آموزش هوش مصنوعی عامل‌محور (Agentic AI) از صفر تا متخصص: ۱۰۰ آزمایشگاه واقعی - آخرین آپدیت

دانلود Agentic AI From Zero to Expert: 100 Real Labs

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: از پرامپت‌های ساده AI تا ساخت عامل‌های خودمختار صنعتی با استفاده از LangGraph، RAG، MCP، کوبرنتیز و AI Ops. ساخت پلتفرم‌های چند-عاملی که با یکدیگر همکاری، بازبینی، اعتبارسنجی و هماهنگی می‌کنند. معماری عامل‌های هوش مصنوعی خودمختار در سطح تولید (Production) با استفاده از اصول مهندسی مدرن عامل‌ها. ساخت عامل‌های استدلال، برنامه‌ریزی، حافظه و ابزار-محور از پایه. تسلط بر گردش‌کارهای LangGraph برای اجرای قابل اعتماد و وضعیت‌مند (Stateful) عامل‌ها. طراحی سیستم‌های RAG سازمانی با استفاده از Embeddingها، دیتابیس‌های برداری و بازیابی ترکیبی. توسعه اکوسیستم‌های ابزار-محور مبتنی بر MCP برای اتصال امن عامل‌ها به سیستم‌های واقعی. پیاده‌سازی امنیت، حاکمیت، ثبت لاگ‌های حسابرسی و کنترل‌های انطباق برای سیستم‌های AI. استقرار بارهای کاری مقیاس‌پذیر AI با استفاده از Docker، Kubernetes، Terraform و GitOps. مانیتورینگ، ارزیابی و عیب‌یابی عامل‌ها با OpenTelemetry، Prometheus و Grafana. ساخت یک پلتفرم AI سازمانی مستقل در پروژه نهایی (Capstone) آزمایشگاه ۱۰۰ در سطح دکترا. پیش‌نیازهای توصیه شده: ۱. سواد پایه کامپیوتر. ۲. عدم نیاز به تجربه قبلی در زمینه هوش مصنوعی. ۳. دانش پایه پایتون مفید است اما اجباری نیست. ۴. آشنایی با مفاهیم اولیه خط فرمان (CLI) می‌تواند سرعت یادگیری را افزایش دهد. سخت‌افزار توصیه شده: ۱. ۱۶ گیگابایت رم ۲. سی‌پی‌یو چهار هسته‌ای ۳. ۱۰۰ گیگابایت فضای خالی حافظه

این دوره شامل استفاده از هوش مصنوعی است. هزینه این دوره صرفاً بابت زمان سرمایه‌گذاری شده برای ساخت این برنامه جامع آموزشی است.

ساخت دموهای AI را متوقف کنید و مهندسی سیستم‌های AI را شروع کنید.

در حال حاضر اینترنت پر شده است از «کدنویسی بر اساس حس» (Vibe Coding).

کپی کردن یک پرامپت.

فراخوانی یک API.

ساخت یک چت‌بات.

پست کردن یک دمو.

متأسفانه شرکت‌های واقعی مهندسانی را برای ساخت دمو استخدام نمی‌کنند.

آن‌ها مهندسانی را استخدام می‌کنند که بتوانند سیستم‌های قابل اعتماد طراحی کنند.

آن‌ها به هوش مصنوعی نیاز دارند که بتواند استدلال کند، اطلاعات را بازیابی کند، از ابزارها استفاده کند، حافظه داشته باشد، قوانین را دنبال کند، از خطاها بازیابی شود، ردپای حسابرسی ایجاد کند، به صورت امن عمل کند و در محیط عملیاتی اجرا شود.

بسیاری از دوره‌های AI در مرحله پرامپت‌نویسی متوقف می‌شوند.

برخی چت‌بات‌های ساده را آموزش می‌دهند.

تعداد کمی RAG پایه را آموزش می‌دهند.

تعداد بسیار کمی آموزش می‌دهند که سیستم‌های AI خودمختار در سازمان‌های واقعی چگونه کار می‌کنند.

این دوره برای حل این مشکل ساخته شده است.

