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 تولید از 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)

  • ابر و استقرار: Microsoft AI Foundry

  • پروتکل فرانت‌اند: AG-UI — پروتکل استریمینگ رابط کاربری Agentic

  • ارکستراسیون: .NET Aspire برای Service Discovery و مدیریت چرخه حیات کانتینرها

  • مشاهده‌پذیری: Aspire OpenTelemetry, Application Insights

  • داده‌های برداری و ذخیره‌سازی: دیتابیس‌های برداری Qdrant

  • معماری: میکروسرویس‌ها، معماری پاک (Clean Architecture)، پروتکل Model Context Protocol (MCP)


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • پیش‌نیازها، سورس کد و اسلایدهای دوره Prerequisites, Source Code and Course Slides

  • نقشه راه و پروژه‌های دوره: طراحی/توسعه معماری‌های Agentic AI: عامل‌ها و ابزارها Course Roadmap & Projects: Design/Develop Agentic AI Architectures: Agent, Tools

عامل‌های هوش مصنوعی: تغییر پارادایم توسعه AI Agents - The Pradigm Shift of Development

  • اتفاقات صنعت معماری نرم‌افزار: چرا به سمت مهندسی هوش مصنوعی برویم؟ Whats happening in Software Architecture Industry - Why move to AI Engineering?

  • تکامل: از میکروسرویس‌ها به هوش مصنوعی مولد و سپس به هوش مصنوعی Agentic The Evolution: From Microservices to Generative AI to Agentic AI

  • عامل هوش مصنوعی دقیقاً چیست؟ اصول کلیدی و قابلیت‌ها What exactly is an AI Agent? Key Principles & Capabilities

  • چه زمانی از عامل‌های هوش مصنوعی استفاده کنیم (و چه زمانی نکنیم) When to Use AI Agents (And When Not To)

  • بخش‌های دشوار: چالش‌ها و محدودیت‌های دنیای واقعی در سازمان‌ها The Hard Parts: Real-world Enterprise Challenges and Limitations

  • مصاحبه معماری: تغییر پارادایم به هوش مصنوعی Agentic Architecture Interview: The Agentic AI Paradigm Shift

  • کوییز عامل‌های هوش مصنوعی AI Agents Quiz

فریم‌ورک Microsoft Agent و اکوسیستم هوش مصنوعی .NET Microsoft Agent Framework and .NET AI Ecosystem

  • مایکروسافت و اکوسیستم هوش مصنوعی .NET Microsoft and .NET AI Ecosystem

  • بلوک‌های سازنده اصلی برای .NET (MEAI, MAF, MS Foundry) The Core Building Blocks for .NET (MEAI, MAF, MS Foundry)

  • ستون اول: کتابخانه‌های Microsoft.Extensions.AI Pillar One: Microsoft.Extensions.AI libraries

  • 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

  • ابزارهای بومی فریم‌ورک: CodeInterpreter, FileSearch, WebSearch Native Framework Tools: CodeInterpreter, FileSearch, WebSearch Tool

  • MinimalAgent برای ابزارهای تابع: تست بصری عامل‌ها و ابزارها با DevUI MinimalAgent for Function Tools: Visually Testing Agents & Tools with DevUI

  • مصاحبه معماری: توانمندسازی عامل‌ها از طریق ابزارها و حاکمیت Architecture Interview: Empowering Agents via Tools & Governance

  • کوییز استفاده از ابزارها Tool Use Quiz

افزودن زمینه و حافظه به عامل‌ها Adding Context and Memory to Agents

  • افزودن زمینه و حافظه به عامل‌ها Adding Context and Memory to Agents

  • توسعه زمینه مکالمه: AgentSessions و تاریخچه چت Developing Conversational Context: AgentSessions and Chat History

  • مدیریت وضعیت: پایداری وضعیت عامل در بین جلسات State Management: Persisting Agent State Across Sessions

  • مصاحبه معماری: مدیریت وضعیت و حافظه توزیع شده Architecture Interview: State Management and Distributed Memory

  • کوییز حافظه عامل Agent Memory Quiz

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

  • مقدمه: جریان‌های کاری چند-عاملی و ارکستراسیون Introduction - Multi-Agent Workflows & Orchestration

  • معماری جریان کاری MAF: مفاهیم پایه: Executors, Edges و Event The MAF Workflow Architecture: Foundational Concepts: Executors, Edges and Event

  • توسعه اولین جریان کاری شما Developing Your First Workflow

  • یکپارچه‌سازی عامل‌ها در موتور جریان کاری (عامل‌ها در جریان‌های کاری) Integrating Agents into the Workflow Engine (Agents in Workflows)

  • توسعه عامل‌ها در جریان کاری (جریان‌های کاری Agentic) Develop Agents into the Workflow (Agentic Workflows)

  • مصاحبه معماری: ارکستراسیون جریان‌های کاری چند-عاملی Architecture Interview: Orchestrating Multi-Agent Workflows

  • کوییز جریان‌های کاری Workflows Quiz

الگوهای ارکستراسیون جریان کاری Agentic (متوالی، همزمان، چت گروهی) Agentic Workflow Orchestration Patterns (Sequential, Concurrent, Group chat)

  • الگوهای طراحی چند-عاملی سازمانی (متوالی، همزمان، چت گروهی) Enterprise Multi-Agent Design Patterns (Sequential, Concurrent, Group chat)

  • توسعه الگوهای جریان کاری Agentic (متوالی، همزمان، انتقال، چت گروهی) Develop Agentic Workflow Patterns (Sequential, Concurrent, Handoff, Group Chat)

  • MinimalAgent برای الگوهای جریان کاری Agentic: تست بصری جریان‌های کاری MinimalAgent for Agentic Workflow Patterns: Visually Testing Workflows

  • مصاحبه معماری: انتخاب الگوی ارکستراسیون مناسب Architecture Interview: Choosing the Right Orchestration Pattern

  • کوییز الگوهای جریان کاری Workflow Patterns Quiz

Agentic RAG چیست؟ استدلال پیشرفته: Agentic RAG What is Agentic RAG ? - Advanced Reasoning: Agentic RAG

  • مقدمه: محدودیت‌های RAG سنتی Introduction - The Limitations of Traditional RAG

  • Agentic RAG چیست؟ What is Agentic RAG ?

