آموزش سرورهای MCP و معماری هوش مصنوعی عامل‌محور (Agentic AI) - آخرین آپدیت

معماری بک‌اند MCP و مبانی ابزارهای هوش مصنوعی MCP Backend Architecture and AI Tool Fundamentals

• مقدمه دوره Course Introduction

• آشنایی و پاکسازی داده‌های آزمایشی (Mock Data) Introduction & Cleaning Mock Data

• چرا کنترلرها نباید حاوی منطق تجاری باشند و ایجاد سرویس مشتریان Why Controllers Should Not Contain Business Logic & Creating Customer Service

• پیاده‌سازی کنترلر مشتری و مدیریت محدودیت کوئری Implementing Customer Controller and Query Limit Handling

• ایجاد سرویس سفارش و نگاشت سفارش‌ها به مشتریان Creating Order Service and Mapping Orders with Customers

• پیاده‌سازی کنترلر سفارش، بهینه‌سازی سرویس Gemini و تست نهایی Order Controller Implementation, Gemini Service Optimization & Final Testing

• مقدمه‌ای بر معماری MCP و استانداردسازی Introduction to MCP Architecture & Standardization

• اجزای سرور MCP: ابزارها، منابع و پرامپت‌ها MCP Server Components: Tools, Resources, and Prompts

• لایه انتقال، نشست‌ها (Sessions) و مدیریت درخواست‌ها Transport Layer, Sessions, and Request Handling

• آشنایی با اجزای MCP (آنالوژی ابزار در مقابل منبع در مقابل پرامپت) Introduction to MCP Components (Tool vs Resource vs Prompt Analogy)

• درک ابزارهای MCP (اقدامی که هوش مصنوعی می‌تواند انجام دهد) Understanding MCP Tools (Actions AI Can Perform)

• درک منابع MCP (دسترسی به داده‌های فقط خواندنی) Understanding MCP Resources (Read-Only Data Access)

• درک پرامپت‌های MCP (قالب‌های تعامل قابل استفاده مجدد با هوش مصنوعی) Understanding MCP Prompts (Reusable AI Interaction Templates)

• چارچوب تصمیم‌گیری: چه زمانی از ابزار، منبع یا پرامپت استفاده کنیم Decision Framework: When to Use Tool, Resource, or Prompt

• درک لایه انتقال (Transport Layer) در MCP Understanding Transport Layer in MCP

فراخوانی ابزار هوش مصنوعی و ادغام با LLM AI Tool Calling and LLM Integration

• چالش‌های ادغام ابزار هوش مصنوعی و جریان کاری فراخوانی ابزار AI Tool Integration Challenges & Tool Calling Workflow

• معماری MCP، مزایا و مقایسه با فراخوانی مستقیم ابزار MCP Architecture, Advantages & Comparison with Tool Calling

• راه‌اندازی پروژه برای فراخوانی ابزار Gemini (بدون MCP) Project Setup for Gemini Tool Calling (Without MCP)

• ایجاد تعاریف ابزار: توابع آب و هوا و مشتریان Creating Tool Definitions: Weather and Customer Functions

• ثبت ابزارها در تنظیمات Gemini Registering Tools in Gemini Configuration

• تشخیص و اجرای فراخوانی ابزار از پاسخ Gemini Detecting and Executing Tool Calls from Gemini Response

• ارسال نتایج ابزار به LLM برای دریافت پاسخ به زبان طبیعی Sending Tool Results Back to the LLM for Natural Language Response

• تست فراخوانی ابزار با کوئری‌های آب و هوا و مشتری Testing Tool Calling with Weather and Customer Queries

• محدودیت‌های فراخوانی مستقیم ابزار و چرا MCP بهتر است Limitations of Direct Tool Calling and Why MCP is Better

• ایجاد سرویس OpenAI و نصب SDK مربوطه Creating OpenAI Service and Installing OpenAI SDK

• پیکربندی متغیرهای محیطی و پیاده‌سازی توابع پایه OpenAI Configuring Environment Variables and Implementing Base OpenAI Functions

• درک API پاسخ‌های OpenAI و جریان کاری فراخوانی ابزار Understanding OpenAI Responses API and Tool Calling Workflow

• تعریف ابزارها برای توابع آب و هوا و مشتریان Defining Tools for Weather and Customer Functions

• پیاده‌سازی مدیریت فراخوانی تابع با استفاده از Loop و Switch Case Implementing Function Call Handling with Loop and Switch Case

• ارسال خروجی ابزار به OpenAI و تولید پاسخ نهایی Sending Tool Output Back to OpenAI and Generating Final Response

• ادغام کنترلر، مدیریت دستورالعمل‌ها و تفاوت‌های OpenAI در مقابل Gemini Controller Integration, Instructions Handling, and OpenAI vs Gemini Differences

• تست فراخوانی بومی ابزار OpenAI در فرانت‌اِند Testing OpenAI Native Tool Calling in Frontend

ادغام کلاینت-سرور MCP و عامل (Agent) MCP Server Client and Agent Integration

• مقدمه‌ای بر MCP و آماده‌سازی پروژه عامل‌محور Introduction to MCP and Preparing the Agentic Project

• درک مستندات MCP: ابزارها، منابع و پرامپت‌ها Understanding MCP Documentation: Tools, Resources, and Prompts

• ایجاد ساختار پوشه‌بندی MCP و راه‌اندازی سرور MCP Creating MCP Folder Structure and MCP Server Setup

• ایجاد فایل ابزارهای مشتری و ثبت اولین ابزار MCP Creating Customer Tools File and Registering First MCP Tool

• پیاده‌سازی طرحواره (Schema) ورودی و خروجی با اعتبارسنجی Zod Implementing Input & Output Schema with Zod Validation

• افزودن دومین ابزار مشتری (دریافت مشتری بر اساس ID) Adding Second Customer Tool (Get Customer by ID)

• ایجاد ابزارهای سفارش و پیاده‌سازی چندین ابزار MCP Creating Order Tools and Implementing Multiple MCP Tools

• ساخت ابزارهای پیشرفته سفارش (سفارش‌ها با جزئیات مشتری و سفارش بر اساس ID) Building Advanced Order Tools (Orders with Customer Details & Order by ID)

• ایجاد ابزار آب و هوا و تنظیمات نهایی رجیستری ابزارهای MCP Creating Weather Tool and Final MCP Tool Registry Setup

• راه‌اندازی کنترلر انتقال MCP و پیکربندی نشست (Session) Setting Up MCP Transport Controller & Session Configuration

• ایجاد منطق انتقال و مدیریت نشست‌ها Creating Transport Logic & Session Management

• پیاده‌سازی درخواست POST برای ارتباط کلاینت-سرور MCP Implementing POST Request for MCP Client–Server Communication

• مدیریت درخواست‌های GET و DELETE و پیکربندی مسیرهای Express Handling GET, DELETE Requests & Configuring Express Routes

• بررسی عمیق معماری: نقش حیاتی کلاینت MCP Architecture Deep Dive: The Critical Role of the MCP Client

• مقدمه و ایجاد ساختار سرویس کلاینت MCP Introduction & Creating MCP Client Service Structure

• پیاده‌سازی Singleton MCP Client و مقداردهی اولیه کلاینت Implementing Singleton MCP Client and Client Initialization

• اتصال کلاینت MCP به سرور با استفاده از انتقال HTTP Connecting MCP Client to Server Using HTTP Transport

• دریافت ابزارهای موجود و پیاده‌سازی متدهای فراخوانی ابزار Fetching Available Tools and Implementing Tool Calling Methods

• ایجاد کنترلر عامل و آماده‌سازی جریان درخواست LLM Creating Agent Controller and Preparing LLM Request Flow

• ادغام کلاینت MCP با Gemini برای فراخوانی ابزار Integrating MCP Client with Gemini for Tool Calling

• درک معماری MCP به ابزار و اجرای خودکار ابزار Understanding MCP-to-Tool Architecture and Automatic Tool Execution

• دستورالعمل‌های سیستم، ساختار پرامپت و تنظیمات Temperature System Instructions, Prompt Structure, and Temperature Settings

• ایجاد مسیرها، اجرای برنامه و تست ابزارهای MCP Creating Routes, Running the Application, and Testing MCP Tools

ادغام MCP با مدل‌های هوش مصنوعی MCP Integration with AI Models

• مقدمه: پیاده‌سازی MCP با OpenAI Introduction: Implementing MCP with OpenAI

• راه‌اندازی سرویس OpenAI و نصب پکیج OpenAI Setting Up OpenAI Service & Installing OpenAI Package