سفری در ۱۰۰ آزمایشگاه از مبتدی تا معمار سیستم‌های AI

این یک دوره تئوری نیست.

این یک دوره مهندسی پرامپت نیست.

این یک آموزش دیگر از مدل «ساخت ChatGPT در ۳۰ دقیقه» نیست.

شما ۱۰۰ آزمایشگاه عملی و ساختاریافته را تکمیل خواهید کرد که شما را به تدریج از یک مبتدی به مهندسی تبدیل می‌کند که قادر به ساخت سیستم‌های خودمختار در سطح سازمانی است.

شما با پایتون، مدل‌های محلی و اولین اپلیکیشن‌های AI خود شروع می‌کنید.

سپس وارد مباحث زیر می‌شوید:

  • استدلال عامل‌ها (Agent Reasoning)

  • سیستم‌های برنامه‌ریزی

  • فراخوانی ابزارها (Tool Calling)

  • معماری‌های حافظه

  • گردش‌کارهای LangGraph

  • سیستم‌های بازیابی (Retrieval)

  • دیتابیس‌های برداری

  • یکپارچه‌سازی MCP

  • همکاری چند-عاملی

  • معماری‌های رویداد-محور (Event-driven)

  • مهندسی امنیت

  • قابلیت مشاهده (Observability)

  • مهندسی قابلیت اطمینان

  • استقرار با کوبرنتیز

  • زیرساخت AI مستقل (Sovereign AI)

هر ماژول بر پایه ماژول قبلی بنا شده است.

هر آزمایشگاه مهارت‌های مهندسی واقعی ایجاد می‌کند.

محتویات دوره چیست؟

ماژول ۱: مبانی - شما اولین دستیار AI محلی خود را می‌سازید و نحوه کار عامل‌های مدرن را درک می‌کنید.

ماژول ۲: مهندسی عامل - شما حلقه‌های استدلال، سیستم‌های حافظه و عامل‌های ابزار-محور را توسعه می‌دهید.

ماژول ۳: LangGraph - شما گردش‌کارهای وضعیت‌مند، گراف‌های اجرا، مکانیزم‌های بازیابی و ارکستراسیون سازمانی را می‌آموزید.

ماژول ۴: سیستم‌های بازیابی - شما بر Embeddingها، دیتابیس‌های برداری، ورود اسناد و RAG صنعتی مسلط می‌شوید.

ماژول ۵: مهندسی MCP - شما عامل‌ها را به فایل‌ها، دیتابیس‌ها، APIها و ابزارهای خارجی متصل می‌کنید.

ماژول ۶: سیستم‌های چند-عاملی - عامل‌های برنامه‌ریز، پژوهشی، بازبین و هوش جمعی.

ماژول ۷: مهندسی داده - Redis، PostgreSQL، Kafka، خروجی‌های ساختاریافته و خط لوله‌های دانش.

ماژول ۸: امنیت و حاکمیت - دفاع در برابر تزریق پرامپت، RBAC، مدیریت اسرار، لاگ‌های حسابرسی و انطباق.

ماژول ۹: مهندسی قابلیت اطمینان - Tracing، متریک‌ها، قابلیت مشاهده، تشخیص توهم (Hallucination) و تست Chaos.

ماژول ۱۰: زیرساخت تولید - Docker، Kubernetes، GitOps، Terraform، سرویس‌دهی مدل، بهینه‌سازی هزینه و استقرار مستقل.

پروژه نهایی آزمایشگاه ۱۰۰ (سطح دکترا)

بسیاری از دوره‌ها با یک چت‌بات به پایان می‌رسند، اما این دوره با یک پلتفرم سازمانی به پایان می‌رسد.

در آزمایشگاه ۱۰۰، شما یک محیط AI خودمختار و مستقل کامل می‌سازید که قادر است کارهای زیر را انجام دهد:

  • استدلال چند-عاملی

  • جستجوی سازمانی

  • بازیابی دانش

  • گردش‌کارهای تایید انسانی

  • ثبت لاگ‌های انطباق

  • خط لوله‌های قابلیت مشاهده

  • اجرای مدل‌های محلی

  • استقرار روی کوبرنتیز

  • دسترسی چند-کاربره

  • مهندسی قابلیت اطمینان

  • اعمال سیاست‌های امنیتی

شما یک پلتفرم کامل عامل‌های سازمانی را با استفاده از فناوری‌های متن‌باز مستقر خواهید کرد.

