آموزش تسلط بر MCP: ساخت اپلیکیشن‌های هوش مصنوعی با Claude، LangChain و Ollama - آخرین آپدیت

دانلود MCP Mastery: Build AI Apps with Claude, LangChain and Ollama

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: ساخت ایجنت‌ها، سرورها و کلاینت‌های MCP LangChain v1 و LangGraph v1 با استفاده از پایتون، Streamlit، ChromaDB و ادغام با Ollama طراحی و استقرار سرورهای سفارشی MCP با ابزارها، منابع و APIهای واقعی. یکپارچه‌سازی سرورهای MCP با Claude Desktop و جریان‌های کاری LangChain و LangGraph. پیاده‌سازی سیستم‌های RAG با استفاده از پایگاه‌های داده برداری برای بازیابی هوشمند اسناد. تست، ایمن‌سازی و استقرار سرورهای MCP آماده تولید در محیط‌های ابری. پیشنیازها: دانش پایه برنامه‌نویسی پایتون دسترسی به کامپیوتر با اتصال اینترنت و توانایی نصب نرم‌افزار. بدون نیاز به تجربه قبلی در AI/ML — همه موارد گام‌به‌گام آموزش داده می‌شوند. اشتیاق برای یادگیری عملی یکپارچه‌سازی MCP و به‌کارگیری آن‌ها در پروژه‌های واقعی.

در پروتکل کانتکست مدل (MCP) استاد شوید و اپلیکیشن‌های هوش مصنوعی آماده تولید بسازید که Claude را به داده‌های واقعی، APIها و جریان‌های کاری متصل می‌کند.


با شتاب گرفتن پذیرش هوش مصنوعی در صنایع مختلف، پروتکل کانتکست مدل (MCP)به عنوان استانداردی برای اتصال مدل‌های AI به سیستم‌های خارجی ظهور کرده است. شرکت‌ها فعالانه به دنبال توسعه‌دهندگانی هستند که بتوانند یکپارچه‌سازی‌های امن و مقیاس‌پذیر MCP ایجاد کنند. این دوره شما را در خط مقدم این حوزه در حال رشد قرار می‌دهد.


چه چیزی این دوره را متمایز می‌کند

برخلاف دوره‌های تئوری، شما از روز اول پروژه‌های واقعی خواهید ساخت. هر بخش، کدنویسی کاربردی را با مفاهیم ضروری ترکیب می‌کند تا هم درک عمیق و هم مهارت‌های عملی شما توسعه یابد. در پایان، شما مجموعه‌ای از اپلیکیشن‌های MCP فعال و آماده برای استفاده در محیط تولید خواهید داشت.

مسیر یادگیری کامل: از مبانی تا پیشرفته

پایه و راه‌اندازی

  • تسلط بر معماری MCP (لایه‌های کلاینت، سرور و انتقال)

  • راه‌اندازی محیط توسعه حرفه‌ای با پایتون، Node.js و Claude Desktop

  • ساخت اولین سرور MCP با ادغام API زنده آب و هوا

  • دیباگ و تست اتصالات MCP با استفاده از ابزارهای Inspector

یکپارچه‌سازی‌های دنیای واقعی

  • اتصال مستقیم سرورهای MCP به Claude Desktopبرای ارتقای فوری قابلیت‌های AI

  • ساخت سرورهای تحلیل داده برای Excel، PowerPoint و پایگاه‌های داده SQLite

  • ایجاد ابزارهای مدیریت سیستم فایلبرای جریان‌های کاری خودکار

  • پیاده‌سازی اتوماسیون وببا استفاده از Microsoft Playwright

جریان‌های کاری پیشرفته AI

  • توسعه سیستم‌های RAG (تولید تقویت شده با بازیابی)با LangChain و پایگاه‌های داده برداری

  • ساخت اپلیکیشن‌های جستجوی شخصی‌سازی شده شغلبا ابزارها، منابع و پرومپت‌های MCP

  • ایجاد معماری‌های چند سروریبرای فرآیندهای پیچیده تجاری

  • طراحی جریان‌های کاری ایجنتی (Agentic)با استفاده از مدل‌های زبانی محلی (LLM) در Ollama

