آموزش هوش مصنوعی Agentic مدرن: MCP، RAG، ایجنت‌های AI، LangGraph و جریان‌های کاری - آخرین آپدیت

سرفصل ها و درس ها

مقدمه‌ای بر Agentic AI مدرن: MCP، RAG، ایجنت‌های AI، LangGraph و جریان‌های کاری Introduction to Modern Agentic AI: MCP, RAG, AI Agents, LangGraph & Workflow

• مقدمه Introduction

ماژول ۱ – مبانی و اولین موفقیت Module 1 – Foundations & First Success

• مبانی و اولین موفقیت Foundations & First Success

• آزمایش ۱ – درک اکوسیستم مدرن Agentic AI Lab 1 — Understanding the Modern Agentic AI Ecosystem

• آزمایش ۲ – ساخت محیط توسعه محلی Lab 2 — Building the Local Development Environment

• آزمایش ۳ – مبانی Git و جریان کاری متن‌باز Lab 3 — Git and Open Source Workflow Fundamentals

• آزمایش ۴ – مبانی Docker برای مهندسان AI Lab 4 — Docker Foundations for AI Engineers

• آزمایش ۵ – مدیریت محیط‌های پایتون Lab 5 — Python Environment Management

• آزمایش ۶ – اجرای اولین LLM متن‌باز Lab 6 — Running Your First Open Source LLM

• آزمایش ۷ – بررسی استنتاج محلی بر پایه Ollama Lab 7 — Exploring Ollama-Based Local Inference

• آزمایش ۸ – ساخت یک دستیار AI ساده Lab 8 — Building a Simple AI Assistant

• آزمایش ۹ – درک توکن‌ها، کانتکست و حافظه Lab 9 — Understanding Tokens, Context and Memory

• آزمایش ۱۰ – نقطه عطف موفقیت اولیه: دستیار دانش شخصی Lab 10 — Initial Success Milestone: Personal Knowledge Assistant

ماژول ۲ – پایتون برای Agentic AI Module 2 – Python for Agentic AI

• پایتون برای Agentic AI Python for Agentic AI

• آزمایش ۱۱ – معماری پایتون برای سیستم‌های AI Lab 11 — Python Architecture for AI Systems

• آزمایش ۱۲ – ساختارهای داده برای جریان‌های کاری ایجنت Lab 12 — Data Structures for Agent Workflows

• آزمایش ۱۳ – مبانی ادغام API Lab 13 — API Integration Fundamentals

• آزمایش ۱۴ – کار با JSON و Schemaها Lab 14 — Working with JSON and Schemas

• آزمایش ۱۵ – برنامه‌نویسی Async برای برنامه‌های AI Lab 15 — Async Programming for AI Applications

• آزمایش ۱۶ – ساخت کتابخانه‌های ابزاری قابل استفاده مجدد Lab 16 — Building Reusable Tool Libraries

• آزمایش ۱۷ – الگوهای مدیریت خطا و بازیابی Lab 17 — Error Handling and Recovery Patterns

• آزمایش ۱۸ – مبانی FastAPI Lab 18 — FastAPI Fundamentals

• آزمایش ۱۹ – ساخت سرویس کاربردی ایجنت Lab 19 — Agent Utility Service Construction

• آزمایش ۲۰ – ساخت یک AI API آماده برای تولید Lab 20 — Building a Production-Ready AI API

ماژول ۳ – مفاهیم بنیادی LLM Module 3 – LLM Fundamentals

• مفاهیم بنیادی LLM LLM Fundamentals

• آزمایش ۲۱ – چشم‌انداز LLMهای متن‌باز Lab 21 — Open Source LLM Landscape

• آزمایش ۲۲ – استراتژی‌های استقرار مدل محلی Lab 22 — Local Model Deployment Strategies

• آزمایش ۲۳ – مبانی کوانتیزاسیون مدل Lab 23 — Model Quantization Fundamentals

• آزمایش ۲۴ – الگوهای مهندسی پرامپت Lab 24 — Prompt Engineering Patterns

• آزمایش ۲۵ – خروجی‌های ساختاریافته با JSON Lab 25 — Structured Outputs with JSON

• آزمایش ۲۶ – مفاهیم فراخوانی تابع (Function Calling) Lab 26 — Function Calling Concepts

• آزمایش ۲۷ – بهینه‌سازی پنجره کانتکست Lab 27 — Context Window Optimization

• آزمایش ۲۸ – سیستم‌های حافظه گفتگو Lab 28 — Conversation Memory Systems

• آزمایش ۲۹ – جریان‌های کاری فراخوانی ابزار Lab 29 — Tool Invocation Workflows

• آزمایش ۳۰ – معماری دستیار هوشمند Lab 30 — Intelligent Assistant Architecture

ماژول ۴ – مهندسی RAG مدرن Module 4 – Modern RAG Engineering

• مهندسی RAG مدرن Modern RAG Engineering

• آزمایش ۳۱ – مبانی معماری RAG Lab 31 — RAG Architecture Fundamentals

• آزمایش ۳۲ – خط‌لوله‌های پردازش اسناد Lab 32 — Document Processing Pipelines

• آزمایش ۳۳ – استراتژی‌های تکه‌تکه کردن متن (Chunking) Lab 33 — Text Chunking Strategies