این پروژه مهارت‌هایی را به نمایش می‌گذارد که معمولاً نیاز به چندین دوره مجزا و سال‌ها تجربه صنعتی دارد.

چرا اکنون ثبت‌نام کنید؟

بازار به سرعت از اپلیکیشن‌های ساده LLM فراتر رفته است.

سازمان‌ها به طور فزاینده‌ای به مهندسانی نیاز دارند که در زمینه‌های زیر تخصص داشته باشند:

  • معماری‌های عامل (Agent Architectures)

  • عملیات AI (AI Ops)

  • مهندسی قابلیت اطمینان

  • حاکمیت (Governance)

  • قابلیت مشاهده (Observability)

  • امنیت

  • استقرار مستقل (Sovereign Deployment)

یافتن این مهارت‌ها دشوار است. اکثر دوره‌ها هنوز AI دیروز را آموزش می‌دهند.

این دوره روش‌های مهندسی تولیدی را آموزش می‌دهد که سازمان‌ها در سال‌های آینده انتظار خواهند داشت.

اگر هدف شما تبدیل شدن از یک کاربر AI به یک مهندس AI، از تجربه کردن به معماری، و از پرامپت‌ها به سیستم‌های عملیاتی است، این دوره نقشه راه کامل شماست.


سرفصل ها و درس ها

مقدمه‌ای بر هوش مصنوعی عامل‌محور از صفر تا متخصص: ۱۰۰ آزمایشگاه واقعی Introduction to Agentic AI From Zero to Expert: 100 Real Labs

  • مقدمه Introduction

ماژول ۱ — مبانی و اولین موفقیت Module 1 — Foundations and First Success

  • مبانی و اولین موفقیت Foundations and First Success

  • آزمایشگاه ۱. درک معماری هوش مصنوعی عامل‌محور Lab 1. Understanding Agentic AI Architecture

  • آزمایشگاه ۲. راه‌اندازی محیط توسعه محلی Lab 2. Local Development Environment Setup

  • آزمایشگاه ۳. مبانی پایتون برای عامل‌های AI Lab 3. Python Foundations for AI Agents

  • آزمایشگاه ۴. گیت و کنترل نسخه برای پروژه‌های AI Lab 4. Git and Version Control for AI Projects

  • آزمایشگاه ۵. محیط‌های مجازی و ایزوله‌سازی وابستگی‌ها Lab 5. Virtual Environments and Dependency Isolation

  • آزمایشگاه ۶. ساخت اولین اپلیکیشن LLM Lab 6. Building the First LLM Application

  • آزمایشگاه ۷. درک پرامپت‌ها و پنجره‌های بافت (Context Windows) Lab 7. Understanding Prompts and Context Windows

  • آزمایشگاه ۸. بررسی کلی اکوسیستم مدل‌های متن‌باز Lab 8. Open Source Model Ecosystem Overview

  • آزمایشگاه ۹. اجرای مدل‌های محلی با Ollama Lab 9. Running Local Models with Ollama

  • آزمایشگاه ۱۰. نقطه عطف موفقیت اولیه: دستیار AI محلی Lab 10. Initial Success Milestone: Local AI Assistant

ماژول ۲ — مهندسی هسته عامل Module 2 — Core Agent Engineering

  • مهندسی هسته عامل Core Agent Engineering

  • آزمایشگاه ۱۱. مبانی چرخه حیات عامل Lab 11. Agent Lifecycle Fundamentals

  • آزمایشگاه ۱۲. حلقه‌های استدلال و الگوهای برنامه‌ریزی Lab 12. Reasoning Loops and Planning Patterns

  • آزمایشگاه ۱۳. مبانی فراخوانی ابزار (Tool Calling) Lab 13. Tool Calling Fundamentals

