آموزش ساخت سیستم‌های چندعاملی (Multi-Agent) با استفاده از LangGraph و Autogen - آخرین آپدیت

دانلود Building Multi-Agent Systems using LangGraph and Autogen

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره آموزشی اصول و مبانی سیستم‌های هوش مصنوعی چندعاملی را با استفاده از LangGraph و Autogen معرفی می‌کند و درک معماری را با توسعه عملی عامل‌های هوشمند و همکار ترکیب می‌نماید. این دوره که برای ارائه مبانی مفهومی و تجربه عملی طراحی شده است، به بررسی نحوه بازتعریف اتوماسیون، تصمیم‌گیری و حل مسئله مبتنی بر هوش مصنوعی توسط سیستم‌های عامل‌محور می‌پردازد. از طریق درس‌های هدایت‌شده و نمایش‌های کدنویسی، شما یاد خواهید گرفت چگونه چندین عامل هوش مصنوعی (AI Agents) بسازید که به صورت خودکار با هم ارتباط برقرار کنند، برنامه‌ریزی کنند و وظایف را اجرا نمایند. شما با LangGraph برای ساختاردهی به جریان‌های کاری عامل‌ها و با Autogen برای فعال‌سازی تعامل پویا بین آن‌ها کار خواهید کرد. این دوره موضوعات کلیدی مانند ارتباطات میان عاملی، حلقه‌های استدلال، تجزیه وظایف و هماهنگی برای کاربردهای دنیای واقعی مانند تحقیق، تحلیل و مدیریت جریان کار را پوشش می‌دهد. در پایان این دوره، شما قادر خواهید بود: • معماری، رفتار و چرخه حیات سیستم‌های چندعاملی را درک کنید. • عامل‌های هوشمند را با استفاده از LangGraph و Autogen برای حل مسئله مشارکتی بسازید. • استراتژی‌های استدلال و ارتباطات را برای مدیریت موثر وظایف پیاده‌سازی کنید. • عملکرد سیستم‌های چندعاملی را برای مقیاس‌پذیری و قابلیت اطمینان ارزیابی و بهینه کنید. این دوره برای توسعه‌دهندگان، دانشمندان داده و متخصصان هوش مصنوعی که می‌خواهند طراحی و استقرار سیستم‌های چندعاملی هوشمند با قابلیت اجرای خودکار جریان‌های کاری پیچیده را بیاموزند، ایده‌آل است. داشتن درک اولیه از برنامه‌نویسی پایتون و آشنایی با مفاهیم یادگیری ماشین یا هوش مصنوعی مفید خواهد بود، اما هیچ تجربه قبلی در مورد LangGraph یا Autogen نیاز نیست. به ما بپیوندید تا آینده سیستم‌های هوش مصنوعی خودگردان را کشف کنید و یاد بگیرید چگونه عامل‌هایی بسازید، هماهنگ کنید و بهینه کنید که به صورت هوشمند فکر، همکاری و عمل می‌کنند.

سرفصل ها و درس ها

داده‌های بلادرنگ و ابزارهای پیشرفته Real-Time Data and Advanced Tooling

  • معرفی تخصص Specialization Introduction

  • معرفی دوره Course Introduction

  • از محتوای ایستا تا تصمیم‌گیری مالی بلادرنگ From Static Content to Real-Time Financial Decisioning

  • تمرین عملی: عامل مشاهده‌گر (Observer Agent) Hands-on: The Observer Agent

  • تمرین عملی: یکپارچه‌سازی منابع داده بلادرنگ Hands-on: Integrating Real-Time Data Sources

  • تمرین عملی: اعتبارسنجی داده‌ها و پیش‌پردازش برای مدل‌های زبانی بزرگ (LLMs) Hands-on: Data Validation and Pre-Processing for LLMs

  • تمرین عملی: ساخت ابزار تحلیل بنیادی Hands-on: Building the Fundamental Analysis Tool

  • تمرین عملی: ساخت ابزار اجرا با محافظ‌های ساختار داده سخت‌گیرانه Hands-on: Creating the Execution Tool with Strict Schema Guardrails