• آزمایش ۳۴ – بررسی عمیق Embeddings Lab 34 — Embeddings Deep Dive

• آزمایش ۳۵ – ساخت یک Vector Store Lab 35 — Building a Vector Store

• آزمایش ۳۶ – بهینه‌سازی بازیابی Lab 36 — Retrieval Optimization

• آزمایش ۳۷ – فیلترینگ متادیتا Lab 37 — Metadata Filtering

• آزمایش ۳۸ – پیاده‌سازی جستجوی ترکیبی Lab 38 — Hybrid Search Implementation

• آزمایش ۳۹ – چارچوب ارزیابی RAG Lab 39 — RAG Evaluation Framework

• آزمایش ۴۰ – دستیار دانش سازمانی Lab 40 — Enterprise Knowledge Assistant

ماژول ۵ – سیستم‌های بازیابی پیشرفته Module 5 – Advanced Retrieval Systems

• سیستم‌های بازیابی پیشرفته Advanced Retrieval Systems

• آزمایش ۴۱ – Elasticsearch برای سیستم‌های AI Lab 41 — Elasticsearch for AI Systems

• آزمایش ۴۲ – مهندسی جستجوی BM25 Lab 42 — BM25 Search Engineering

• آزمایش ۴۳ – معماری بازیابی ترکیبی Lab 43 — Hybrid Retrieval Architecture

• آزمایش ۴۴ – طراحی جستجوی چند-اندکسی Lab 44 — Multi-Index Search Design

• آزمایش ۴۵ – ادغام گراف دانش (Knowledge Graph) Lab 45 — Knowledge Graph Integration

• آزمایش ۴۶ – سیستم‌های تولید ارجاع Lab 46 — Citation Generation Systems

• آزمایش ۴۷ – تکنیک‌های فشرده‌سازی کانتکست Lab 47 — Context Compression Techniques

• آزمایش ۴۸ – معماری‌های رتبه‌بندی مجدد (Re-Ranking) Lab 48 — Re-Ranking Architectures

• آزمایش ۴۹ – خط‌لوله‌های بازیابی با کارایی بالا Lab 49 — High-Performance Retrieval Pipelines