اپلیکیشن‌های آماده تولید

  • ساخت رابط‌های وب Streamlitبرای کلاینت‌های MCP

  • پیاده‌سازی استراتژی‌های تست جامعبا MCP Inspector

  • استقرار سرورها با استفاده از پروتکل‌های انتقال متعدد(STDIO, HTTP)

  • ایجاد پیکربندی‌های مقیاس‌پذیربرای محیط‌های سازمانی

پروژه‌های عملی که خواهید ساخت

سرور هوشمند آب و هوای لحظه‌ای

  • ادغام API زنده با مدیریت خطاها

  • قابلیت‌های تحلیل آب و هوای چندین مکان

مجموعه تحلیل داده‌های تجاری

  • اتوماسیون Excel/PowerPoint برای تولید گزارش

  • مدیریت پایگاه داده SQLite با کوئری‌های قدرت گرفته از AI

  • ادغام با Notion برای انتشار گزارش‌های حرفه‌ای

دستیار جستجوی شغل مبتنی بر AI

  • ادغام RapidAPI برای کشف فرصت‌های شغلی

  • موتور توصیه شخصی‌سازی شده

  • پیاده‌سازی کامل ابزارها، منابع و پرومپت‌های MCP

سیستم RAG هوشمند برای اسناد

  • خط لوله پردازش و برداری‌سازی فایل‌های PDF

  • مکانیزم‌های بازیابی پیشرفته با LangChain

  • مدیریت پایگاه دانش چندسندی

اپلیکیشن وب Streamlit

  • رابط کاربری حرفه‌ای برای تعاملات MCP

  • پاسخ‌های لحظه‌ای AI و بصری‌سازی داده‌ها

  • معماری استقرار آماده تولید

مهارت‌های فنی که به آن‌ها مسلط خواهید شد

  • معماری MCP: درک عمیق از مشخصات پروتکل و بهترین شیوه‌ها

  • Python & Node.js: توسعه پیشرفته سرور با فریم‌ورک‌های مدرن

  • یکپارچه‌سازی AI: Claude Desktop، LangChain، LangGraph و Ollama

  • مدیریت پایگاه داده: SQLite، پایگاه‌های داده برداری و خط لوله‌های پردازش داده

  • تست & دیباگ: استراتژی‌های جامع تست و عیب‌یابی

چه کسانی باید در این دوره شرکت کنند

  • توسعه‌دهندگان AI/MLکه می‌خواهند AI را با سیستم‌های واقعی ادغام کنند

  • مهندسان نرم‌افزارکه به دنبال افزودن مهارت‌های پیشرفته AI هستند

  • دانشمندان دادهعلاقه‌مند به ساخت جریان‌های کاری داده مبتنی بر AI

  • کارآفرینانکه در حال برنامه‌ریزی برای محصولات یا خدمات تقویت شده با AI هستند

  • متخصصان فنیکه می‌خواهند با روندهای توسعه AI به‌روز بمانند

پیش‌نیازها

  • دانش پایه برنامه‌نویسی پایتون

  • آشنایی با APIها و JSON

  • درک کار با محیط خط فرمان (CLI)

  • بدون نیاز به تجربه قبلی در MCP یا توسعه AI

نتایج دوره

پس از اتمام دوره، شما قادر خواهید بود:

  • معماری‌های سرور MCP امن را طراحی و پیاده‌سازی کنید

  • مدل‌های AI را به پایگاه‌های داده، APIها و سرویس‌های خارجی متصل کنید

  • سیستم‌های RAG مقیاس‌پذیر برای تحلیل اسناد بسازید

  • اپلیکیشن‌های AI آماده تولید با رابط‌های کاربری حرفه‌ای ایجاد کنید

  • راهکارهای MCP را با اطمینان دیباگ، تست و مستقر کنید

  • جریان‌های کاری چند-ایجنت را برای فرآیندهای پیچیده تجاری طراحی کنید


;;تمامی مطالب دوره شامل کدهای قابل دانلود، فایل‌های پیکربندی و راهنمای گام‌به‌گام نصب است. دسترسی مادام‌العمر همراه با به‌روزرسانی‌های منظم با تکامل MCP.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • مسیر یادگیری تسلط بر ایجنت‌های AI | مشاهده ضروری AI Agent Mastery Learning Path | Must Watch

  • دانلود فایل‌های کد Download Code Files

  • سند بررسی کلی نصب Anaconda و Ollama (اختیاری) Anaconda and Ollama Setup Overview Document (Optional)