  • آزمایشگاه ۱۴. ساخت یک عامل ماشین‌حساب Lab 14. Building a Calculator Agent

  • آزمایشگاه ۱۵. عامل ابزار هواشناسی Lab 15. Weather Tool Agent

  • آزمایشگاه ۱۶. عامل تقویت شده با جستجو Lab 16. Search-Augmented Agent

  • آزمایشگاه ۱۷. مبانی حافظه Lab 17. Memory Fundamentals

  • آزمایشگاه ۱۸. مدیریت بافت کوتاه‌مدت Lab 18. Short-Term Context Management

  • آزمایشگاه ۱۹. حافظه بلندمدت عامل Lab 19. Long-Term Agent Memory

  • آزمایشگاه ۲۰. الگوهای عامل در سطح تولید Lab 20. Production Agent Patterns

ماژول ۳ — مبانی LangGraph Module 3 — LangGraph Foundations

  • مبانی LangGraph LangGraph Foundations

  • آزمایشگاه ۲۱. معماری LangGraph Lab 21. LangGraph Architecture

  • آزمایشگاه ۲۲. گره‌های گراف و وضعیت (State) Lab 22. Graph Nodes and State

  • آزمایشگاه ۲۳. مسیریابی شرطی Lab 23. Conditional Routing

  • آزمایشگاه ۲۴. گردش‌کارهای عامل Lab 24. Agent Workflows

  • آزمایشگاه ۲۵. اجرای وضعیت‌مند Lab 25. Stateful Execution

  • آزمایشگاه ۲۶. جریان‌های بازیابی خطا Lab 26. Error Recovery Flows

  • آزمایشگاه ۲۷. برنامه‌ریزی چندمرحله‌ای Lab 27. Multi-Step Planning

  • آزمایشگاه ۲۸. انتخاب ابزار پویا Lab 28. Dynamic Tool Selection

  • آزمایشگاه ۲۹. حافظه گراف پایدار Lab 29. Persistent Graph Memory

  • آزمایشگاه ۳۰. عامل گردش‌کار سازمانی Lab 30. Enterprise Workflow Agent

ماژول ۴ — سیستم‌های بازیابی و دانش Module 4 — Retrieval and Knowledge Systems

  • سیستم‌های بازیابی و دانش Retrieval and Knowledge Systems

  • آزمایشگاه ۳۱. مبانی RAG Lab 31. RAG Fundamentals

  • آزمایشگاه ۳۲. مدل‌های Embedding Lab 32. Embedding Models

  • آزمایشگاه ۳۳. مفاهیم جستجوی برداری Lab 33. Vector Search Concepts

  • آزمایشگاه ۳۴. استقرار ChromaDB Lab 34. ChromaDB Deployment

  • آزمایشگاه ۳۵. استقرار Qdrant Lab 35. Qdrant Deployment

  • آزمایشگاه ۳۶. خط لوله‌های ورود اسناد Lab 36. Document Ingestion Pipelines

  • آزمایشگاه ۳۷. استراتژی‌های تکه‌بندی (Chunking) Lab 37. Chunking Strategies

  • آزمایشگاه ۳۸. بهینه‌سازی بازیابی Lab 38. Retrieval Optimization

  • آزمایشگاه ۳۹. معماری جستجوی ترکیبی (Hybrid Search) Lab 39. Hybrid Search Architecture

