آموزش توسعه عامل‌های GenAI آماده برای محیط عملیاتی با پایتون - آخرین آپدیت

دانلود Production-Ready GenAI Agent Development with Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: ساخت، سازماندهی و استقرار عامل‌های هوش مصنوعی تاب‌آور در پایتون — همراه با کدهای قابل اجرا (AutoGen, CrewAI, LangGraph) ساخت چرخه عامل (Agent Loop) از ابتدا در پایتون — ادراک، تصمیم‌گیری و اجرا، به همراه ابزارها و حافظه ادغام امن ابزارها و APIهای خارجی در عامل‌ها، همراه با اعتبارسنجی و اصل کمترین دسترسی افزودن مدیریت خطای تاب‌آور، تلاش مجدد (Retries)، مهلت زمانی (Timeouts) و شکست ملایم به کد عامل تست و ارزیابی خروجی‌های عامل، از جمله مدیریت نتایجی که با اطمینان اشتباه هستند استقرار عامل‌ها در فضای ابری به عنوان سرویس‌های قابل اعتماد با مقیاس‌بندی و محدودیت‌های مناسب ساخت عامل‌های واقعی با AutoGen، CrewAI و LangGraph و انتخاب گزینه مناسب برای هر مسئله سازماندهی جریان‌های کاری چند-عاملی (Multi-agent) که بدون تداخل یا تشدید خطاها با یکدیگر هماهنگ شوند مانیتورینگ، لاگ‌گذاری و ردیابی عامل‌ها در محیط عملیاتی برای شناسایی سریع انحرافات و خطاها کنترل هزینه توکن‌ها و زیرساخت در مقیاس بالا، مدل‌سازی شده بر اساس دلار و روپیه ارائه یک عامل در سطح صنعتی از ابتدا تا انتها، همراه با نرده‌های حفاظتی (Guardrails) و نظارت انسانی در اقدامات حساس پیشنیازها: تسلط بر پایتون (توابع، کلاس‌ها، مبانی async، pip/venv)؛ این یک دوره برای توسعه‌دهندگان است توانایی فراخوانی APIها و مطالعه مستندات کتابخانه‌ها؛ نیازی به تجربه قبلی در زمینه Agentها نیست یک کلید API برای مدل‌های زبانی (لایه رایگان OpenAI/Anthropic/Gemini) برای اجرای مثال‌ها سیستمی با پایتون 3.10 یا بالاتر؛ هر بخش دارای کدهای منبع قابل اجرا برای تمرین همزمان است

این دوره شامل استفاده از هوش مصنوعی است.
از AI برای بازنویسی عبارات، اصلاح غلط‌های املایی، اشتباهات گرامری و تبدیل صوتی استفاده شده است.

بسیاری از آموزش‌های عامل‌های AI در حد یک دموی جذاب متوقف می‌شوند که به محض مواجهه با ترافیک واقعی، APIهای واقعی و هزینه‌های واقعی از هم می‌پاشند. این دوره راهنمای توسعه‌دهندگان برای بخشی است که واقعاً اهمیت دارد: ساخت عامل‌هایی در پایتون که واقعاً در محیط عملیاتی (Production) دوام بیاورند.


این دوره برای توسعه‌دهندگان سطح متوسط تا پیشرفته پایتون، مهندسان ML و معمارانی طراحی شده است که باید محصول را روانه بازار کنند. شما ابتدا چرخه عامل را از صفر می‌سازید — ادراک، تصمیم‌گیری، اجرا، با ابزارها و حافظه — تا فریم‌ورک‌ها دیگر برایتان جادویی نباشند. سپس عامل‌های واقعی را با AutoGen، CrewAI و LangGraph می‌سازید و یاد می‌گیرید چه زمانی از هر کدام استفاده کنید. شما ابزارها و APIهای خارجی را به صورت امن ادغام می‌کنید، جریان‌های کاری چند-عاملی را سازماندهی می‌کنید و مواردی را می‌افزایید که دموها نادیده می‌گیرند: مدیریت خطای تاب‌آور، تلاش مجدد، اعتبارسنجی خروجی‌های ساختاریافته، مانیتورینگ، ارزیابی و کنترل هزینه.


هر بخش، کد منبع کامل و قابل اجرای خود را به عنوان منبع قابل دانلود ارائه می‌دهد تا به جای تماشا، کدنویسی کنید. شما عامل‌های سطح صنعتی را گام‌به‌گام می‌سازید — یک عامل پژوهشی ابزار-محور، یک تیم چند-عاملی و یک جریان کاری Stateful با LangGraph — که هر کدام دارای نرده‌های حفاظتی، سیستم تلاش مجدد و قابلیت مشاهده (Observability) برای قابل اعتماد شدن هستند. این دوره صادقانه درباره بخش‌های سخت صحبت می‌کند: جاهایی که عامل‌ها با اطمینان اشتباه می‌کنند، چگونه هزینه‌های توکن در مقیاس بالا منفجر می‌شوند و چگونه نظارت انسانی را در تصمیمات حساس حفظ کنیم.


