لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش استقرار ایجنتهای هوش مصنوعی: LLMها، LangGraph و APIهای عملیاتی
- آخرین آپدیت
دانلود Deploying AI Agents: LLMs, LangGraph, and Production APIs
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
مهارتهای خود در زمینه ایجنتهای هوش مصنوعی را با این دوره عملی در مورد ساخت، اعتبارسنجی و استقرار ایجنتهای مبتنی بر LLM با استفاده از LangGraph، LangChain، Pydantic-AI، Mem0، CrewAI، Agno و FastAPI به سطح تولید (Production) برسانید. شما یاد خواهید گرفت که چگونه نمونههای اولیه را به سیستمهای ایجنتی قابل اعتماد و در سطح سازمانی تبدیل کنید.
پودمان ۱ به ادغام LLMها (OpenAI، Anthropic) در خط لولههای استدلالی LangGraph، طراحی گرهها (Nodes)، جریان کنترل، مدیریت توکنها و تست تکرارشونده گردش کار میپردازد.
پودمان ۲ بر اجرای سختگیرانه طرحوارهها (Schema Enforcement) با Pydantic-AI، خروجیهای ساختاریافته و ساخت یک دستیار گردش کار تجاری با ورودی/خروجیهای تایید شده و قابل اعتماد تمرکز دارد.
پودمان ۳ شما را در مسیر استقرار کامل هدایت میکند: بکاندهای FastAPI، حافظه پایدار با Mem0 و ذخیرهسازهای برداری (Vector Stores)، و ارکستراسیون با Agno و CrewAI در محیط عملیاتی.
پودمان ۴ به آموزش ارزیابی میپردازد: معیارها، لاگگیری، تست فشار (Load Testing)، بنچمارک و مقایسه LangGraph، CrewAI و Agno برای استقرار در مقیاس سازمانی.
در پایان این دوره، شما قادر خواهید بود:
- LLMها را در خط لولههای استدلالی ماژولار LangGraph ادغام کنید
- ورودی/خروجی ایجنتها را با استفاده از طرحوارههای Pydantic-AI برای خروجیهای قابل اعتماد اعتبارسنجی کنید
- ایجنتها را از طریق FastAPI همراه با حافظه پایدار Mem0 و Vector Store مستقر کنید
- فریمورکها را ارزیابی و بنچمارک کنید تا بهترین انتخاب برای محیط عملیاتی را داشته باشید
سرفصل ها و درس ها
مبانی همکاری چند-ایجنت
Foundations of Multi-Agent Collaboration
ظهور همکاریهای چند-ایجنت
The Rise of Multi-Agent Collaboration
روندهای صنعت در هوش توزیع شده
Industry Trends in Distributed Intelligence
مهارتها و فریمورکهای مورد نیاز بازار
Skills and Frameworks in Demand
نحوه ادغام APIهای LLM با LangGraph
How LLM APIs Integrate with LangGraph
پیکربندی پارامترهای مدل برای استدلال
Configuring Model Parameters for Reasoning
طراحی گرههای استدلالی در LangGraph
Designing Reasoning Nodes in LangGraph
پیادهسازی جریان کنترل بین گرهها
Implementing Control Flow Between Nodes
برقراری تعادل بین استقلال و نظارت
Balancing Independence and Oversight
ایجاد یک خط لوله استدلالی چند-گرهای
Creating a Multi-Node Reasoning Pipeline
تست تکرارشونده و بهینهسازی
Iterative Testing and Refinement
طراحی گردش کارهای چند-ایجنت مبتنی بر نقش
Designing Role-Based Multi-Agent Workflows
مقدمهای بر اعتبارسنجی دادهها
Introduction to Data Validation
نمایش نظرات