  • نصب Node.js [ویندوز] Install Node.js [Windows]

  • نصب Node.js [مک/لینوکس] Install Node.js [macOS/Linux]

  • نصب Claude Desktop [ویندوز] Install Claude Desktop [Windows]

  • نصب Claude Desktop [مک] Install Claude Desktop [macOS]

  • نصب مدیر بسته uv پایتون [مشاهده ضروری] Install uv Python Package Manager [Must Watch]

  • بررسی ویژگی‌های مدیر بسته uv پایتون [مشاهده ضروری] Explore uv Python Package Manager Features [Must Watch]

  • [حل مشکل] دستور 'uv' شناسایی نمی‌شود [Resolved] 'uv' is Not Recognized Command

  • تنظیمات فایل .env .env File Setup

آشنایی با MCP Introduction to MCP

  • مقدمه‌ای بر MCP Introduction to MCP

  • معماری MCP MCP Architecture

  • بررسی کلی FastMCP FastMCP Overview

  • بررسی کلی لایه انتقال MCP MCP Transport Layer Overview

ساخت اولین سرور و کلاینت MCP Build Your First MCP Server and Client

  • ساخت اولین سرور دمو MCP Build Your First Demo MCP Server

  • ساخت اولین کلاینت MCP با SDK پیش‌فرض Build Your First MCP Client with Default MCP SDK

  • ساخت اولین کلاینت MCP با SDK FastMCP Build Your First MCP Client with FastMCP SDK

  • ساخت سرور و کلاینت MCP آب و هوای لحظه‌ای Build Real-time Weather MCP Server and Client

  • استفاده از MCP Inspector برای تست سرور Using MCP Inspector to Test MCP Server

  • استفاده از MCP Inspector با لایه انتقال STDIO Using MCP Inspector with STDIO Transport Layer

اتصال سرورهای MCP به MCPAgent محلی Connect Your MCP Servers with the Local MCPAgent

  • بررسی کلی نصب LLM محلی با Ollama Overview of Local LLM Setup with Ollama

  • نوشتن اولین کلاینت ایجنتی MCP Write Your First Agentic MCP Client

  • نوشتن فایل پیکربندی سرور MCP برای کلاینت ایجنتی Writing MCP Server Config File for Agentic Client

  • اجرای کلاینت ایجنتی با Langchain و Ollama Execute Your Agentic Client with Langchain and Ollama

  • تنظیم MCPAgent برای خواندن پیکربندی از فایل .json Configure MCPAgent to Read MCP Config from .json

  • راه‌اندازی چندین سرور MCP برای کلاینت ایجنتی پیشرفته Multiple MCP Server Setup for Advanced Agentic MCP Client

  • اجرای کلاینت ایجنتی پیشرفته با چندین سرور Execute Advanced MCP Agentic Client with Multiple Server

  • اتصال چندین سرور MCP از طریق انتقال http قابل استریم Connect Multiple MCP Servers Over streamable-http Transport

اتصال سرورهای MCP به Claude Desktop Connect MCP Servers with Claude Desktop

  • تنظیم فایل پیکربندی .json در Claude Desktop برای MCP Setting Up Claude Desktop Config .json for MCP

  • استفاده از سرورهای MCP محلی با Claude Desktop Use Local MCP Servers with Claude Desktop

  • استفاده از Microsoft Playwright برای اتوماسیون مرورگر وب Use Microsoft-Playwright to Automate Web Browser

  • جستجوی هتل‌ها با استفاده از سرور Airbnb MCP و Claude Desktop Search the Hotels using Airbnb MCP Server and Claude Desktop

سرورهای MCP برای تحلیل داده‌ها MCP Servers for Data Analysis

  • راه‌اندازی سرور Excel MCP برای تحلیل داده‌ها Excel MCP Server Setup for Data Analysis

  • تحلیل شیت اکسل تیکت‌های پشتیبانی با سرور MCP Analyze Support Ticket Excel Sheet with MCP Server

  • راه‌اندازی سرور ارائه PowerPoint MCP PowerPoint Presentation MCP Server Setup

  • ساخت ارائه با سرورهای PPT و Excel Make Presentation with PPT and Excel Server

  • مقدمه‌ای بر سرور Notion برای گزارش‌های PDF Introduction to Notion Server for PDF Report

