لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش توسعه هوش مصنوعی Agentic با فریمورک Agent، پروتکل MCP و .NET
- آخرین آپدیت
دانلود Agentic AI Development with Agent Framework, MCP and .NET
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
سیستمهای چند-عاملی (Multi-Agent) سازمانی را با استفاده از Microsoft Agent Framework، Microsoft Foundry، MCP، Aspire، AG-UI و DevUI توسعه دهید
تسلط بر Microsoft Agent Framework برای ساخت عاملهای هوش مصنوعی خودمختار در .NET
ایجاد حافظه پایدار و زمینه (Context) برای عاملهای هوش مصنوعی جهت تعاملات معنادار
ساخت ابزارهای تابع سفارشی از طریق تولید شمای JSON مستقیماً از متدهای #C
طراحی جریانهای کاری چند-عاملی شامل چتهای متوالی (Sequential)، همزمان (Concurrent) و گروهی (Group Chats)
پیادهسازی الگوهای پویا در چتهای گروهی/مناظره برای مسیریابی هوشمند وظایف بین عاملها
معماری سیستمهای Agentic RAG با استفاده از ذخیرهسازهای برداری Qdrant و Embeddingها
تست بصری و عیبیابی Payloadهای JSON و فراخوانی ابزارها در سیستمهای چند-عاملی با استفاده از DevUI
یکپارچهسازی پروتکل زمینه مدل (MCP) برای ارائه امن ابزارها به عاملها
ساخت ارتباطات عامل-به-عامل (A2A) از طریق وبسرویسهای (Web APIs) قابل دسترسی در شبکه
ارسال مؤلفههای رابط کاربری تعاملی و مولد مستقیماً به فرانتاند با استفاده از AG-UI
یکپارچهسازی .NET Aspire برای ثبت قابلیتهای مشاهدهپذیری OpenTelemetry و شمارش توکنها
ساخت یک بکاند میکروسرویس کامل MinimalAgent با ارکستراسیون هوش مصنوعی
پیش نیازها: درک مقدماتی تا متوسط از #C و .NET (Web APIs)
به هیچ تجربه قبلی در مهندسی هوش مصنوعی نیاز نیست؛ از پایه شروع کنید!
"شما یک معمار ارشد هستید، اما هوش مصنوعی باعث میشود دوباره احساس کنید یک جونیور هستید." اگر سعی کردهاید هوش مصنوعی Agentic را یاد بگیرید، احتمالاً متوجه یک روند ناامیدکننده شدهاید: همه چیز با پایتون است، یا بر روی اسکریپتهای ساده "Hello World" تمرکز دارد که بلافاصله در محیطهای سازمانی واقعی از هم میپاشند.
به راهنمای جامع ساخت سیستمهای هوش مصنوعی Agentic آماده تولید (Production-ready) در اکوسیستم .NET خوش آمدید. این دوره با عبور از تئوری، بر توسعه عملی ارکستراسیون چند-عاملی خودمختار برای اپلیکیشنهای سازمانی تمرکز دارد. با بهرهگیری از Microsoft Agent Framework، Microsoft Foundry، پروتکل Model Context Protocol (MCP)، Aspire، AG-UI، DevUI و .NET، یاد میگیرید چگونه جریانهای کاری قدرتمند هوش مصنوعی بسازید که مسائل پیچیده تجاری را حل میکنند.
این دوره طراحی شده است تا به شما دید و کنترلی در سطح تولیداز روز اول بدهد، با یکپارچهسازی الگوهای عامل هوش مصنوعی سازمانی برای جریانهای کاری واقعی در دنیای کسبوکار.
آنچه بر آن مسلط خواهید شد در این دوره جامع سازمانی، ما از مهندسی پرامپت ساده فراتر رفته و به پیادهسازی عمیق معماری به صورت بومی در #C میپردازیم:
Microsoft Agent Framework (MAF): بررسی عمیق فریمورک مایکروسافت برای ساخت سیستمهای هوش مصنوعی پیشرفته و Stateful، با استفاده از Microsoft Foundry و Azure OpenAI به عنوان موتورهای شناختی.