  • آزمایشگاه ۴۰. عامل دانش سازمانی Lab 40. Enterprise Knowledge Agent

ماژول ۵ — مهندسی MCP Module 5 — MCP Engineering

  • مهندسی MCP MCP Engineering

  • آزمایشگاه ۴۱. معماری MCP Lab 41. MCP Architecture

  • آزمایشگاه ۴۲. مبانی سرور MCP Lab 42. MCP Server Fundamentals

  • آزمایشگاه ۴۳. مبانی کلاینت MCP Lab 43. MCP Client Fundamentals

  • آزمایشگاه ۴۴. اکسپوز کردن ابزارهای محلی Lab 44. Local Tool Exposure

  • آزمایشگاه ۴۵. MCP سیستم فایل Lab 45. File System MCP

  • آزمایشگاه ۴۶. MCP دیتابیس Lab 46. Database MCP

  • آزمایشگاه ۴۷. یکپارچه‌سازی API MCP Lab 47. API MCP Integration

  • آزمایشگاه ۴۸. طراحی امن MCP Lab 48. Secure MCP Design

  • آزمایشگاه ۴۹. اکوسیستم MCP چند ابزاره Lab 49. Multi-Tool MCP Ecosystem

  • آزمایشگاه ۵۰. درگاه (Gateway) سازمانی MCP Lab 50. Enterprise MCP Gateway

ماژول ۶ — سیستم‌های چند-عاملی Module 6 — Multi-Agent Systems

  • سیستم‌های چند-عاملی Multi-Agent Systems

  • آزمایشگاه ۵۱. اصول طراحی چند-عاملی Lab 51. Multi-Agent Design Principles

  • آزمایشگاه ۵۲. مدل‌های ارتباطی عامل‌ها Lab 52. Agent Communication Models

  • آزمایشگاه ۵۳. عامل‌های برنامه‌ریز Lab 53. Planner Agents

  • آزمایشگاه ۵۴. عامل‌های پژوهشی Lab 54. Research Agents

  • آزمایشگاه ۵۵. عامل‌های اجرایی Lab 55. Execution Agents

  • آزمایشگاه ۵۶. عامل‌های بازبین Lab 56. Reviewer Agents

  • آزمایشگاه ۵۷. مکانیزم‌های اجماع Lab 57. Consensus Mechanisms

  • آزمایشگاه ۵۸. الگوهای دسته‌ای (Swarm) عامل‌ها Lab 58. Agent Swarm Patterns

  • آزمایشگاه ۵۹. گردش‌کارهای توزیع‌شده عامل‌ها Lab 59. Distributed Agent Workflows

  • آزمایشگاه ۶۰. پلتفرم پژوهشی چند-عاملی Lab 60. Multi-Agent Research Platform

ماژول ۷ — مهندسی داده برای عامل‌ها Module 7 — Data Engineering for Agents

  • مهندسی داده برای عامل‌ها Data Engineering for Agents

  • آزمایشگاه ۶۱. PostgreSQL برای عامل‌ها Lab 61. PostgreSQL for Agents

  • آزمایشگاه ۶۲. سیستم‌های حافظه Redis Lab 62. Redis Memory Systems

  • آزمایشگاه ۶۳. معماری‌های رویداد-محور Lab 63. Event-Driven Architectures

  • آزمایشگاه ۶۴. مبانی Kafka Lab 64. Kafka Fundamentals

  • آزمایشگاه ۶۵. جریان‌های رویداد عامل Lab 65. Agent Event Streams

  • آزمایشگاه ۶۶. خط لوله‌های اعتبارسنجی داده Lab 66. Data Validation Pipelines

  • آزمایشگاه ۶۷. خروجی‌های ساختاریافته Lab 67. Structured Outputs

  • آزمایشگاه ۶۸. مدیریت چرخه حیات دانش Lab 68. Knowledge Lifecycle Management

  • آزمایشگاه ۶۹. کنترل‌های حاکمیت داده Lab 69. Data Governance Controls

  • آزمایشگاه ۷۰. پلتفرم داده صنعتی Lab 70. Production Data Platform

ماژول ۸ — امنیت و انطباق Module 8 — Security and Compliance

  • امنیت و انطباق Security and Compliance

  • آزمایشگاه ۷۱. مدل‌سازی تهدیدات AI Lab 71. AI Threat Modeling

  • آزمایشگاه ۷۲. دفاع در برابر تزریق پرامپت Lab 72. Prompt Injection Defense

  • آزمایشگاه ۷۳. جلوگیری از نشت داده‌ها Lab 73. Data Leakage Prevention

  • آزمایشگاه ۷۴. مدیریت اسرار (Secret Management) Lab 74. Secret Management

  • آزمایشگاه ۷۵. مدیریت هویت و دسترسی (IAM) Lab 75. Identity and Access Management