  • تنظیمات ادغام API Notion Notion API Integration Setup

  • تولید گزارش تحلیل رنگی تیکت‌های پشتیبانی Colorful Support Tickets Analysis Report Generation

  • راه‌اندازی سرور SQLITE MCP SQLITE MCP Server Setup

  • تحلیل پایگاه داده SQLITE با هوش مصنوعی SQLITE DB Analysis with AI

  • مدیریت فایل‌های کامپیوتر با سرور FileSystem MCP Manage Computer Files with FileSystem MCP Server

ابزارها، پرومپت‌ها و منابع کاربردی MCP برای جستجوی شخصی‌سازی شده شغل Practical MCP Tools, Prompts and Resources for Personalized Job Search

  • مقدمه‌ای بر سرور MCP جستجوی شخصی‌سازی شده شغل Introduction to Personalized Job Search MCP Server

  • آشنایی با منابع (Resources) و انواع آن‌ها در MCP Introduction to MCP Resources and Types

  • آشنایی با پرومپت‌های (Prompts) MCP Introduction to MCP Prompts

  • چه زمانی از ابزارها، منابع و پرومپت‌ها استفاده کنیم When to Use Tools, Resources and Prompts

  • راه‌اندازی سرور MCP جستجوی شغل Job Search MCP Server Setup

  • ساخت API جستجوی شغل از پورتال JSearch در RapidAPI Job Search API Creation from RapidAPI JSearch Portal

  • پیاده‌سازی ابزار search_jobs() در MCP search_jobs() MCP Tools Implementation

  • پیاده‌سازی ابزار save_job() در MCP save_job() MCP Tool Implementation

  • ایجاد لایه منابع (Resource Layer) در MCP MCP Resource Layer Creation

  • ایجاد لایه پرومپت‌های MCP برای جستجو و توصیه شغلی MCP Prompts Layer Creation for Job Search and Recommendation

  • اجرای سرور جستجوی شغل ما با Claude Desktop Spin Off Our Job Search MCP Server with Claude Desktop

  • تست کامل اپلیکیشن AI جستجوی شغل با پرومپت‌ها، منابع و ابزارهای MCP Testing Full Fledged Job Search AI App with MCP Prompts Resources and Tools

سیستم RAG با MCP و LangChain MCP RAG with LangChain

  • مقدمه‌ای بر معماری MCP RAG Introduction to MCP RAG Architecture

  • آشنایی با جریان کاری پردازش اسناد Introduction to Doc Processing Workflow

  • تنظیمات پیکربندی سرور MCP RAG MCP RAG Server Configuration Setup

  • پیاده‌سازی جریان پردازش داده‌های فایل PDF PDF File Data Processing Flow Implemented

  • دانلود فایل از URL برای پردازش Download File from URL for Processing

  • پیاده‌سازی ابزار ingest_pdf() در MCP Implement ingest_pdf() MCP Tool

  • پیاده‌سازی ابزارهای retrieve()، db_info() و clear_db() در MCP Implement retrieve(), db_info(), clear_db() MCP Tools

  • اتصال MCP RAG به Claude Desktop Connect MCP RAG with Claude Desktop

  • تست موفقیت‌آمیز سیستم MCP RAG Successfully Testing MCP RAG System

  • مقدمه‌ای بر آداپتورهای MCP در Langchain Introduction to Langchain MCP Adapters

  • نوشتن کد اپلیکیشن Streamlit برای کلاینت MCP Writing Streamlit App Code for MCP Client

  • به‌روزرسانی کد برای پشتیبانی از Langchain نسخه ۱ Code Update to Support Langchain Version 1

  • استفاده از MCP RAG با Ollama شخصی و اپلیکیشن Streamlit Using MCP RAG with Your Own Ollama and Streamlit Application

ساخت دستیار پژوهشی با MCP و LangGraph Building a Research Assistant with MCP and LangGraph

  • مقدمه‌ای بر دستیار پژوهشی با MCP و LangGraph Introduction to Research Assistant with MCP and LangGraph

  • به‌روزرسانی‌های Langchain V1 Langchain V1 Updates

  • شروع کار با تنظیمات پایه سرور FastMCP Getting Started with Basic Setup of FastMCP Server Setup

