هل تواجه صعوبة في تطوير تطبيقات تعتمد على نماذج اللغة الكبيرة بسبب تكرار تعديل المطالبات وصعوبة قياس جودة النتائج؟ يقدم كورس Building LLM Applications with DSPy منهجًا برمجيًا لتنظيم هذه العملية باستخدام Python وإطار العمل DSPy. ستتعرف على بناء مكونات قابلة للتقييم والتحسين، وتطبيقها في تصنيف النصوص وتلخيص المحتوى وأنظمة RAG ووكلاء الذكاء الاصطناعي. يناسب هذا المحتوى المطورين ومهندسي الذكاء الاصطناعي الراغبين في الانتقال من التجارب الفردية إلى تطوير تطبيقات أكثر تنظيمًا وقابلية للاختبار.
تحميل كورس Building LLM Applications with DSPy لتطوير تطبيقات AI
تقييم المستخدمين
4.0 / 5
1 تقييم
قيّم الكورس

كورس Building LLM Applications with DSPy, Video Edition هو محتوى تعليمي مرئي متخصص في تطوير تطبيقات نماذج اللغة الكبيرة (Large Language Models) باستخدام إطار العمل مفتوح المصدر DSPy ولغة Python.

تتوفر النسخة المرئية عبر منصة O’Reilly Learning، وهي من إصدار Manning Publications، ومن تأليف Serj Smorodinsky وBrett Kennedy، وقد صدرت في سبتمبر 2026.

يقدم المحتوى طريقة منظمة للتعامل مع التطبيقات المعتمدة على نماذج اللغة، بحيث لا تقتصر عملية التطوير على كتابة تعليمات نصية وتعديلها يدويًا، وإنما تعتمد على تعريف المهام برمجيًا، وتقييم المخرجات، ثم تحسين أداء التطبيق بناءً على نتائج قابلة للقياس.

ويعني الاختصار DSPy عبارة Declarative Self-improving Python، وهو إطار يسمح للمطورين بفصل وصف المهمة عن تفاصيل صياغة المطالبات، وبناء مكونات برمجية يمكن اختبارها وتحسينها.

كيف تختلف Video Edition عن الكورس التقليدي؟

هذه النسخة ليست دورة مصورة تعتمد بالضرورة على شرح مباشر أمام الكاميرا؛ بل هي إصدار مرئي من كتاب تقني، يُقرأ فيه المحتوى صوتيًا بينما تظهر النصوص والأشكال والرسومات والمقاطع البرمجية على الشاشة.

تساعد هذه الطريقة على متابعة الشرح بالتزامن مع الأمثلة، خصوصًا عند دراسة المفاهيم البرمجية التي تحتاج إلى رؤية التعليمات والبنية المنطقية للتطبيق.

وتبلغ مدة الإصدار المرئي 8 ساعات و48 دقيقة، موزعة على تسعة فصول رئيسية معلنة.

ماذا ستتعلم في كورس Building LLM Applications with DSPy؟

ماذا ستتعلم في كورس Building LLM Applications with DSPy؟

يركز الكورس على مهارات هندسة تطبيقات الذكاء الاصطناعي التوليدي، وليس على الاستخدام العام لأدوات المحادثة.

1. فهم البرمجة باستخدام DSPy

ستتعرف على كيفية تمثيل مهام نماذج اللغة داخل برامج Python، باستخدام مكونات واضحة بدلًا من الاعتماد الكامل على المطالبات النصية اليدوية.

2. إنشاء تطبيقات LLM قابلة للتطوير

يتناول المحتوى كيفية تنظيم التطبيقات المعقدة في وحدات مستقلة، مع تحديد المدخلات والمخرجات المتوقعة لكل مهمة.

3. استخدام Signatures وModules

تتعرف على مفهوم Signatures لتعريف متطلبات المهمة، ومفهوم Modules لبناء مكونات قابلة لإعادة الاستخدام داخل التطبيق.

4. تقييم جودة نتائج نماذج اللغة

ستدرس طرق إنشاء مجموعات اختبار ومقاييس تقييم مناسبة، والمقارنة بين نتائج النماذج وتحديد جوانب التحسين.

5. تحسين المطالبات تلقائيًا

يتناول المحتوى أدوات تحسين الأمثلة والتعليمات باستخدام تقنيات مثل BootstrapFewShot وMIPROv2 وSIMBA وGEPA.

6. بناء تطبيقات لتصنيف النصوص وتلخيصها

يتضمن المنهج أمثلة لتصنيف نوايا المستخدمين وتلخيص المحادثات، مع التركيز على قياس جودة النتائج.

7. تطوير تطبيقات RAG

ستتعرف على بناء أنظمة تسترجع المعلومات من مصادر معرفة خارجية قبل إنشاء الإجابات، مع تقييم مدى دقتها.

8. إنشاء وكلاء ذكاء اصطناعي Agentic AI

تتناول الفصول المتقدمة استخدام ReAct والذاكرة والتصحيح الذاتي وربط الوكلاء بأنظمة خارجية باستخدام MCP.

هذه المهارات موثقة ضمن المحاور الرسمية للنسخة المرئية ووصف الناشر.

محتويات كورس Building LLM Applications with DSPy بالتفصيل

يتكون الإصدار المرئي من 9 فصول رئيسية، ويعرض موقع O’Reilly فصوله والمقاطع الفرعية التابعة لها. وفيما يلي الفصول بأسمائها الإنجليزية الرسمية وترتيبها الأصلي، مع شرح عربي للمحاور.

الفصل الأول: Introduction to prompt programming and DSPy

مقدمة في برمجة المطالبات وإطار DSPy

يضع هذا الفصل الأساس لفهم طريقة تطوير التطبيقات المعتمدة على نماذج اللغة، ويشرح لماذا تصبح الإدارة اليدوية للمطالبات أكثر صعوبة كلما زاد تعقيد التطبيق.

تشمل موضوعاته:

  • التعرف على DSPy وفلسفة تصميمه.

  • التعامل مع التطبيقات التي تعتمد على عدة مهام مترابطة.

  • تحديد الحالات المناسبة لاستخدام DSPy.

  • فهم علاقته بإطار LangChain.

  • التعرف على أسلوب بناء نموذج أولي، ثم تقييمه وتحسينه.

يساعد هذا الفصل على فهم الفرق بين التعامل مع النموذج بوصفه أداة لإنتاج النصوص، والتعامل معه بوصفه جزءًا من نظام برمجي متكامل.

الفصل الثاني: Basic prompting and DSPy

أساسيات المطالبات وبناء التطبيقات باستخدام DSPy

ينتقل الفصل إلى المكونات الأساسية للإطار وكيفية استخدام Python لتمثيل المهام المطلوبة من نماذج اللغة.

تشمل موضوعاته:

  • بناء تطبيق متكامل باستخدام DSPy.

  • فهم طريقة التعامل مع Language Models.

  • استخدام Signatures لتحديد المدخلات والمخرجات.

  • إنشاء Modules لتنظيم مكونات التطبيق.

  • التعامل مع Predictions.

  • تحسين قابلية قراءة التعليمات البرمجية ومراجعة سجل التنفيذ.

تكمن أهمية هذا الفصل في تعريف المطور بالبنية التي ستُستخدم في التطبيقات الأكثر تقدمًا خلال الفصول التالية.

الفصل الثالث: Classifying user intent

تصنيف نوايا المستخدمين باستخدام نماذج اللغة

يركز هذا الفصل على إنشاء تطبيق يحدد الغرض من النص الذي يكتبه المستخدم، مثل طلب معلومة أو تنفيذ إجراء أو الاستفسار عن خدمة.

تشمل موضوعاته:

  • تنزيل مجموعة بيانات ATIS وتجهيزها.

  • بناء مصنف للنوايا باستخدام DSPy.

  • مقارنة التنفيذ باستخدام DSPy بالتعامل المباشر مع OpenAI API.

  • فهم الفرق بين التصنيفات الثابتة والمتغيرة.

  • التعامل مع المدخلات التي تتضمن أكثر من نية.

