آموزش مسترکلاس هوش مصنوعی عامل‌محور (Agentic AI) 2026: LangChain, Langflow & CrewAI - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

1.1 مبانی هوش مصنوعی مولد - مقدمه 1.1 Foundations of Generative AI - Introduction

• 1.1.1 مقدمه‌ای بر هوش مصنوعی مولد 1.1.1 Introduction to Generative AI

• 1.1.2 تکامل هوش مصنوعی 1.1.2 The Evolution of Artificial Intelligence

• 1.1.3 تکامل مدل‌های زبانی بزرگ 1.1.3 Evolution of Large Language Models

• 1.1.4 مدل‌های متن‌باز در مقابل مدل‌های بسته 1.1.4 Open Source vs Closed Source

• 1.1.5 کاربردهای دنیای واقعی 1.1.5 Real World Applications

1.2 مبانی هوش مصنوعی مولد - مفاهیم اصلی LLM 1.2 Foundations of Generative AI - Core LLM Concepts

• 1.2.1 مقدمه‌ای بر مفاهیم اصلی LLM 1.2.1 Introduction to Core LLM Concepts

• 1.2.2 توکنایزیشن در LLMها 1.2.2 Tokenization in LLMs

• 1.2.3 امبدینگ‌ها در LLMها 1.2.3 Embeddings in LLMs

• 1.2.4 طول کانتکست در LLMها 1.2.4 Context Length in LLMs

• 1.2.5 مکانیزم Attention در LLMها 1.2.5 Attention in LLMs

• 1.2.6 پارامترهای استنتاج در LLMها 1.2.6 Inference parameters in LLMs

• 1.2.7 تأخیر و توان عملیاتی در LLMها 1.2.7 Latency Throughput in LLMs

• 1.2.8 آموزش و تنظیم دقیق در LLMها 1.2.8 Training & Fine-Tuning in LLMs

1.3 مبانی هوش مصنوعی مولد - کار با APIهای LLM 1.3 Foundations of Generative AI - Working With LLM APIs

• 1.3.1 از مفاهیم اصلی LLM تا اپلیکیشن‌های واقعی 1.3.1 From Core LLM Concepts to Real Applications

• 1.3.2 مبانی APIهای LLM 1.3.2 LLM API Fundamentals

• 1.3.3 خروجی‌های ساختاریافته 1.3.3 Structured Outputs

• 1.3.4 مقایسه ارائه‌دهندگان سرویس 1.3.4 Comparing Providers

• 1.3.5 انتخاب مدل 1.3.5 Model selection

1.4 مبانی هوش مصنوعی مولد - تمرینات عملی 1.4 Foundations of Generative AI - Hands On

• 1.4.1 اولین فراخوانی API مدل زبانی 1.4.1 First LLM API Call

• 1.4.2 پارامترهای مدل 1.4.2 Model Parameters

• 1.4.3 خروجی‌های ساختاریافته 1.4.3 Structured Outputs

2.1 مهندسی پرامپت - مقدمه 2.1 Prompt Engineering - Introduction

• مقدمه Introduction

2.2 مهندسی پرامپت - مدل‌های ذهنی و مبانی پرامپت‌نویسی 2.2 Prompt Engineering - Prompting Mental Models & Foundations

• 2.2.1 مدل‌ها چگونه پرامپت‌ها را تفسیر می‌کنند 2.2.1 How Models Interpret Prompts

• 2.2.2 تکنیک‌های اصلی پرامپت‌نویسی 2.2.2 Core Prompting Techniques

• 2.2.3 کنترل نقش و کانتکست 2.2.3 Role & Context Control

2.3 مهندسی پرامپت - الگوهای پیشرفته طراحی پرامپت 2.3 Prompt Engineering - Advanced Prompt Design Patterns

• 2.3.1 مقدمه 2.3.1 Introduction

• 2.3.2 پرامپت‌های بازیافت‌پذیر و پارامتری 2.3.2 Reusable & Parameterized Prompts

• 2.3.3 قالب‌های پرامپت و نسخه‌بندی 2.3.3 Prompt Templates & Versioning

• 2.3.4 پرامپت‌نویسی استدلال‌محور 2.3.4 Reasoning-Oriented Prompting

• 2.3.5 پرامپت‌نویسی متناسب با مدل 2.3.5 Model-Aware Prompting

• 2.3.6 کشینگ و بهینه‌سازی پرامپت 2.3.6 Prompt Caching & Optimization

2.4 مهندسی پرامپت - ارزیابی و تکرار پرامپت 2.4 Prompt Engineering - Prompt Evaluation & Iteration