ارکستراسیون چند-عاملی: طراحی و پیادهسازی الگوهای پیچیده جریان کاری (پایپلاینهای متوالی، اجرای همزمان، انتقالهای پویا و چتهای گروهی) با استفاده از هوش جمعی (Swarm Intelligence) و WorkflowBuilder.
سیستمهای Agentic RAG: بازنگری در پایپلاینهای سخت و سنتی RAG. ساخت سیستمهای بازیابی هوشمند و مبتنی بر قصد (Intent-based) با استفاده از دیتابیسهای برداری Qdrant و TextSearchProvider، که به هوش مصنوعی اجازه میدهد بهطور خودمختار تصمیم بگیرد چه زمانی و چگونه در دانش سازمانی شما جستجو کند.
پروتکلها و تعاملپذیری: تسلط بر پیشرفتهترین متدهای یکپارچهسازی: ارتباطات شبکهای عامل-به-عامل (A2A)، پروتکل Model Context Protocol (MCP) برای ارائه ابزارها، و پروتکل AG-UI برای استریمینگ فرانتاند مولد.
مشاهدهپذیری و تست بصری: دستیابی به دیدی در سطح تولید با استفاده از .NET Aspire و DevUI. ردیابی بصری Payloadهای JSON، مصرف توکن، تأخیر در انتقال بین عاملها و فراخوانی ابزارها بهصورت آنی.
یکپارچهسازی میکروسرویسهای سازمانی: ساخت یک معماری کامل میکروسرویس MinimalAgent و یادگیری دقیق نحوه ادغام یکپارچه عاملهای هوش مصنوعی در بکاندهای موجود و Web APIها.
نقشه راه و ساختار دوره این برنامه در ۴ بخش جامع ساختار یافته است تا شما را بهطور سیستماتیک از آناتومی پایه عاملها به یکپارچهسازی پیشرفته چند-عاملی سازمانی برساند:
بخش ۱: توسعه هسته عامل (Core Agent) ما با تسلط بر آناتومی پایه یک عامل هوش مصنوعی شروع میکنیم. شما ارتباطات خود را با سرویس Azure OpenAI برقرار کرده و چرخه حیات فراخوانی عامل را بررسی میکنید. با توسعه ابزارهای تابع سفارشی — با استفاده از AIFunctionFactory برای تولید خودکار شمای JSON از متدهای بومی #C — تجربه عملی کسب میکنید. در نهایت، کلاس AgentSession را پیادهسازی میکنیم تا عاملهای شما دارای زمینه (Context) و حافظه پایدار مورد نیاز برای تعاملات سازمانی معنادار باشند.
بخش ۲: ارکستراسیون سیستمهای چند-عاملی پس از درک عاملهای فردی، به سمت هوش جمعی (Swarm Intelligence) میرویم. یاد میگیرید شبکههای همکار از میکروعاملهای بسیار تخصصی (مثلاً تریاژ، مالی، انطباق) را طراحی کنید. از AgentWorkflowBuilder برای معماری توپولوژیهای استاندارد صنعت استفاده میکنیم: الگوهای متوالی، همزمان، چت گروهی و انتقال (Handoff). این دستهها را در معماری .NET Aspire در MinimalAgent ادغام میکنیم و از DevUI برای تست بصری و مشاهده گرافیکی مناظرات و انتقالهای آنی استفاده خواهیم کرد.
بخش ۳: استدلال پیشرفته: Agentic RAG فراتر از RAG سنتی بروید. در این ماژول، Agentic RAG را میسازیم — جایی که خود هوش مصنوعی تصمیم میگیرد که آیا نیاز به پرسوجو از دیتابیس دارد یا خیر. برای پشتیبانی از مقیاس سازمانی، .NET را با ذخیرهسازهای برداری Qdrant یکپارچه میکنیم. یاد میگیرید چگونه Embeddingها را تولید کنید، جستجوهای معنایی را اجرا کنید و همه اینها را با استفاده از TextSearchProvider به هم متصل کنید تا دادههای شرکتی شما به یک ابزار شناختی تبدیل شود که عاملهای شما میتوانند بهطور خودمختار از آن استفاده کنند.
