فرهنگ لغت LangChain4j

March 2, 2026 · View on GitHub

فهرست مطالب

مرجع سریع برای اصطلاحات و مفاهیم استفاده شده در طول دوره.

مفاهیم اصلی

عامل هوش مصنوعی (AI Agent) - سیستمی که از هوش مصنوعی برای استدلال و عمل به صورت خودمختار استفاده می‌کند. ماژول 04

زنجیره (Chain) - دنباله‌ای از عملیات که خروجی مرحله قبلی ورودی مرحله بعدی است.

تکه‌تکه کردن (Chunking) - تقسیم اسناد به قطعات کوچکتر. معمولاً: ۳۰۰-۵۰۰ توکن با همپوشانی. ماژول 03

پنجره زمینه (Context Window) - حداکثر توکن‌هایی که مدل می‌تواند پردازش کند. GPT-5.2: ۴۰۰K توکن (تا ۲۷۲K ورودی، ۱۲۸K خروجی).

بردارها (Embeddings) - بردارهای عددی که معنای متن را نمایش می‌دهند. ماژول 03

فراخوانی تابع (Function Calling) - مدلی که درخواست‌های ساختاریافته برای فراخوانی توابع خارجی تولید می‌کند. ماژول 04

توهم (Hallucination) - زمانی که مدل‌ها اطلاعات نادرست اما محتمل تولید می‌کنند.

درخواست (Prompt) - ورودی متنی به مدل زبانی. ماژول 02

جستجوی معنایی (Semantic Search) - جستجو بر اساس معنا با استفاده از بردارها، نه کلیدواژه‌ها. ماژول 03

حالت‌مند در مقابل بدون حالت (Stateful vs Stateless) - بدون حالت: بدون حافظه. حالت‌مند: نگهداری تاریخچه مکالمه. ماژول 01

توکن‌ها (Tokens) - واحدهای پایه متنی که مدل‌ها پردازش می‌کنند. تاثیرگذار بر هزینه‌ها و محدودیت‌ها. ماژول 01

زنجیره ابزار (Tool Chaining) - اجرای متوالی ابزارها که خروجی مرحله قبلی به تماس بعدی اطلاع می‌دهد. ماژول 04

اجزای LangChain4j

AiServices - ایجاد رابط‌های خدمات هوش مصنوعی با نوع ایمن.

OpenAiOfficialChatModel - کلاینت یکپارچه برای مدل‌های OpenAI و Azure OpenAI.

OpenAiOfficialEmbeddingModel - ایجاد بردارها با استفاده از کلاینت رسمی OpenAI (پشتیبانی از هر دو OpenAI و Azure OpenAI).

ChatModel - رابط اصلی برای مدل‌های زبانی.

ChatMemory - نگهداری تاریخچه مکالمه.

ContentRetriever - یافتن قطعات مرتبط سند برای RAG.

DocumentSplitter - تقسیم اسناد به قطعات.

EmbeddingModel - تبدیل متن به بردارهای عددی.

EmbeddingStore - ذخیره و بازیابی بردارها.

MessageWindowChatMemory - نگهداری پنجره متحرک پیام‌های اخیر.

PromptTemplate - ایجاد درخواست‌های قابل استفاده مجدد با جایگزین‌های {{variable}}.

TextSegment - قطعه متنی همراه با متادیتا. استفاده شده در RAG.

ToolExecutionRequest - نمایش درخواست اجرای ابزار.

UserMessage / AiMessage / SystemMessage - انواع پیام‌های مکالمه.

مفاهیم هوش مصنوعی/یادگیری ماشینی

یادگیری با نمونه‌های اندک (Few-Shot Learning) - ارائه مثال‌ها در درخواست‌ها. ماژول 02

مدل زبانی بزرگ (LLM) - مدل‌های هوش مصنوعی آموزش دیده روی داده‌های متنی بسیار زیاد.

تلاش استدلالی (Reasoning Effort) - پارامتر GPT-5.2 برای کنترل عمق تفکر. ماژول 02

دمای خروجی (Temperature) - کنترل تصادفی بودن خروجی. پایین=قابل پیش‌بینی، بالا=خلاقانه.