  • آزمایشگاه ۷۶. RBAC برای سیستم‌های عامل Lab 76. RBAC for Agent Systems

  • آزمایشگاه ۷۷. ثبت لاگ‌های حسابرسی Lab 77. Audit Logging

  • آزمایشگاه ۷۸. طراحی عامل منطبق با GDPR Lab 78. GDPR-Aligned Agent Design

  • آزمایشگاه ۷۹. آمادگی برای قانون AI اتحادیه اروپا Lab 79. EU AI Act Readiness

  • آزمایشگاه ۸۰. پلتفرم عامل سازمانی امن Lab 80. Secure Enterprise Agent Platform

ماژول ۹ — قابلیت مشاهده و قابلیت اطمینان Module 9 — Observability and Reliability

  • قابلیت مشاهده و قابلیت اطمینان Observability and Reliability

  • آزمایشگاه ۸۱. مبانی OpenTelemetry Lab 81. OpenTelemetry Fundamentals

  • آزمایشگاه ۸۲. Tracing عامل‌ها Lab 82. Agent Tracing

  • آزمایشگاه ۸۳. جمع‌آوری متریک‌ها Lab 83. Metrics Collection

  • آزمایشگاه ۸۴. یکپارچه‌سازی Prometheus Lab 84. Prometheus Integration

  • آزمایشگاه ۸۵. داشبوردهای Grafana Lab 85. Grafana Dashboards

  • آزمایشگاه ۸۶. چارچوب‌های ارزیابی عامل Lab 86. Agent Evaluation Frameworks

  • آزمایشگاه ۸۷. تشخیص توهم (Hallucination) Lab 87. Hallucination Detection

  • آزمایشگاه ۸۸. تست قابلیت اطمینان Lab 88. Reliability Testing

  • آزمایشگاه ۸۹. مهندسی Chaos برای عامل‌ها Lab 89. Chaos Engineering for Agents

  • آزمایشگاه ۹۰. پلتفرم قابلیت اطمینان AI Lab 90. AI Reliability Platform

ماژول ۱۰ — استقرار در محیط تولید Module 10 — Production Deployment

  • استقرار در محیط تولید Production Deployment

  • آزمایشگاه ۹۱. کانتینری کردن عامل‌ها با Docker Lab 91. Containerizing Agents with Docker

  • آزمایشگاه ۹۲. مبانی کوبرنتیز Lab 92. Kubernetes Fundamentals

  • آزمایشگاه ۹۳. استقرار عامل روی کوبرنتیز Lab 93. Agent Deployment on Kubernetes

  • آزمایشگاه ۹۴. GitOps با Argo CD Lab 94. GitOps with Argo CD

  • آزمایشگاه ۹۵. زیرساخت به عنوان کد با Terraform Lab 95. Infrastructure as Code with Terraform

  • آزمایشگاه ۹۶. سرویس‌دهی مدل با vLLM Lab 96. Model Serving with vLLM

  • آزمایشگاه ۹۷. استراتژی‌های بهینه‌سازی هزینه Lab 97. Cost Optimization Strategies

  • آزمایشگاه ۹۸. زیرساخت AI مستقل Lab 98. Sovereign AI Infrastructure

  • آزمایشگاه ۹۹. شبکه توزیع‌شده عامل‌های پژوهشی Lab 99. Decentralized Research Agent Network

  • آزمایشگاه ۱۰۰. پروژه نهایی: پلتفرم عامل سازمانی مستقل Lab 100. Sovereign Enterprise Agent Platform Capstone

جمع‌بندی Conclusion

  • جمع‌بندی Conclusion

نمایش نظرات

آموزش هوش مصنوعی عامل‌محور (Agentic AI) از صفر تا متخصص: ۱۰۰ آزمایشگاه واقعی
جزییات دوره
2 hours
112
(آخرین آپدیت)
13
از 5
دارد
ندارد
ندارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dar Al Taqniya Dar Al Taqniya

تکنولوژی ساده شده برای همه