• آزمایش ۵۰ – پلتفرم RAG عملیاتی Lab 50 — Production RAG Platform

ماژول ۶ – مهندسی MCP Module 6 – MCP Engineering

• مهندسی MCP MCP Engineering

• آزمایش ۵۱ – درک معماری MCP Lab 51 — Understanding MCP Architecture

• آزمایش ۵۲ – مبانی کلاینت MCP Lab 52 — MCP Client Fundamentals

• آزمایش ۵۳ – مبانی سرور MCP Lab 53 — MCP Server Fundamentals

• آزمایش ۵۴ – جریان‌های کاری ثبت ابزار Lab 54 — Tool Registration Workflows

• آزمایش ۵۵ – الگوهای نمایش منابع Lab 55 — Resource Exposure Patterns

• آزمایش ۵۶ – مکانیسم‌های نمایش پرامپت Lab 56 — Prompt Exposure Mechanisms

• آزمایش ۵۷ – سرورهای MCP با ابزارهای متعدد Lab 57 — Multi-Tool MCP Servers

• آزمایش ۵۸ – طراحی امن MCP Lab 58 — Secure MCP Design

• آزمایش ۵۹ – اکوسیستم‌های MCP توزیع‌شده Lab 59 — Distributed MCP Ecosystems

• آزمایش ۶۰ – گیت‌وی MCP سازمانی Lab 60 — Enterprise MCP Gateway

ماژول ۷ – ایجنت‌های AI و فراخوانی ابزار Module 7 – AI Agents & Tool Calling

• ایجنت‌های AI و فراخوانی ابزار AI Agents & Tool Calling

• آزمایش ۶۱ – مبانی ایجنت‌ها Lab 61 — Agent Fundamentals

• آزمایش ۶۲ – ایجنت‌های کاربر ابزار Lab 62 — Tool-Using Agents

• آزمایش ۶۳ – ایجنت‌های برنامه‌ریز Lab 63 — Planning Agents

• آزمایش ۶۴ – الگوهای بازتاب (Reflection) Lab 64 — Reflection Patterns

• آزمایش ۶۵ – معماری‌های ReAct Lab 65 — ReAct Architectures

• آزمایش ۶۶ – ایجنت‌های تحقیق Lab 66 — Research Agents

• آزمایش ۶۷ – ایجنت‌های استدلال چندمرحله‌ای Lab 67 — Multi-Step Reasoning Agents

• آزمایش ۶۸ – همکاری چند-ایجنت Lab 68 — Multi-Agent Collaboration

• آزمایش ۶۹ – مهندسی قابلیت اطمینان ایجنت Lab 69 — Agent Reliability Engineering

• آزمایش ۷۰ – دستیار عملیات خودکار Lab 70 — Autonomous Operations Assistant

ماژول ۸ – مهندسی جریان کاری LangGraph Module 8 – LangGraph Workflow Engineering

• مهندسی جریان کاری LangGraph LangGraph Workflow Engineering

• آزمایش ۷۱ – مبانی LangGraph Lab 71 — LangGraph Foundations

• آزمایش ۷۲ – گره‌ها و یال‌های گراف Lab 72 — Graph Nodes and Edges

• آزمایش ۷۳ – مدیریت وضعیت (State) Lab 73 — State Management

• آزمایش ۷۴ – مسیریابی شرطی Lab 74 — Conditional Routing

• آزمایش ۷۵ – جریان‌های کاری با حضور انسان (Human-in-the-loop) Lab 75 — Human-in-the-Loop Workflows

• آزمایش ۷۶ – گراف‌های چند-ایجنت Lab 76 — Multi-Agent Graphs

• آزمایش ۷۷ – جریان‌های کاری بازیابی از خطا Lab 77 — Failure Recovery Workflows

• آزمایش ۷۸ – الگوهای اجرای طولانی‌مدت Lab 78 — Long-Running Execution Patterns

• آزمایش ۷۹ – طراحی جریان کاری سازمانی Lab 79 — Enterprise Workflow Design

• آزمایش ۸۰ – پلتفرم جریان کاری عملیات AI Lab 80 — AI Operations Workflow Platform

ماژول ۹ – مشاهده‌پذیری، امنیت و حاکمیت Module 9 – Observability, Security & Governance

• مشاهده‌پذیری، امنیت و حاکمیت Observability, Security & Governance

• آزمایش ۸۱ – مبانی مشاهده‌پذیری AI Lab 81 — AI Observability Fundamentals

• آزمایش ۸۲ – ادغام OpenTelemetry Lab 82 — OpenTelemetry Integration

• آزمایش ۸۳ – ردیابی جریان‌های کاری ایجنت Lab 83 — Tracing Agent Workflows

• آزمایش ۸۴ – سیستم‌های ثبت وقایع و حسابرسی Lab 84 — Logging and Audit Systems

• آزمایش ۸۵ – خط‌لوله‌های ارزیابی AI Lab 85 — AI Evaluation Pipelines

• آزمایش ۸۶ – RBAC برای پلتفرم‌های AI Lab 86 — RBAC for AI Platforms

• آزمایش ۸۷ – ادغام OAuth2 و هویت Lab 87 — OAuth2 and Identity Integration

• آزمایش ۸۸ – معماری حاکمیت داده‌ها Lab 88 — Data Governance Architecture

• آزمایش ۸۹ – مهندسی انطباق برای AI Lab 89 — Compliance Engineering for AI

• آزمایش ۹۰ – سخت‌سازی امنیتی محیط تولید Lab 90 — Production Security Hardening

ماژول ۱۰ – پلتفرم‌های AI مستقل و پروژه نهایی Module 10 – Sovereign AI Platforms & Capstone

• پلتفرم‌های AI مستقل و پروژه نهایی Sovereign AI Platforms & Capstone

• آزمایش ۹۱ – کوبرنتیز برای پلتفرم‌های ایجنت Lab 91 — Kubernetes for Agent Platforms

• آزمایش ۹۲ – استقرارهای AI کانتینری Lab 92 — Containerized AI Deployments

• آزمایش ۹۳ – GitOps برای سیستم‌های AI Lab 93 — GitOps for AI Systems

• آزمایش ۹۴ – معماری‌های با دسترسی بالا (HA) Lab 94 — High Availability Architectures

• آزمایش ۹۵ – معماری داده‌های مستقل Lab 95 — Sovereign Data Architecture

• آزمایش ۹۶ – استقرارهای AI در محیط‌های ایزوله (Air Gapped) Lab 96 — Air-Gapped AI Deployments

• آزمایش ۹۷ – ایجنت‌های تحقیق غیرمتمرکز Lab 97 — Decentralized Research Agents

• آزمایش ۹۸ – پلتفرم‌های دانش فدرال Lab 98 — Federated Knowledge Platforms

• آزمایش ۹۹ – اسمبل پلتفرم Agentic AI سازمانی Lab 99 — Enterprise Agentic AI Platform Assembly

• آزمایش ۱۰۰ – پروژه نهایی: پلتفرم هوشمند چند-ایجنت مستقل Lab 100 — Sovereign Multi-Agent Intelligence Platform Capstone

جمع‌بندی Conclusion

• جمع‌بندی Conclusion