بخش ۴: ارتباطات و پروتکلهای عامل چالش تعاملپذیری سازمانی را حل کنید. ما عاملهای MAF شما را به عنوان Web APIهای قابل دسترسی در شبکه ارائه میدهیم تا معماریهای امن A2A (عامل-به-عامل) ایجاد کنیم. به طور عمیق وارد Model Context Protocol (MCP) میشویم و معماریهایی را طراحی میکنیم که عاملهای #C شما را به سرورهای MCP محلی و میزبانی متصل میکند — و به آنها دسترسی خودمختار به مخازن خارجی و مستندات میدهد. در نهایت، از پروتکل AG-UI برای ارسال مؤلفههای رابط کاربری تعاملی و مولد مستقیماً به فرانتاند کلاینت استفاده میکنیم.
پشته تکنولوژی (Technology Stack)
زبانها و فریمورکها: .NET 10, C#, ASP.NET Core, Blazor Server
هوش مصنوعی و عاملها: Microsoft Agent Framework, Azure OpenAI (gpt-5-mini, text-embedding-3-small)
ستون دوم: فریمورک Microsoft Agent (MAF)
Pillar Two: Microsoft Agent Framework (MAF)
ستون سوم: Microsoft Foundry و Azure OpenAI
Pillar Three: Microsoft Foundry and Azure OpenAI
ساخته شده بر روی پشته سازمانی مایکروسافت (.NET, MAF, Aspire, Microsoft Foundry)
Built on the Microsoft Enterprise Stack (.NET, MAF, Aspire, Microsoft Foundry)
مصاحبه معماری: طراحی با اکوسیستم هوش مصنوعی .NET و MAF
Architecture Interview: Designing with the .NET AI Ecosystem & MAF
کوییز MAF و هوش مصنوعی .NET
MAF and .NET AI Quiz
راه اندازی محیط توسعه
Setup Your Development Environment
راه اندازی محیط توسعه (.NET 10, Azure CLI)
Setup Your Development Environment (.NET 10, Azure CLI)
آمادهسازی فضای ابری: Microsoft Foundry
Provisioning the Cloud: Microsoft Foundry
آمادهسازی اپلیکیشن کنسول .NET
Preparing the .NET Console App
شروع توسعه عامل (مبانی): توسعه اولین عامل هوش مصنوعی
Getting Started Agent Development (Basics) - Developing First AI Agent
شروع توسعه عامل (مبانی)
Getting Started with Agent Development (Basics)
ساخت و اجرای عامل: مکانیسمهای اجرا
Creating and Running the Agent: Execution Mechanics
مکالمات چند-مرحلهای با یک عامل
Multi-turn Conversations with an Agent
اجبار به قطعی بودن: تولید خروجیهای ساختاریافته
Forcing Determinism: Producing Structured Output
Asp.net MinimalAgent: تست بصری عاملها با DevUI
Asp.net MinimalAgent: Visually Testing agents with DevUI
مصاحبه معماری: توسعه و عیبیابی اولین عامل
Architecture Interview: Developing and Debugging the First Agent
کوییز توسعه عامل
Agent Development Quiz
استفاده از ابزارها و فراخوانی توابع در عامل
Agent Tool Use and Function Calling
الگوی طراحی استفاده از ابزار (Tool Use)
Tool Use Design Pattern
ابزارها در فریمورک Microsoft Agent
Tools in the Microsoft Agent Framework
توسعه ابزارهای تابع سفارشی با MAF
Developing Custom Function Tools with MAF
ابزارهای تابع با تأییدیه انسانی (HITL)
Function Tools with Human-in-the-Loop(HITL) Approvals
نمایش نظرات