• 2.4.1 مقدمه 2.4.1 Introduction

• 2.4.2 طرز فکر ارزیابی: از شهود تا اندازه‌گیری 2.4.2 Evaluation Mindset From Intuition to Measurement

• 2.4.3 طراحی دیتاست‌های ارزیابی 2.4.3 Designing Evaluation Datasets

• 2.4.4 تکنیک‌های خودکار ارزیابی پرامپت 2.4.4 Automated Prompt Evaluation Techniques

• 2.4.5 تست رگرسیون و بنچ‌مارک نسخه‌ها 2.4.5 Regression Testing & Version Benchmarking

• 2.4.6 تست A/B و اعتبارسنجی در دنیای واقعی 2.4.6 A/B Testing & Real-World Validation

• 2.4.7 مانیتورینگ و بهبود مستمر 2.4.7 Monitoring & Continuous Improvement

2.5 مهندسی پرامپت - حالت‌های شکست و پایداری پرامپت 2.5 Prompt Engineering - Prompt Failure Modes & Robustness

• 2.5.1 مقدمه 2.5.1 Introduction

• 2.5.2 توهمات (Hallucinations) 2.5.2 Hallucinations

• 2.5.3 اعتماد به نفس بیش از حد مدل 2.5.3 Overconfidence

• 2.5.4 شکنندگی پرامپت 2.5.4 Prompt Brittleness

• 2.5.5 نشت توکن و تداخل کانتکست 2.5.5 Token Leakage and Context Collisions

2.6 مهندسی پرامپت - تمرینات عملی 2.6 Prompt Engineering - Hands On

• 2.6.1 مدل‌ها چگونه پرامپت‌ها را تفسیر می‌کنند 2.6.1 How Models Interpret Prompts

• 2.6.2 بهبود کیفیت پرامپت 2.6.2 Improving Prompt Quality

• 2.6.3 پرامپت‌نویسی ساختاریافته 2.6.3 Structured Prompting

• 2.6.4 قالب‌های پرامپت و نسخه‌بندی 2.6.4 Prompt Templates & Versioning

3.1 مقدمه Agentic AI - از سیستم‌های پرامپت به سیستم‌های عامل‌محور 3.1 Introduction to Agentic AI - From Prompt Systems to Agentic Systems

• 3.1.1 چت‌بات‌ها در مقابل گردش‌کارها و عامل‌ها 3.1.1 Chatbots vs workflows vs Agents

• 3.1.2 سیستم‌های استاتیک در مقابل تطبیقی 3.1.2 Static vs adaptive systems

• 3.1.3 طیف خودمختاری 3.1.3 Autonomy Spectrum

• 3.1.4 چه زمانی از عامل استفاده نکنیم 3.1.4 When Not to use an Agent

3.2 مقدمه Agentic AI - چرخه اجرای عامل 3.2 Introduction to Agentic AI - Agent Execution Loop

• 3.2.1 چرخه (The Loop) 3.2.1 The Loop

• 3.2.2 رفتار مبتنی بر بازخورد و تکرار 3.2.2 Feedback-driven behavior and iteration

• 3.2.3 آگاهی از وضعیت (State Awareness) 3.2.3 State awareness

3.3 مقدمه Agentic AI - بلوک‌های سازنده یک عامل 3.3 Introduction to Agentic AI - The building blocks of an Agent

• 3.3.1 نقش و اهداف 3.3.1 Role & Goals

• 3.3.2 سیاست‌ها و محدودیت‌ها 3.3.2 Policies & Constraints

• 3.3.3 ابزارها به عنوان قابلیت‌ها 3.3.3 Tools as capabilities

• 3.3.4 محیط و تعاملات 3.3.4 Environment & Interactions

• 3.3.5 وضعیت و کانتکست 3.3.5 State & context

3.4 مقدمه Agentic AI - بازترازی‌های معماری 3.4 Introduction to Agentic AI - Architectural Tradeoffs