  • مراجعة سجل التفاعلات والنتائج.

يوضح هذا النوع من التطبيقات كيف يمكن توظيف نماذج اللغة في تحليل طلبات المستخدمين داخل الأنظمة البرمجية.

الفصل الرابع: Evaluating DSPy programs

تقييم تطبيقات DSPy وقياس جودة المخرجات

يركز الفصل الرابع على إنشاء آلية واضحة لتحديد مدى نجاح التطبيق في تنفيذ المهام المطلوبة.

تشمل موضوعاته:

  • استخدام مجموعات الاختبار لتقييم الوحدات البرمجية.

  • قياس أداء النموذج الأساسي قبل التحسين.

  • مقارنة المطالبات المكتوبة يدويًا بالحلول المبنية باستخدام DSPy.

  • تحليل الأداء لكل فئة من فئات التصنيف.

  • قياس اتساق استجابات نماذج اللغة.

  • تجربة نماذج ووحدات مختلفة ومقارنة نتائجها.

تساعد هذه المرحلة على اتخاذ قرارات التطوير اعتمادًا على البيانات، بدلًا من الاكتفاء بالتقدير الشخصي لجودة الإجابات.

الفصل الخامس: Optimizing prompt examples

تحسين أمثلة المطالبات بصورة منهجية

يتناول هذا الفصل تحسين الأمثلة المستخدمة لتوجيه النموذج نحو النتائج المطلوبة.

تشمل موضوعاته:

  • استخدام LabeledFewShot.

  • التعرف على BootstrapFewShot.

  • تجربة BootstrapFewShotWithRandomSearch.

  • الاستفادة من KNN لاختيار الأمثلة المناسبة بصورة ديناميكية.

  • مقارنة نتائج التقييم قبل التحسين وبعده.

يوضح الفصل دور اختيار الأمثلة في التأثير على سلوك النموذج، وكيف يمكن اختبار أكثر من استراتيجية للوصول إلى إعداد مناسب للمهمة.

الفصل السادس: Optimizing prompt instructions

تحسين تعليمات المطالبات باستخدام أدوات DSPy

يناقش الفصل السادس مجموعة من أدوات التحسين المتقدمة التي تساعد على تطوير التعليمات المستخدمة مع نماذج اللغة.

تشمل موضوعاته:

  • استخدام MIPROv2 لتحسين المطالبات.

  • التعرف على InferRules.

  • تطبيق استراتيجية SIMBA.

  • دراسة أداة GEPA.

  • استخدام Ensemble للجمع بين نتائج عدة مكونات.

  • حفظ البرامج الناتجة عن عمليات التحسين.

  • إجراء مقارنات بين أدوات التحسين المختلفة.

يركز هذا الفصل على العلاقة بين صياغة التعليمات ومقاييس التقييم، وعلى إمكانية اختيار استراتيجية التحسين بحسب طبيعة التطبيق.

الفصل السابع: Custom modules

إنشاء وحدات برمجية مخصصة باستخدام DSPy

يتناول هذا الفصل توسيع إمكانات الإطار بكتابة وحدات برمجية تتناسب مع متطلبات التطبيقات المختلفة.

تشمل موضوعاته:

  • برمجة Custom Modules.

  • التعرف على الوحدات المدمجة في DSPy.

  • دراسة أمثلة للوحدات المخصصة.

  • تنفيذ العمليات المتوازية داخل الوحدات.

  • تحسين أداء المكونات المخصصة.

  • المقارنة بين الوحدات البسيطة والمعقدة.

تساعد هذه المفاهيم المطور على تنظيم المشاريع التي تحتاج إلى أكثر من عملية لمعالجة المدخلات وإنتاج النتائج.

الفصل الثامن: Summarization and more effective metric functions

تلخيص النصوص وتطوير مقاييس تقييم أكثر فاعلية

يعرض هذا الفصل تطبيقًا لتلخيص المحتوى، مع التركيز على كيفية معرفة ما إذا كان الملخص الناتج يعكس المعلومات المهمة بدقة.