  • تمرین عملی: استفاده از چندین ابزار در یک مرحله استدلال واحد Hands-on: Using Multiple Tools in a Single Reasoning Step

  • تمرین عملی: RAG برای دانش مالی - نمایه سازی گزارش‌های SEC Hands-on: RAG for Financial Knowledge - Indexing SEC Filings and Reports

  • تمرین عملی: مدیریت داده‌های عددی در RAG Hands-on: Handling Numerical Data in RAG

  • تمرین عملی: عامل تحقیق (Research Agent) Hands-on: The Research Agent

همکاری چندعاملی و تصمیم‌گیری Multi-Agent Collaboration and Decision-Making

  • فراتر از تک‌عاملی: اصول تیم‌های عامل همکار Beyond Single Agent: Principles of Collaborative Agent Teams

  • تمرین عملی: طراحی نقش‌های عامل - پژوهشگر، تحلیلگر و مدیر سبد سهام Hands-on: Designing Agent Roles - Researcher, Analyst, and Portfolio Manager

  • تمرین عملی: راه‌اندازی عامل هماهنگ‌کننده (Orchestrator) Hands-on: Setting Up the Orchestrator Agent

  • تمرین عملی: پروتکل‌های ارتباطی - توانمندسازی عامل‌ها برای انتقال پیام‌های ساختاریافته Hands-on: Communication Protocols Enabling Agents to Pass Structured Messages

  • تمرین عملی: نقش عامل تحلیلگر Hands-on: The Analyst Agent's Role

  • تمرین عملی: انتقال بین عامل‌های مختلف Hands-on: Transitions Between Different Agents

  • تمرین عملی: پیاده‌سازی مکانیسم اجماع برای تصمیمات سرمایه‌گذاری Hands-on: Implementing a Consensus Mechanism for Investment Decisions

  • تمرین عملی: تولید سیگنال معاملاتی Hands-on: Generating a Trading Signal

  • تمرین عملی: تحلیل مشارکتی کامل Hands-on: The Full Collaborative Analysis

  • تمرین عملی: یکپارچه‌سازی Autogen و Gemini در جریان کار موجود Hands-on: Integrating Autogen and Gemini in Existing Workflow

امنیت، قابلیت حسابرسی و استقرار Security, Auditability, and Deployment

  • مسئله اقدامات غیرقابل بازگشت: محافظ‌های اجرا در امور مالی The Irrevocable Action Problem: Guardrails for Financial Execution

  • تمرین عملی: پیاده‌سازی بررسی‌های پیش از اجرا Hands-on: Implementing Pre-Execution Checks

  • پیشگیری از جیلبریک LLM: تکنیک‌هایی برای جلوگیری از اقدامات غیرمجاز LLM Jailbreak Prevention: Techniques to Stop Unauthorized Actions

  • تمرین عملی: ثبت تمامی افکار و اقدامات برای رعایت قوانین (Compliance) Hands-on: Logging Every Thought and Action for Compliance

  • تمرین عملی: گره توقف اضطراری Hands-on: The Emergency Stop Node

  • تمرین عملی: اعمال اجباری تصمیمات بر اساس ضرب‌الاجل‌های سخت‌گیرانه بازار Hands-on: Forcing Decisions on Strict Market Deadlines

  • تمرین عملی: یکپارچه‌سازی صف بررسی نهایی برای اجرا Hands-on: Integrating the Final Review Queue for Execution

  • تمرین عملی: بسته‌بندی سیستم چندعاملی برای کانتینری‌سازی Hands-on: Packaging the Multi-Agent System for Containerization

  • تمرین عملی: استقرار API عامل معاملاتی خودگردان Hands-on: Deploying the Autonomous Trading Agent API

  • مقیاس‌پذیری سیستم‌های بلادرنگ و مدیریت پیشرفته سبد سهام Scaling Real-Time Systems and Advanced Portfolio Management

جمع‌بندی دوره و ارزیابی Course Wrap-Up and Assessment

  • خلاصه دوره Course Summary

نمایش نظرات

آموزش ساخت سیستم‌های چندعاملی (Multi-Agent) با استفاده از LangGraph و Autogen
جزییات دوره
8h 7m
33
(آخرین آپدیت)
371
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده