آموزش توسعه عامل‌های هوش مصنوعی هوشمند با OpenAI - آخرین آپدیت

سیستم‌های حافظه و ضروریات دانش Memory Systems and Knowledge Essentials

• معرفی تخصص Specialization Introduction

• معرفی دوره Course Introduction

• چگونه حافظه هوشمندی عامل را بهبود می‌بخشد How Memory Improves Agent Intelligence

• مدل‌های حافظه کوتاه‌مدت در مقابل بلندمدت Short-Term vs Long-Term Memory Models

• عملی: افزودن حافظه نشست به یک عامل با استفاده از AgentKit Storage Hands-On: Add Session Memory to an Agent Using AgentKit Storage

• عملی: بازیابی و نمایش تاریخچه زمینه Hands-On: Retrieve and Display Context History

• خلاصه‌سازی به عنوان یک مکانیسم حافظه Summarization as a Memory Mechanism

• عملی: ساخت یک عامل خلاصه‌ساز حافظه با AgentKit Hands-On: Create a Memory Summarizer Agent with AgentKit

• عملی: ذخیره و بازیابی خلاصه‌های گفتگو از دیسک Hands-On: Store and Recall Conversation Summaries from Disk

• عملی: مقایسه عملکرد حافظه خام و خلاصه‌شده Hands-On: Compare Raw and Summarized Memory Performance

• از استدلال تا دانش: حافظه در عمل From Reasoning to Knowledge : Memory in Action

• عملی: گسترش یک عامل استدلال‌گر برای استفاده از حافظه بلندمدت Hands-On: Extend a Reasoning Agent to Use Long-Term Memory

• عملی: تست بازیابی بین نشست‌ها و بازتزریق زمینه Hands-On: Test Cross-Session Recall and Context Reinjection

بازیابی دانش و استدلال تقویت‌شده Knowledge Retrieval and Augmented Reasoning

• RAG چیست و چرا اهمیت دارد What Is RAG and Why It Matters

• Embeddingها چگونه معنا را نمایش می‌دهند How Embeddings Represent Meaning

• عملی: تولید Embedding برای اسناد با استفاده از مدل‌های OpenAI Hands-On: Generate Embeddings for Documents Using OpenAI Models

• عملی: ادغام Pinecone با عامل پاسخگو Hands-On: Integrating Pinecone to the Responsive Agent

• ادغام داده‌های خارجی با بازیابی‌کننده‌های AgentKit Integrating External Data with AgentKit Retrievers

• عملی: ساخت یک ماژول بازیابی برای اسناد محلی Hands-On: Create a Retrieval Module for Local Documents

• عملی: ترکیب حافظه و RAG برای زمینه ترکیبی Hands-On: Combine Memory and RAG for Hybrid Context

• عملی: ارزیابی دقت و مرتبط بودن پاسخ Hands-On: Evaluate Answer Accuracy and Relevance

• مبانی MCP: چگونه عامل‌ها به زمینه دسترسی پیدا کرده و آن را به اشتراک می‌گذارند MCP Basics : How Agents Access and Share Context

• عملی: اتصال حافظه AgentKit و RAG از طریق فیلدهای زمینه MCP Hands-On: Connect AgentKit Memory and RAG via MCP Context Fields

• عملی: بازیابی دانش خارجی در لحظه با استفاده از MCP Hands-On: Retrieve External Knowledge on Demand Using MCP

ارتباطات و همکاری عامل‌محور Agentic Communication and Collaboration

• A2A و ACP چیستند و چگونه با MCP کار می‌کنند What Are A2A and ACP and How They Work with MCP

• الگوهای ارتباطی: درخواست/پاسخ و نظیر به نظیر Communication Patterns : Request/Response and Peer-to-Peer

• عملی: ساخت دو عامل (برنامه‌ریز و پژوهشگر) برای تبادل پیام‌های JSON Hands-On: Create Two Agents (Planner & Researcher) Exchanging JSON Messages

• طراحی نقش‌ها و مسئولیت‌های عامل Designing Agent Roles and Responsibilities

• عملی: استفاده از نشست‌های AgentKit برای شبیه‌سازی چت بین عاملی Hands-On: Use AgentKit Sessions to Simulate Inter-Agent Chat

• عملی: اشتراک‌گذاری نتایج از طریق طرح پروتکل A2A Hands-On: Share Results via A2A Protocol Schema

• عملی: تجمیع پاسخ‌ها در یک عامل هماهنگ‌کننده Hands-On: Aggregate Responses in a Coordinator Agent

• عملی: ادغام حافظه، RAG و پیام‌رسانی A2A در AgentKit Hands-On: Integrate Memory, RAG, and A2A Messaging in AgentKit

• عملی: تست پرس‌وجوهای دانش چندعاملی و خروجی‌های مشارکتی Hands-On: Test Multi-Agent Knowledge Queries and Collaborative Outputs

• عملی: استقرار سیستم با رابط کاربری Streamlit Hands-On: Deploy the System with a Streamlit Interface

• اتوماسیون GenAI چیست و چرا اهمیت دارد What is GenAI Automation and Why It Matters

• کاوش در OpenAI Playground Exploring OpenAI Playground

• عملی: ساخت یک عامل با استفاده از Open AI Agent Builder Hands On: Creating an agent using Open AI Agent Builder

• خلاصه دوره Course Summary