تشمل موضوعاته:

  • استخدام مجموعة البيانات DialogSum.

  • إنشاء نظام أساسي لتلخيص النصوص.

  • تقييم التشابه المعجمي بين المخرجات والنصوص المرجعية.

  • استخدام Embeddings في التقييم.

  • التعرف على أسلوب LLM-as-a-Judge.

يوضح الفصل أهمية اختيار مقياس تقييم مناسب؛ فالتشابه في الكلمات ليس بالضرورة دليلًا كافيًا على اكتمال المعلومات أو صحتها.

الفصل التاسع: Creating an agentic RAG-based chatbot

بناء روبوت محادثة باستخدام RAG ووكلاء الذكاء الاصطناعي

يمثل هذا الفصل المرحلة المتقدمة من المحتوى، حيث يجمع بين استرجاع المعلومات واستخدام الوكلاء وتنظيم تدفق العمليات.

تشمل موضوعاته:

  • إنشاء تطبيق RAG باستخدام DSPy.

  • التعرف على Agents وأسلوب ReAct.

  • إدارة الذاكرة للحفاظ على سياق المحادثة.

  • استخدام DSPy Refine للتصحيح الذاتي.

  • ربط الوكلاء بالأنظمة والأدوات الخارجية باستخدام MCP.

توضح هذه الموضوعات كيفية الانتقال من التطبيقات التي تنفذ مهمة واحدة إلى الأنظمة التي تنسق عدة خطوات للوصول إلى النتيجة المطلوبة.

المحاور التسعة مستندة إلى فهرس النسخة المرئية المنشور على O’Reilly.

تحميل كورس Building LLM Applications with DSPy لتطوير تطبيقات AI

لمن يناسب كورس Building LLM Applications with DSPy؟

يستهدف المحتوى في الأساس الأشخاص الذين يمتلكون معرفة أولية بالبرمجة، ويريدون استخدامها في بناء تطبيقات تعتمد على نماذج اللغة.

ومن الفئات المناسبة له:

  • مطورو Python: الراغبون في إضافة قدرات معالجة اللغة الطبيعية إلى تطبيقاتهم.

  • مهندسو الذكاء الاصطناعي: المهتمون ببناء أنظمة قابلة للاختبار والتحسين.

  • علماء البيانات: الذين يرغبون في توظيف نماذج اللغة ضمن عمليات معالجة وتحليل البيانات.

  • مطورو روبوتات المحادثة: المهتمون بتصنيف النوايا واسترجاع المعلومات وإدارة سياق المحادثات.

  • مطورو تطبيقات RAG: الذين يحتاجون إلى تنظيم عمليات الاسترجاع وتوليد الإجابات وتقييمها.

لا تحدد صفحة الإصدار المرئي مستوى رسميًا مثل Beginner أو Intermediate أو Advanced، لكن الناشر يوضح أن المحتوى موجه إلى مطوري البرمجيات وعلماء البيانات ومهندسي الذكاء الاصطناعي ممن لديهم مهارات أساسية في Python.

المتطلبات السابقة لدراسة الكورس

المتطلب الذي يذكره الناشر صراحة هو امتلاك مهارات أساسية في لغة Python.

أما للاستفادة بصورة أفضل من الموضوعات المتقدمة، فمن المفيد التعرف مسبقًا على:

  • أساسيات كتابة الدوال والتعامل مع المكتبات في Python.

  • مفهوم واجهات البرمجة API وكيفية تبادل البيانات معها.

  • المبادئ العامة لنماذج اللغة الكبيرة.

  • الفروق الأساسية بين المطالبات والمدخلات والمخرجات.

  • مفهوم اختبار البرامج ومقارنة النتائج.

هذه النقاط الإضافية توصيات تحضيرية، وليست شروط قبول رسمية معلنة.

ولا تظهر في وصف النسخة المرئية متطلبات محددة لجهاز الكمبيوتر أو نظام التشغيل أو اشتراكات خدمات النماذج المستخدمة في التطبيق العملي.

المشاريع والتطبيقات العملية في الكورس

يعرض المصدر الرسمي تطبيقات برمجية عملية ضمن مسار التعلم، وتشمل ثلاثة أمثلة رئيسية.