پایگاه داده برداری (Vector Database) - پایگاه داده تخصصی برای بردارها. ماژول 03

یادگیری بدون نمونه (Zero-Shot Learning) - انجام کارها بدون ارائه مثال. ماژول 02

Guardrails - ماژول 00

دفاع چندلایه (Defense in Depth) - رویکرد امنیتی با چند لایه که guardrails در سطح برنامه را با فیلترهای ایمنی ارائه دهنده ترکیب می‌کند.

بلاک سخت (Hard Block) - ارائه دهنده در صورت تخلفات شدید محتوایی خطای HTTP 400 می‌دهد.

InputGuardrail - رابط LangChain4j برای اعتبارسنجی ورودی کاربر قبل از رسیدن به LLM. صرفه‌جویی در هزینه و تاخیر با مسدود کردن درخواست‌های مضر در مراحل اولیه.

InputGuardrailResult - نوع بازگشتی برای اعتبارسنجی guardrail: success() یا fatal("reason").

OutputGuardrail - رابط برای اعتبارسنجی پاسخ‌های هوش مصنوعی پیش از بازگشت به کاربران.

فیلترهای ایمنی ارائه‌دهنده (Provider Safety Filters) - فیلترهای محتوای درون‌ساخت ارائه‌دهندگان هوش مصنوعی (مانند GitHub Models) که تخلفات را در سطح API تشخیص می‌دهند.

رد خارج از چارچوب نرم (Soft Refusal) - مدل با احترام از پاسخ دادن امتناع می‌کند بدون اینکه خطا دهد.

مهندسی درخواست - ماژول 02

زنجیره تفکر (Chain-of-Thought) - استدلال گام‌به‌گام برای دقت بهتر.

خروجی محدود (Constrained Output) - اعمال قالب یا ساختار مشخص.

اشتیاق بالا (High Eagerness) - الگوی GPT-5.2 برای استدلال کامل.

اشتیاق پایین (Low Eagerness) - الگوی GPT-5.2 برای پاسخ سریع.

مکالمه چند مرحله‌ای (Multi-Turn Conversation) - حفظ زمینه در تبادل‌های متعدد.

درخواست با نقش (Role-Based Prompting) - تعیین شخصیت مدل از طریق پیام‌های سیستمی.

خودبازبینی (Self-Reflection) - مدل خروجی خود را ارزیابی و بهبود می‌بخشد.

تحلیل ساختاری (Structured Analysis) - چارچوب ارزیابی مشخص.

الگوی اجرای وظیفه (Task Execution Pattern) - برنامه‌ریزی → اجرا → خلاصه‌سازی.

RAG (تولید افزوده شده بازیابی) - ماژول 03

خط پردازش سند (Document Processing Pipeline) - بارگیری → تکه تکه کردن → تعبیه → ذخیره.

انبار بردار در حافظه (In-Memory Embedding Store) - ذخیره‌سازی غیرپایدار برای آزمایش.

RAG - ترکیب بازیابی با تولید برای اساس دادن پاسخ‌ها.

امتیاز شباهت (Similarity Score) - اندازه‌گیری (۰-۱) شباهت معنایی.

مرجع منبع (Source Reference) - متادیتا درباره محتوای بازیابی شده.

عامل‌ها و ابزارها - ماژول 04

حاشیه‌نویسی @Tool - علامت‌گذاری متدهای جاوا به عنوان ابزارهای قابل فراخوانی توسط هوش مصنوعی.

الگوی ReAct - استدلال → عمل → مشاهده → تکرار.

مدیریت جلسه (Session Management) - زمینه‌های جداگانه برای کاربران مختلف.

ابزار (Tool) - تابعی که یک عامل هوش مصنوعی می‌تواند آن را فراخوانی کند.

توضیح ابزار (Tool Description) - مستندسازی هدف و پارامترهای ابزار.

ماژول عاملی - ماژول 05

حاشیه‌نویسی @Agent - علامت‌گذاری رابط‌ها به عنوان عوامل هوش مصنوعی با تعریف رفتار اظهاری.

شنونده عامل (Agent Listener) - قلابی برای مانیتورینگ اجرای عامل via beforeAgentInvocation() و afterAgentInvocation().

حوزه عاملی (Agentic Scope) - حافظه مشترکی که عوامل نتایج را با استفاده از outputKey ذخیره می‌کنند تا عوامل پایین‌دستی مصرف کنند.

AgenticServices - کارخانه‌ای برای ایجاد عوامل با استفاده از agentBuilder() و supervisorBuilder().