• 3.4.1 خودمختاری در مقابل قابلیت اطمینان 3.4.1 Autonomy vs reliability

• 3.4.2 جبرگرایی در مقابل خلاقیت 3.4.2 Determinism vs creativity

• 3.4.3 کنترل در مقابل انعطاف‌پذیری 3.4.3 Control vs flexibility

• 3.4.4 تک-عاملی در مقابل چند-عاملی 3.4.4 Single-agent vs multi-agent

• 3.4.5 شفاف‌سازی اصطلاحات 3.4.5 Terminology clarity

4. اکوسیستم فریم‌ورک‌های عامل 4. Agent Frameworks Ecosystem

• 4.1 چرا فریم‌ورک‌های عامل وجود دارند 4.1 Why Agent Frameworks Exist

• 4.2 پشته تکنولوژی عامل‌ها 4.2 The Agent Technology Stack

• 4.3 بررسی چشم‌انداز فریم‌ورک‌های اصلی 4.3 Major Agent Frameworks Landscape

• 4.4 عامل‌های کد-محور در مقابل کم‌کد و بدون کد 4.4 Code vs Low Code vs No Code Agents

• 4.5 انتخاب فریم‌ورک مناسب 4.5 Choosing the right Framework

5. مبانی LangChain 5. LangChain Fundamentals

• 5.1 چرا LLMها به تنهایی کافی نیستند 5.1 Why LLMs are not enough

• 5.2 آشنایی با LCEL 5.2 LCEL

• 5.3 ابزارها و فراخوانی ابزار 5.3 Tools & Tool Calling

• 5.4 عامل‌ها 5.4 Agents

• 5.5 کانتکست 5.5 Context

• 5.6 حافظه 5.6 Memory

6.1 LangChain - مفاهیم پیشرفته 6.1 LangChain - Advanced Concepts

• 6.1.1 حافظه بلندمدت 6.1.1 Long-term Memory

• 6.1.2 میان‌افزارها 6.1.2 Middleware

• 6.1.3 گاردریل‌ها 6.1.3 Guardrails

• 6.1.4 سیستم‌های چند-عاملی 6.1.4 Multi-Agents

6.2 LangChain - مفاهیم پیشرفته - عامل‌های عمیق 6.2 LangChain - Advanced Concepts - Deep Agents

• 6.2.1 عامل‌های عمیق - مقدمه 6.2.1 Deep Agents - Introduction

• 6.2.2 عامل‌های عمیق - برنامه‌ریزی 6.2.2 Deep Agents - Planning

• 6.2.3 عامل‌های عمیق - سیستم فایل 6.2.3 Deep Agents - Filesystem

• 6.2.4 عامل‌های عمیق - زیر-عامل‌ها 6.2.4 Deep Agents - Subagents

7.1 پلتفرم‌های بدون کد/کم‌کد - Langflow 7.1 No-code/Low-code Platforms - Langflow

• 7.1.1 مقدمه Langflow 7.1.1 Langflow Introduction

• 7.1.2 نصب Langflow 7.1.2 Langflow Installation

• 7.1.3 اولین جریان (flow) در Langflow 7.1.3 first flow in langflow

• 7.1.4 گردش‌کار دستیار پژوهشی 7.1.4 Research Assistant Workflow

• 7.1.5 برنامه‌ریز سفر AI 7.1.5 AI Travel Planner

7.2 پلتفرم‌های بدون کد/کم‌کد - CrewAI 7.2 No-code/Low-code Platforms - CrewAI

• 7.2.1 مقدمه CrewAI 7.2.1 CrewAI Introduction

• 7.2.2 نصب CrewAI 7.2.2 CrewAI Installation

• 7.2.3 برنامه‌ریز سفر AI با استفاده از CrewAI 7.2.3 AI Travel Planner using CrewAI

8 مشاهده‌پذیری، ارزیابی و مدیریت پرامپت 8 Observability, Evaluation and Prompt Management

• 8.1 مقدمه 8.1 Introduction

• 8.2 مشاهده‌پذیری با استفاده از Langsmith 8.2 Observability using Langsmith

• 8.3 مشاهده‌پذیری با استفاده از MLflow 8.3 Observability using MLflow

• 8.4 ارزیابی با استفاده از LangSmith 8.4 Evaluation using LangSmith

• 8.5 ارزیابی با استفاده از MLflow 8.5 Evaluation using MLflow

• 8.6 مفاهیم ارزیابی 8.6 Evaluation Concepts

• 8.7 مدیریت پرامپت 8.7 Prompt Management