هر تصمیم مربوط به هزینه و مقیاس‌بندی همراه با یک مثال جهانی (دلار) و یک مثال هند (روپیه) است تا اقتصاد پروژه در هر کجا که است واقعی باشد. من بیش از بیست سال تجربه در پذیراندن ابزارها در عملیات واقعی داشته‌ام — نه فقط نمایش، بلکه پذیرش واقعی. همین حالا ثبت‌نام کنید و عامل‌های GenAI بسازید که در محیط عملیاتی پایداری کنند و مهارت‌های پایتون لازم برای مدیریت آن‌ها را کسب کنید.


سرفصل ها و درس ها

چرخه عامل در پایتون، از صفر The Agent Loop in Python, From Scratch

  • دادن ابزارها به مدل (Function Calling) Giving the Model Tools (Function Calling)

  • چرخه: ادراک، تصمیم، اجرا، تکرار The Loop: Perceive, Decide, Act, Repeat

  • افزودن حافظه و زمینه (Context) Adding Memory & Context

چرخه عامل در پایتون، از صفر The Agent Loop in Python, From Scratch

  • فراخوانی LLM و تجزیه پاسخ Calling an LLM and Parsing the Response

  • دادن ابزارها به مدل (Function Calling) Giving the Model Tools (Function Calling)

  • چرخه: ادراک، تصمیم، اجرا، تکرار The Loop: Perceive, Decide, Act, Repeat

  • افزودن حافظه و زمینه (Context) Adding Memory & Context

ساخت عامل‌ها با استفاده از فریم‌ورک‌ها Building Agents with the Frameworks

  • چرا از فریم‌ورک استفاده کنیم (و چه زمانی نکنیم) Why Use a Framework (and When Not To)

  • عامل‌ها با AutoGen Agents with AutoGen

  • تیم‌های عاملی با CrewAI Agent Crews with CrewAI

  • جریان‌های کاری Stateful با LangGraph Stateful Workflows with LangGraph

ادغام ابزارها و تعامل با API Tool Integration & API Interaction

  • طراحی یک ابزار مناسب Designing a Good Tool

  • فراخوانی APIهای خارجی از طریق یک ابزار Calling External APIs from a Tool

  • خروجی ساختاریافته و اعتبارسنجی Structured Output & Validation

  • امنیت ابزار: کمترین دسترسی و نرده‌های حفاظتی Tool Safety: Least Privilege & Guardrails

  • بازیابی و دادن داده‌ها به عامل‌ها (مبانی RAG) Retrieval & Giving Agents Your Data (RAG basics)

سازماندهی چند-عاملی و جریان‌های کاری Multi-Agent Orchestration & Workflows

  • طراحی یک سیستم چند-عاملی Designing a Multi-Agent System

  • الگوهای سازماندهی در کد Orchestration Patterns in Code

  • تیم پژوهشگر-نویسنده-بازبین A Researcher–Writer–Checker Crew

  • جلوگیری از تشدید خطاها Stopping Errors From Compounding

مدیریت خطای تاب‌آور، تلاش مجدد و مانیتورینگ Resilient Error Handling, Retries & Monitoring

  • چرا عامل‌ها در محیط عملیاتی شکست می‌خورند Why Agents Fail in Production

  • تلاش مجدد، Backoff و Timeouts در پایتون Retries, Backoff & Timeouts in Python

  • شکست ملایم و جایگزین‌ها (Fallbacks) Graceful Failure & Fallbacks

  • لاگ‌گذاری، ردیابی و مانیتورینگ عامل‌ها Logging, Tracing & Monitoring Agents

پروژه‌های عملی: ساخت عامل‌های صنعتی Hands-On: Build Production Agents

  • پروژه ۲: یک تیم گزارش‌ساز چند-عاملی (بخش اول) Build 2: A Multi-Agent Report Crew

  • پروژه ۲: یک تیم گزارش‌ساز چند-عاملی (بخش دوم) Build 2: A Multi-Agent Report Crew

  • پروژه ۳: یک جریان کاری Stateful با LangGraph Build 3: A Stateful LangGraph Workflow

  • پروژه ۴: یک عامل فعال در API با نرده‌های حفاظتی Build 4: An API-Acting Agent With Guardrails

  • پروژه ۵: بسته‌بندی یک عامل به عنوان سرویس Build 5: Packaging an Agent as a Service

تست، ارزیابی و کنترل هزینه Testing, Evaluation & Cost Control

  • ارزیابی کیفیت خروجی و شناسایی خطاهای مطمئن Evaluating Output Quality & Catching Confidently-Wrong

استقرار، مقیاس‌بندی و مسیر پیش رو Deployment, Scaling & Your Path Forward

  • استقرار یک عامل در فضای ابری Deploying an Agent to the Cloud

  • مقیاس‌بندی، همزمانی و قابلیت اطمینان Scaling, Concurrency & Reliability

  • امنیت و مدیریت Secrets برای سیستم‌های عاملی Security & Secrets for Agent Systems

  • پورتفولیو، مسیر شغلی و آمادگی برای مصاحبه Your Portfolio, Career & Interview Prep

  • برنامه ۹۰ روزه و نگاه صادقانه به آینده Your 90-Day Plan & the Future, Honestly

  • آزمون نهایی Quiz

نمایش نظرات

آموزش توسعه عامل‌های GenAI آماده برای محیط عملیاتی با پایتون
جزییات دوره
1.5 hours
35
(آخرین آپدیت)
94
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Ganesh Ravikumar Ganesh Ravikumar

مشاور اتوماسیون انبار