آموزش Langgraph in Action: عوامل پیشرفته AI را با LLMS توسعه دهید - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• چرا این دوره و چرا باید به من گوش دهید؟ Why this course and why should be listen to me?

• آنچه را خواهید آموخت و چه چیزی یاد نخواهید گرفت What you will learn and what will you not learn

• پیش نیازهای Prerequisites

• تکامل اکوسیستم Langchain از OOP تا نمودارها Evolution the of LangChain Ecosystem from OOP to Graphs

• گردش کار مبتنی بر LLM به عنوان دستگاه ها/نمودارهای دولتی LLM Based Workflows as State Machines / Graphs

• مخزن کلون و محیط تنظیم Clone Repository & Set Up Environment

ساختار داده اصلی Langgraph استفاده می کند Core Data Structure LangGraph uses

• TypedDict در مقابل Pydantic Basemodel TypedDict vs. Pydantic BaseModel

مبانی لانگگراف LangGraph Basics

• حالت ، گره ها ، لبه ها State, Nodes, Edges

• چرا فقط از LCEL استفاده نمی کنیم؟ Why not just use LCEL?

• چرخه و لبه های مشروط Cycles & Conditional Edges

• توابع کاهش دهنده Reducer Functions

• حالت با پایه Pydantic State with Pydantic BaseModel

تماس ابزار - نماینده خود را به دنیای واقعی وصل کنید Tool Calling - Connect your Agent to the real world

• نظریه فراخوانی ابزار Tool Calling Theory

• فراخوانی ابزار در عمل Tool Calling in Practice

اصول اولیه Agent Basics

• اولین عامل مبتنی بر LLM First LLM based Agent

• حافظه با بازرسی ها Memory with Checkpointers

RAG (نسل افزوده Retrievel) عامل RAG (Retrievel Augmented Generation) Agent

• RAG در تئوری (recap کوتاه) RAG in Theory (short recap)

• پارچه در عمل RAG in Practice

• عامل پارچه ای با طبقه بندی کننده RAG Agent with Classifier

• RAG به عنوان ابزار تماس با ابزار RAG as Tool Calling Agent

• عامل پیچیده Rag: Graph Through Complex RAG Agent: Graph Walkthrough

• عامل خزدار پیچیده در عمل Complex RAG Agent in practice

مفاهیم گردش کار لاغر و پویا Concepts for Lean and Dynamic Workflows

• وضعیت ورودی و خروجی Input- & Output State

• پیکربندی زمان اجرا پویا Dynamic Runtime Configuration

گردش کار انسان در حلقه Human-in-the-Loop Workflow

• چرا ما به گردش کار انسان در حلقه نیاز داریم Why we need Human-in-the-Loop Workflows

• قطع و از سرگیری یک گردش کار Interrupt and resume a Workflow

• timetravel: reps and forks Timetravel: Replays and Forks

• متخصص انسانی به عنوان کد ابزار Human Expert as ToolNode

• کلاس فرمان جدید The new Command class

• انسان در حلقه با قطع و فرمان Human-in-the-Loop with interrupt and Command

گردش کار آماده تولید: گره های موازی و async Production-Ready Workflows: Parallel & Async Nodes

• اجرای گره موازی Parallel Node Execution

• عوامل و جریان async: چه زمانی از آن استفاده کنید Async Agents & Streaming: When to use it

• async و جریان در عمل Async & Streaming in Practice

زیرگراف Subgraphs

• نمایندگان را به عنوان زیرگراف در یک عامل دیگر اجرا کنید Execute Agents as Subgraphs in another Agent

الگوهای عامل - نظریه و عمل Agent Patterns - Theory & Practice

• الگوهای عامل: تئوری Agent Patterns: Theory

• عامل سلسله مراتبی - ایجاد عوامل مستقل Hierarchical Agent - Create independent agents

• سرپرست Supervisor Agent

• انسان در حلقه در گردش کار چند منظوره Human-in-the-Loop in Multiagent Workflow

برنامه Fullstack Fullstack Application

• برنامه دنیای واقعی: فراتر از نوت بوک های Jupyter Real-World Application: Beyond Jupyter Notebooks

• برنامه Fullstack - نسخه ی نمایشی Fullstack Application - Demo

• کدگذاری کد Code Walkthrough

ادغام حافظه بلند مدت Long-Term Memory Integration

• حافظه بلند مدت در مقابل حافظه کوتاه مدت در تئوری Long-Term Memory vs. Short-Term Memory in Theory

• حافظه بلند مدت با کلاس فروشگاه Long-Term Memory with the store class

اختیاری: آزمایش واحد Optional: Unit Testing

• عملکرد گره را با Pytest انجام می دهد Test node functions with Pytest

تبریک می گویم! Congratulations!

• تو این کار را کردی! You did it!