جریان کاری شرطی (Conditional Workflow) - مسیریابی بر اساس شرایط به عوامل متخصص مختلف.

انسان در حلقه (Human-in-the-Loop) - الگوی جریان کاری افزودن نقاط کنترل انسانی برای تایید یا بازبینی محتوا.

langchain4j-agentic - وابستگی Maven برای ساخت عامل اظهاری (آزمایشی).

جریان کاری حلقه‌ای (Loop Workflow) - تکرار اجرای عامل تا زمانی که شرطی برآورده شود (مثلاً امتیاز کیفیت ≥ ۰.۸).

outputKey - پارامتر حاشیه‌نویسی عامل که مشخص می‌کند نتایج کجا در حوزه عاملی ذخیره شوند.

جریان کاری موازی (Parallel Workflow) - اجرای همزمان چند عامل برای وظایف مستقل.

استراتژی پاسخ (Response Strategy) - نحوه فرموله کردن پاسخ نهایی توسط سرپرست: LAST، SUMMARY یا SCORED.

جریان کاری ترتیبی (Sequential Workflow) - اجرای عوامل به ترتیبی که خروجی به مرحله بعدی منتقل شود.

الگوی عامل سرپرست (Supervisor Agent Pattern) - الگوی پیشرفته عاملی که در آن یک LLM سرپرست به صورت پویا تصمیم می‌گیرد کدام عوامل زیرمجموعه را فراخوانی کند.

پروتکل زمینه مدل (MCP) - ماژول 05

langchain4j-mcp - وابستگی Maven برای ادغام MCP در LangChain4j.

MCP - پروتکل زمینه مدل: استاندارد اتصال برنامه‌های هوش مصنوعی به ابزارهای خارجی. یک بار بساز، همه‌جا استفاده کن.

مشتری MCP (MCP Client) - برنامه‌ای که به سرورهای MCP متصل می‌شود تا ابزارها را کشف و استفاده کند.

سرور MCP (MCP Server) - سرویس ارائه‌دهنده ابزارها از طریق MCP با توصیفات و اسکیمای پارامترهای شفاف.

McpToolProvider - جزء LangChain4j که ابزارهای MCP را برای استفاده در خدمات و عوامل هوش مصنوعی بسته‌بندی می‌کند.

McpTransport - رابط ارتباط MCP. پیاده‌سازی‌ها شامل Stdio و HTTP.

انتقال Stdio - انتقال محلی از طریق stdin/stdout. برای دسترسی به فایل‌سیستم یا ابزارهای خط فرمان مفید است.

StdioMcpTransport - پیاده‌سازی LangChain4j که سرور MCP را به صورت فرایند فرعی اجرا می‌کند.

کشف ابزار (Tool Discovery) - مشتری از سرور درخواست فهرست ابزارهای موجود با توصیفات و اسکیمای پارامترها می‌کند.

خدمات Azure - ماژول 01

Azure AI Search - جستجوی ابری با قابلیت‌های برداری. ماژول 03

Azure Developer CLI (azd) - استقرار منابع Azure.

Azure OpenAI - سرویس هوش مصنوعی سازمانی مایکروسافت.

Bicep - زبان Infrastructure as Code برای Azure. راهنمای زیرساخت

نام استقرار (Deployment Name) - نام برای استقرار مدل در Azure.

GPT-5.2 - جدیدترین مدل OpenAI با کنترل استدلال. ماژول 02

آزمایش و توسعه - راهنمای آزمایش

Dev Container - محیط توسعه کانتینر شده. پیکربندی

GitHub Models - زمین بازی رایگان مدل‌های هوش مصنوعی. ماژول 00

آزمایش در حافظه (In-Memory Testing) - آزمایش با ذخیره‌سازی در حافظه.

آزمایش یکپارچه‌سازی (Integration Testing) - آزمایش با زیرساخت واقعی.

Maven - ابزار ساخت اتوماسیون جاوا.

Mockito - چارچوب ماکینگ جاوا.

Spring Boot - چارچوب برنامه‌نویسی جاوا. ماژول 01


سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما برای دقت تلاش می‌کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نا دقت‌هایی باشند. سند اصلی به زبان بومی خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما در قبال هرگونه سوء تفاهم یا تفسیر نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.