  • نوشتن کد برای حذف داده‌های تکراری در Chroma DB Write Code for De-Duplication of the Content in Chroma DB

  • پیاده‌سازی ابزار save_research_data() در MCP Implement save_research_data() MCP Tool

  • پیاده‌سازی بازیابی داده‌ها با ابزار search_research_data() در MCP Implement Data Retrieval with search_research_data() MCP Tool

  • پیاده‌سازی ابزارهای delete_research_topic() و list_research_topics() در MCP Implementing delete_research_topic() and list_research_topics() MCP Tools

  • تست سرور پژوهشی MCP با Claude Testing Your Research MCP Server with Claude

  • تنظیم کلیدهای API برای FireCrawl و LangSmith Setting Up the API Keys of FireCrawl and LangSmith

  • راه‌اندازی کلاینت MCP Setting Up MCP Client

  • ساخت ایجنت LangGraph Build LangGraph Agent

  • ساخت کلاینت LangGraph MCP Build LangGraph MCP Client

  • تست دستیار پژوهشی ما با MCP و LangGraph Testing Our Research Assistant with MCP and LangGraph

استقرار سرور MCP روی AWS Deploy MCP Server on AWS

  • ایجاد حساب کاربری AWS Create AWS Account

  • راه‌اندازی نمونه EC2 Launch EC2 Instance

  • نصب پایتون و Anaconda روی نمونه EC2 Python and Anaconda Setup on EC2 Instance

  • اتصال VS Code به نمونه EC2 ریموت Connecting Your VS Code with Remote EC2 Instance

  • قرار دادن کد سرور MCP در نمونه EC2 ریموت Setting Up MCP Server Code at Remote EC2 Instance

  • تنظیم امنیت AWS برای اجازه دسترسی به سرور MCP Configure AWS Security to Allow Access to MCP Server

  • کار با سرور MCP مستقر شده روی AWS Working with Deployed MCP Server on AWS

انتشار سرور دستیار پژوهشی شما در PyPi (PIP) Publish Your Own Research Assistant MCP Server on PyPi (PIP)

  • مسیر یادگیری: در این بخش چه خواهید آموخت Learning Path - What You will Learn in This Section

  • راهنمای گام‌به‌گام انتشار سرور MCP به عنوان بسته PyPi Step by Step Guide to Publish MCP Server as PyPi Package

  • تنظیم پروژه سرور MCP برای انتشار MCP Server Project Setup for Publication

  • تنظیم LICENSE و MANIFEST.in Setup LICENSE and MANIFEST.in

  • تغییر MCP Server.py برای پشتیبانی از مسیر DB در محیط اجرا (ENV) Modify MCP Server.py to Support Run-time ENV DB Path

  • تنظیم PyProject.toml Setup PyProject.toml

  • انتشار سرور MCP در GitHub Publish MCP Server on GitHub

  • انتشار سرور MCP در PyPi Publish MCP Server on PyPi

  • اتوماسیون انتشار بسته MCP در PyPi با GitHub Workflows (Actions) Automate Your MCP Package Publication on PyPi with GitHub Workflows (Actions)

  • تنظیم Claude Desktop برای استفاده از بسته منتشر شده Configure Claude Desktop to Use Published Package

  • تست نهایی و کامل بسته منتشر شده MCP End to End Testing of Published MCP Package

نمایش نظرات

آموزش تسلط بر MCP: ساخت اپلیکیشن‌های هوش مصنوعی با Claude، LangChain و Ollama
جزییات دوره
9.5 hours
100
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,475
4.6 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Laxmi Kant | KGP Talkie Laxmi Kant | KGP Talkie

دانشمند اصلی داده در mBreath و KGPTalkie من یک دانشمند اصلی داده در SleepDoc و دکترای تخصصی هستم. در علوم داده از موسسه فناوری هند (IIT). من همچنین یک شرکت با نام mBreath Technologies را تاسیس کردم. من بیش از 8 سال تجربه در علوم داده ، مدیریت تیم ، توسعه کسب و کار و مشخصات مشتری دارم. من با استارتاپ ها و MNC کار کرده ام. من همچنین چند سال در IIT برنامه نویسی تدریس کرده ام و بعداً یک کانال YouTube با KGP Talkie با مشترکان 20K + راه اندازی کردم. من ارتباط خوبی با صنعت و دانشگاه دارم.