1. بناء نظام لتصنيف نوايا المستخدمين

يتناول المثال معالجة النصوص الواردة وتصنيفها وفقًا للغرض المطلوب، مع استخدام بيانات اختبار ومقارنة النتائج.

2. تطوير تطبيق لتلخيص المحادثات

يركز المثال على إنشاء ملخصات للنصوص وتقييمها باستخدام مقاييس مختلفة، بما فيها التقييم المعتمد على نماذج اللغة.

3. إنشاء روبوت محادثة يعتمد على RAG

يجمع التطبيق بين استرجاع المعلومات وتوليد الاستجابات، مع دراسة استخدام الوكلاء والذاكرة والتصحيح الذاتي.

ويتيح الناشر كذلك موارد برمجية مرتبطة بالكتاب، من بينها مستودع للكود المصدري.

هذه تطبيقات موثقة في المحتوى، وليست بالضرورة مشاريع مستقلة تُسلَّم للحصول على شهادة أو تخضع لتقييم رسمي.

ما الذي يميز كورس Building LLM Applications with DSPy؟

تتمثل خصوصية المحتوى في طريقة تناوله لهندسة تطبيقات نماذج اللغة، ومنها:

التركيز على البرمجة المنظمة

يعتمد المنهج على تقسيم المهام إلى مكونات قابلة لإعادة الاستخدام، بدلًا من بناء التطبيق حول سلسلة من المطالبات غير المنظمة.

ربط التطوير بالتقييم

لا يفصل المحتوى عملية بناء التطبيق عن قياس نتائجه؛ بل يعرض العلاقة بين إنشاء النموذج الأساسي، وإجراء الاختبارات، ثم تطبيق أدوات التحسين.

تغطية أدوات تحسين متخصصة

يتناول عدة أدوات من DSPy لتحسين الأمثلة والتعليمات، مع مناقشة طرق مقارنة أدائها.

الانتقال التدريجي إلى التطبيقات المركبة

يبدأ المسار بتصنيف النصوص، ثم يتناول التلخيص ومقاييس الجودة، وينتهي بأنظمة RAG والوكلاء.

إتاحة إصدار مرئي من محتوى تقني مكتوب

يجمع تنسيق Video Edition بين السرد الصوتي والعرض المرئي للكود والأشكال والنصوص، وهي ميزة تتعلق بطريقة تقديم المادة، وليس بشهادة أو خدمة تعليمية إضافية.

كيف تستفيد من الكورس بأفضل طريقة؟

لأن المحتوى يتناول البرمجة والتقييم والتحسين، فمن الأفضل التعامل معه بوصفه مرجعًا تطبيقيًا، وليس مجرد مقاطع فيديو للمشاهدة.

يمكن اتباع الأسلوب التالي:

  1. ابدأ بمراجعة Python: تأكد من فهم الدوال والوحدات البرمجية وكيفية التعامل مع المكتبات.

  2. جهز بيئة تجريبية: استخدم مشروعًا منفصلًا لتجربة الأفكار دون التأثير على تطبيقاتك الأساسية.

  3. نفذ أمثلة صغيرة: ابدأ بتصنيف عدد محدود من النصوص قبل الانتقال إلى تطبيقات أكبر.

  4. احتفظ بنتائج الاختبارات: سجل أداء التطبيق الأساسي ثم قارنه بالنتائج بعد استخدام أدوات التحسين.

  5. افصل بين جودة المخرجات وتكلفة التشغيل: فكر في عدد استدعاءات النموذج والوقت المستغرق إلى جانب دقة الإجابات.

  6. راجع وثائق DSPy الحالية: قد تختلف أسماء بعض الواجهات أو سلوكها بين إصدارات المكتبة.

هذه إرشادات دراسية مقترحة، وليست خطة واجبات رسمية تفرضها الجهة الناشرة.

هل كورس Building LLM Applications with DSPy مناسب لك؟

يعتمد ذلك على معرفتك الحالية بالبرمجة والهدف الذي تريد تحقيقه.

