها هستن.

💻 پس Code Editor خودت رو باز کن، روی تجربه مهندسی‌ات حساب کن و آماده شو تا نسل بعدی اپلیکیشن‌ها رو بسازی.

📑 فهرست مطالب

بخش اول: شروع کار با هوش مصنوعی

1. درک مدل‌های زبانی بزرگ

2. ساخت اولین اپلیکیشن مبتنی بر LLM

3. مبانی Python برای LLMها و APIها

بخش دوم: مهندسی پرامپت

4. اصول مهندسی پرامپت

5. تکنیک‌های مهندسی پرامپت

6. مهندسی پرامپت در کد

بخش سوم: Vector Databaseها و RAG

7. کاربرد عملی Vector Databaseها

8. طراحی یک سیستم Retrieval-Augmented Generation

بخش چهارم: تطبیق مدل‌ها با مسائل دنیای واقعی

9. چرا و چه زمانی باید یک مدل را سفارشی‌سازی کنیم

10. آماده‌سازی داده‌ها برای Fine-Tuning

11. Fine-Tune کردن مدل‌ها در عمل

بخش پنجم: ساخت سیستم‌های Agentمحور

12. از Workflowها تا Agentهای خودمختار

13. ساخت یک Agent خودمختار

14. گسترش Agentها با استفاده از ابزارها

✍️ درباره نویسندگان

👨‍💻 جیکوب اورشالیک بیش از ۲۰ سال سابقه فعالیت در توسعه نرم‌افزار دارد و به‌عنوان مشاور مستقل با استارتاپ‌ها و شرکت‌های Fortune 500 همکاری کرده است. او رهبری پروژه‌های بزرگ و تأثیرگذار را برعهده داشته و به‌طور منظم در کنفرانس‌های تخصصی سخنرانی میکند.

🧠 جری مانل رگوناد یک مدیر ارشد فناوری با بیش از ۲۰ سال تجربه در صنعت تکنولوژی است. سابقه فعالیت او حوزه‌هایی مانند QA، نوآوری محصول و معماری راهکارها را شامل می‌شود. او به توانایی بالا در یادگیری مفاهیم پیچیده و تبدیل آن‌ها به آموزش‌های ساده و قابل فهم شناخته می‌شود.

🎙️ دنی تامپسون مدیر فناوری و مدرس توسعه نرم‌افزار است که با شرکت‌های Fortune 500 همکاری میکند، به دولوپرهای سراسر دنیا آموزش میدهد و میزبان پادکست The Programming Podcast است.

Build intelligent applications—no data science degree required.

Your boss is pitching new AI features. Your team is buzzing about MCP servers. Job postings are asking for AI experience with RAG, vector databases, fine-tuning, and agents. You can feel the excitement. You see the potential. You may be wondering how to get started in AI without a data science degree. You’re in the right place.

The Developer’s Guide to AI gives working developers a practical path through the terminology, tools, and implementation patterns that matter. It shows you how to build with AI using the tools you already know: JavaScript, Python, APIs, SDKs, and databases.

By the end of this book, you’ll know how to:

• Call LLM APIs and stream intelligent responses directly to your UI.
• Engineer prompts that produce reliable, production-ready results.
• Build RAG pipelines using vector databases to give AI access to your private data.
• Fine-tune models with LoRA for specialized tasks like classification.
• Deploy AI agents using tool-calling and the Model Context Protocol (MCP) to reason and act inside real workflows.

LLMs, RAG, LoRA, MCP, embeddings, and agents are not just intimidating buzzwords. They are the building blocks for the next generation of software.

Grab your code editor, bring your engineering instincts, and let’s build what’s next!

Table of Contents

Part I: Getting Started With AI

 1: Understanding Large Language Models

 2: Building Your First LLM-Powered Application

 3: Python Essentials For LLMs And APIs

Part II: Prompt Engineering

 4: Fundamentals Of Prompt Engineering

 5: Prompt Engineering Techniques

 6: Prompt Engineering In Code

Part III: Vector Databases And RAG

 7: Vector Databases In Practice

 8: Designing A Retrieval-Augmented Generation System

Part IV: Adapting Models To Real-World Tasks

 9: Why And When To Customize A Model

 10: Preparing Data For Fine-Tuning

 11: Fine-Tuning Models In Practice

Part V: Building Agentic Systems

 12: From Workflows To Autonomous Agents

 13: Building An Autonomous Agent

 14: Extending Agents With Tools

About the Author

Jacob Orshalick has over 20 years in software development as an independent consultant for startups and Fortune 500 companies, leading high-impact projects and speaking regularly at conferences.

Jerry Mannel Reghunadh is a senior director with over 20 years in tech, spanning QA, product innovation, and solution architecture. He is known for mastering complex concepts and making them accessible.

Danny Thompson is a director of technology who works with Fortune 500 companies, teaches software developers worldwide, and hosts The Programming Podcast.