• ادغام کلاینت MCP با کنترلر عامل Integrating MCP Client with Agent Controller

• بارگذاری ابزارهای MCP و آماده‌سازی کانتکست ابزار Loading MCP Tools and Preparing Tool Context

• نوشتن دستورالعمل‌های سیستم و قرارداد پاسخ (Response Contract) Writing System Instructions and Response Contract

• آماده‌سازی ساختار پیام‌ها و حلقه عامل‌محور Preparing Messages Structure and Agentic Loop

• ایجاد Schema با Zod برای اعتبارسنجی قصد (Intent) ابزار Creating Zod Schema for Tool Intent Validation

• تجزیه پاسخ‌های OpenAI و اجرای ابزارهای MCP Parsing OpenAI Responses and Executing MCP Tools

• مدیریت خروجی نهایی، تکمیل حلقه و تنظیم محیط Final Output Handling, Loop Completion & Environment Setup

• تست فراخوانی ابزار MCP با مدل OpenAI GPT Testing MCP Tool Calling with OpenAI GPT Model

• آمادگی برای مصاحبه: سوالات معماری MCP Interview Prep: MCP Architecture Questions

• سیستم عامل‌محور (Agentic System) چیست؟ What is an Agentic System?

• فراتر از چت‌بات‌های ساده (چرا عامل‌محور؟) The "Why" - Beyond Simple Chatbots (Why Agentic)

• حلقه تصمیم‌گیری: چرا منطق‌های Hard Coded شکست می‌خورند The Decision Loop - Why Hard-Coded Logic Fails

• الگوی طراحی عامل‌محور: انتقال RAG به عنوان یک ابزار The Agentic Design Pattern - Passing RAG as a Tool

• نبرد معماری: RAG در مقابل MCP در مقابل عوامل (Agents) Architecture Battle: RAG vs. MCP vs. Agents

• اکوسیستم: اپلیکیشن‌هایی که از MCP پشتیبانی می‌کنند The Ecosystem: Apps that Support MCP

مفاهیم پایگاه داده برداری Vector Database Concepts

• مشکل حافظه: چرا هوش مصنوعی به پایگاه داده برداری نیاز دارد؟ The Memory Problem: Why AI Needs Vector Databases?

• پایگاه‌های داده برداری چه کاری انجام می‌دهند؟ What Vector Databases Do?

• ChromaDB چیست؟ What is ChromaDB?

• pgVector چیست؟ What is pgVector?

• مقایسه ChromaDB و pgVector: چه زمانی کدام را انتخاب کنیم؟ ChromaDB vs pgVector - When to Choose?

• آماده‌سازی ساختار فایل و دارایی‌های داده (PDF/Docs) برای RAG Preparing File Structure and Data Assets (PDFs/Docs) for RAG

• پیکربندی ChromaDB در محیط محلی Configuring ChromaDB in Local Environment

• پیکربندی کلاینت ChromaDB و تنظیم محیط ChromaDB Client Configuration & Environment Setup

• کلاس VectorStoreChroma و پیاده‌سازی عملیات Upsert VectorStoreChroma Class & Upsert Implementation

• پیاده‌سازی کوئری جستجو و انتخاب ذخیره‌ساز برداری Search Query Implementation & Vector Store Selection

• مقدمه‌ای بر خط لوله جذب داده (Data Ingestion) و استراتژی تکه‌تکه کردن (Chunking) Introduction to the Data Ingestion Pipeline & Chunking Strategy

• پیاده‌سازی تابع chunkText برای تکه‌تکه کردن اسناد Implementing the chunkText() Function for Document Chunking

• ساخت تابع ingestFolder و خواندن فایل‌ها Building the ingestFolder() Function & Reading Files

• تولید امبدینگ‌ها و ذخیره تکه‌ها در پایگاه داده برداری Generating Embeddings and Storing Chunks in Vector DB

• اجرای اسکریپت جذب داده، دستور CLI و رفع خطای محیطی Running the Ingestion Script, CLI Command & Fixing Environment Error

• پیکربندی PostgreSQL و pgVector برای MacOS Configuring PostgreSQL & pgVector for MacOS

• پیکربندی PostgreSQL و pgVector برای Windows Configuring PostgreSQL & pgVector for Windows

• خلاصه Summary