قد يكون مناسبًا لك إذا كنت:

  • تستخدم Python بالفعل وتريد تطوير تطبيقات تعتمد على LLM.

  • ترغب في فهم طرق تقييم نتائج نماذج اللغة.

  • تعمل على مشروع يتطلب تحسين المطالبات بصورة منظمة.

  • مهتمًا بتصميم أنظمة RAG أو وكلاء الذكاء الاصطناعي.

وقد تحتاج إلى دراسة تمهيدية إذا كنت:

  • لم تدرس Python من قبل.

  • تبحث عن مقدمة غير تقنية لاستخدام روبوتات المحادثة.

  • تحتاج إلى محتوى تعليمي عربي كامل.

  • تفضل دورات تعتمد على التمارين التفاعلية والتقييم المباشر بدلًا من الإصدارات المرئية للكتب.

وبالنسبة للمبتدئ في تطوير البرمجيات، فإن تعلم أساسيات Python والتعامل مع APIs سيكون نقطة انطلاق مناسبة قبل دراسة هذا المحتوى.

الجهة المقدمة ومؤلفا الكورس

منصة العرض: O’Reilly Learning

توفر O’Reilly مكتبة تقنية رقمية تحتوي على كتب ومواد فيديو ومصادر تعليمية في البرمجة وعلوم البيانات والتقنيات الحديثة.

الناشر: Manning Publications

Manning دار نشر متخصصة في الكتب والمحتوى التقني، وهي الجهة الناشرة للعمل الأصلي الذي بُني عليه هذا الإصدار المرئي.

المؤلف الأول: Serj Smorodinsky

مهندس ذكاء اصطناعي وعالم بيانات ومساهم في مشروع DSPy. وتذكر سيرته الرسمية خبرة تزيد على عشر سنوات في قيادة فرق لتطوير أنظمة المحادثة وتطبيقات الذكاء الاصطناعي للمؤسسات.

المؤلف الثاني: Brett Kennedy

عالم بيانات يمتلك خبرة تزيد على ثلاثين عامًا في تطوير البرمجيات، وله مساهمات في مشاريع مفتوحة المصدر، وهو مؤلف كتاب Outlier Detection in Python.

المؤلفان معتمدان رسميًا على صفحة الإصدار، لكن أسماء مؤدي السرد الصوتي للنسخة المرئية غير معلنة بصورة مستقلة في البيانات التي تمت مراجعتها.

الخلاصة

يقدم Building LLM Applications with DSPy, Video Edition مسارًا تقنيًا لفهم كيفية تطوير تطبيقات نماذج اللغة باستخدام Python، بداية من تنظيم المهام وقياس جودة المخرجات، وصولًا إلى تحسين المطالبات وإنشاء أنظمة RAG والوكلاء.

تتمثل قيمته التعليمية في الجمع بين بنية التطبيق وطرق تقييمه وتحسينه. وهو مناسب بصورة أكبر لمن يمتلك أساسيات البرمجة ويريد التعمق في هندسة تطبيقات الذكاء الاصطناعي التوليدي.

الأسئلة الشائعة FAQ

يناسب المبتدئين في إطار DSPy ممن لديهم أساسيات Python. أما من يبدأ البرمجة من الصفر، فقد يحتاج إلى دراسة تمهيدية قبل متابعة التطبيقات العملية.

نعم، يذكر الناشر امتلاك مهارات أساسية في Python ضمن مواصفات الجمهور المستهدف.

نعم. يتضمن الفصل التاسع إنشاء تطبيق يعتمد على RAG، والتعامل مع Agents وReAct والذاكرة والتصحيح الذاتي والاتصال بالأدوات عبر MCP.

نعم، يتضمن المحتوى أمثلة لتصنيف نوايا المستخدمين وتلخيص النصوص وبناء تطبيقات RAG، كما يوفر الناشر موارد للكود المصدري المرتبط بالكتاب.

روابط التحميل

روابط التحميل

ميديا فاير | MediaFire

ForaFile (مميز وسريع)

Upload-4ever

Scroll to Top