این دوره‌ی من نیست
این صفحه یادداشت‌های فارسی برای درس CS2680: Modern AI Systems: Agents and System Optimizations در دانشگاه هاروارد است (پاییز ۲۰۲۶، استاد: Juncheng Yang). همه‌ی سرفصل‌ها، ترتیب جلسه‌ها و مطالب اصلی مال آن درس است. جلسه‌های آن درس ضبط نمی‌شوند و فقط اسلایدها، یادداشت‌ها و فهرست مطالعه عمومی‌اند. اگر می‌توانید، اسلایدهای اصلی را در سایت درس ببینید.
این یادداشت‌ها ترجمه‌ی اسلایدها نیستند؛ شرح و جمع‌بندی فارسی هر جلسه‌اند، با مثال و توضیح اضافه برای خواننده‌ی فارسی‌زبان. هر جا عدد یا ادعایی از اسلایدها، یادداشت‌های درس یا مقاله‌ها آمده، منبعش در پایان همان جلسه است.
درباره‌ی درس اصلی#
درس یک سیستم ایجنتی را از بالا به پایین دنبال می‌کند. بخش اول درباره‌ی خودِ ایجنت است: یک ایجنت کدنویس واقعی (Claude Code) از درون چطور کار می‌کند، چطور با چند ایجنت هم‌زمان کار کنیم، و ایجنت خوب را چطور طراحی، ارزیابی، ارزان و امن کنیم. بخش دوم یک لایه پایین‌تر می‌رود: مدل زبانی هنگام پاسخ دادن واقعاً چه محاسبه‌ای انجام می‌دهد و چرا GPU برای آن مناسب است.
فهرست جلسه‌ها#
| جلسه | موضوع | تاریخ جلسه‌ی اصلی |
|---|---|---|
| ۱ | سیستم‌های هوش مصنوعی و ایجنت‌ها | ۲ سپتامبر |
| ۲ | Claude Code از درون | ۹ سپتامبر |
| ۳ | مهندسی با چند ایجنت | ۱۴ سپتامبر |
| ۴ | حلقه‌ی ایجنت، طراحی ابزار و مدیریت کانتکست | ۱۶ سپتامبر |
| ۵ | معماری، هماهنگی و ارتباط در سیستم‌های چندایجنتی | ۲۳ سپتامبر |
| ۶ | حافظه و قابلیت اطمینان ایجنت | ۲۸ سپتامبر |
| ۷ | ارزیابی ایجنت | ۳۰ سپتامبر |
| ۸ | هزینه و سرعت ایجنت | ۷ اکتبر |
| ۹ | امنیت ایجنت و هارنس خودتکامل | ۱۴ اکتبر |
| ۱۰ | مبانی سرویس‌دهی LLM: درون مدل | ۱۹ اکتبر |
| ۱۱ | مبانی سرویس‌دهی LLM: GPU | ۲۱ اکتبر |
شماره‌ها شماره‌ی یادداشت‌اند، نه شماره‌ی جلسه در درس اصلی. جلسه‌هایی که مطلب عمومی نداشتند، یعنی ارائه‌های دانشجویی و سخنرانی‌های مهمان (Snowflake و Meta)، یادداشت ندارند.
جلسه‌های بعدی درس اصلی#
این جلسه‌ها هنوز مطلب عمومی ندارند. هر کدام پس از انتشار اسلایدش به همین صفحه اضافه می‌شود:
- batching، paging و موازی‌سازی در سرویس‌دهی LLM
- speculative decoding
- زمان‌بندی و prefix caching برای سیستم‌های ایجنتی
- بهینه‌سازی KV cache و معماری‌های مدل
- pruning و کوانتیزه‌سازی
- مسیریابی و توزیع بار برای سیستم‌های ایجنتی
پیش‌نیاز برای خواندن#
- آشنایی با پایتون و کار با یک API مدل زبانی (دوره‌ی LangChain کافی است)
- برای بخش دوم: مفاهیم پایه‌ی سیستم‌عامل و معماری کامپیوتر، مثل حافظه، کش و پهنای باند
- تجربه‌ی کار با یک ایجنت کدنویس (Claude Code، Codex یا مشابه) خیلی کمک می‌کند
اگر می‌خواهید خودتان تمرین کنید#
تمرین‌های درس اصلی فقط برای دانشجویان هاروارد است، اما مسیرشان را می‌شود خودتان دنبال کنید:
- یک نشست کامل Claude Code را ثبت و تحلیل کنید: چند فراخوانی مدل، چند ابزار، چند توکن.
- یک ایجنت کدنویس ساده با حلقه‌ی ReAct و چند ابزار بسازید (جلسه‌ی ۴).
- همان ایجنت را از نظر دقت، هزینه و تأخیر بهینه کنید (جلسه‌های ۷ و ۸).
- ایجنت را روی یک مدل کوچک که خودتان سرو می‌کنید اجرا کنید (جلسه‌های ۱۰ و ۱۱).