  • مقایسه Agentic RAG در برابر RAG سنتی: تفاوت‌های حیاتی Agentic RAG vs. Traditional RAG: The Critical Difference

  • نحوه عملکرد Agentic RAG: حلقه "پژوهشگر فعال" How Agentic RAG Works: The "Active Researcher" Loop

  • مصاحبه معماری: ارتقا به Agentic RAG Architecture Interview: Upgrading to Agentic RAG

  • کوییز Agentic RAG Agentic RAG Quiz

توسعه Agentic RAG با فریم‌ورک Microsoft Agent Developing Agentic RAG with the Microsoft Agent Framework

  • مقدمه‌ای بر منابع داده MAF Introduction to MAF Data Sources

  • توسعه RAG متنی پایه: پیاده‌سازی بنیادی Develop Basic Text RAG: The Foundational Implementation

  • طراحی و یکپارچه‌سازی دیتابیس‌های برداری با .NET و Qdrant Vector Stores Design & Integrate Vector Databases with .NET and Qdrant Vector Stores

  • توسعه Qdrant Vector Stores برای اپلیکیشن Agentic RAG Developing Qdrant Vector Stores for Agentic RAG App

  • تست اپلیکیشن Agentic با Qdrant Vector Store Test the Agentic App with Qdrant Vector Store

  • مصاحبه معماری: پیاده‌سازی Agentic RAG و ذخیره‌سازهای برداری در .NET Architecture Interview: Implementing Agentic RAG and Vector Stores in .NET

  • کوییز توسعه Agentic RAG Developing Agentic RAG Quiz

ارتباطات و پروتکل‌های عامل: استفاده از پروتکل‌های A2A، AG UI و MCP Agent Communications and Protocols - Using Agentic Protocols A2A, AG-UI and MCP

  • مقدمه: "مشکل پروتکل" Introduction - The "Protocol Problem"

  • پروتکل ارتباطی عامل (ACP) چیست؟ What is the Agent Communication Protocol (ACP)?

  • پروتکل A2A (عامل به عامل) چیست؟ What is the A2A (Agent-to-Agent) Protocol?

  • پروتکل تعامل کاربر با عامل (AG UI) چیست؟ What is the Agent-user interaction (AG-UI) protocol ?

  • پروتکل زمینه مدل (MCP) چیست؟ What is the Model-Context Protocol (MCP)?

  • مصاحبه معماری: حل "مشکل پروتکل" Architecture Interview: Solving the "Protocol Problem"

  • کوییز ارتباطات Communications Quiz

توسعه یکپارچه‌سازی A2A با فریم‌ورک Microsoft Agent Developing A2A Integrations with Microsoft Agent Framework

  • مقدمه‌ای بر یکپارچه‌سازی A2A با MAF (نحوه طراحی A2A) Introduction to A2A Integration with MAF (How to Design A2A)

  • الگوهای پیاده‌سازی A2A و کارت‌های عامل (Agent Cards) A2A Implementation Patterns and Agent Cards

  • توسعه یکپارچه‌سازی A2A با فریم‌ورک Microsoft Agent Develop A2A Integration with Microsoft Agent Framework

  • کوییز توسعه A2A Develop A2A Quiz

توسعه پروتکل زمینه مدل (MCP) با فریم‌ورک Microsoft Agent Developing Model Context Protocol (MCP) with Microsoft Agent Framework

  • معماری MCP: میزبان/کلاینت، سرور و پروتکل The MCP Architecture: MCP Host/Client, Server and Protocol

  • چرخه حیات MCP (نحوه عملکرد) The MCP Lifecycle (How it Works)

  • توسعه یکپارچه‌سازی‌های MCP با فریم‌ورک Microsoft Agent Develop MCP Integrations with the Microsoft Agent Framework

  • توسعه ابزارهای میزبانی شده MCP (یکپارچه‌ساز Microsoft Learn) Develop Hosted MCP Tools (Microsoft Learn Integrator)

  • مصاحبه معماری: پیاده‌سازی MCP و ابزارهای میزبانی شده Architecture Interview: Implementing MCP & Hosted Tools

  • کوییز توسعه MCP Develop MCP Quiz

توسعه یکپارچه‌سازی AG UI با فریم‌ورک Microsoft Agent Developing AG-UI Integration with Microsoft Agent Framework

  • چه زمانی از معماری ارتباطی AG UI استفاده کنیم When to Architect with AG-UI Communication

  • طراحی و توسعه AG UI با فریم‌ورک Microsoft Agent Design and Development AG-UI with the Microsoft Agent Framework

سپاسگزاری Thanks

  • سپاسگزاری Thanks

نمایش نظرات

آموزش توسعه هوش مصنوعی Agentic با فریم‌ورک Agent، پروتکل MCP و .NET
جزییات دوره
6 hours
63
(آخرین آپدیت)
2,424
4.6 از 5
دارد
دارد
دارد
Mehmet Ozkaya
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Mehmet Ozkaya Mehmet Ozkaya

معمار نرم افزار | میکروسرویس | AWS Community Builder