آموزش سیستم‌های هوش مصنوعی عامل‌محور (Agentic AI) با پایگاه داده برداری و RAG - آخرین آپدیت

سیستم‌های عامل‌محور و حافظه هوش مصنوعی Agentic Systems and AI Memory

• مقدمه دوره Course Introduction

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

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

• حلقه تصمیم‌گیری: چرا منطق برنامه‌نویسی‌شده (Hard Coded) شکست می‌خورد؟ 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: اپلیکیشن‌های پشتیبانی‌کننده از MCP The Ecosystem: Apps that Support MCP

• 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/Doc) برای RAG Preparing File Structure and Data Assets (PDFs/Docs) for RAG

• پیکربندی ChromaDB در محیط محلی Configuring ChromaDB in Local Environment

• راه‌اندازی ChromaDB در NodeJS و تنظیمات محیطی Setting up ChromaDB in NodeJS & Environment Configuration

• ایجاد Vector Store و تابع Upsert Creating Vector Store & Upsert Function

• تابع جستجو و آماده‌سازی داده‌ها Search Function & Data Preparation

• انتخاب Backend برای Vector Store و تنظیمات نهایی Vector Store Backend Selection & Final Setup

• آشنایی با RAG ایستا و ایجاد پایگاه دانش Introduction to Static RAG and Creating the Knowledge Base

• ایجاد rag.js و خواندن فایل پایگاه دانش Creating rag.js and Reading the Knowledge Base File

• آماده‌سازی Context از داده‌های JSON (نگاشت پرسش و پاسخ) Preparing Context from JSON Data (Mapping Questions & Answers)

• ساخت پرامپت با استفاده از Context و پرسش کاربر Building the Prompt with Context and User Query

• یکپارچه‌سازی RAG در Chat Router و تست بات پرسش و پاسخ Integrating RAG in Chat Router and Testing the Q&A Bot

توسعه موتور RAG و PGVector PGVector and RAG Engine Development

• نصب PostgreSQL، PG و PGVector Installing PostgreSQL, PG, and PGVector

• پیکربندی PG Admin، سرورها و ابزار پرس‌وجو Configuring PG Admin, Servers, and Query Tool

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

• فعال‌سازی افزونه pgVector برای پیکربندی پایگاه داده Enabling the pgVector Extension for Database Configuration

• اتصال اپلیکیشن NodeJS به pgVector Connecting NodeJS App to pgVector

• راه‌اندازی Pool در PostgreSQL و اتصال به pgVector Setting Up PostgreSQL Pool and PGVector Connection

• ایجاد کلاس VectorStorePG و منطق مقداردهی اولیه Creating the VectorStorePG Class and Initialization Logic

• ساخت تابع Upsert برای عملیات درج و به‌روزرسانی Building the Upsert Function for Insert and Update Operations

• پیاده‌سازی پرس‌وجوی جستجوی برداری با استفاده از SQL Implementing the Vector Search Query Using SQL

• تست ورود داده به PGVector و تأیید داده‌ها در PGAdmin Testing PGVector Ingestion and Verifying Data in PGAdmin

• آماده‌سازی رابط (Interface) و کلاس موتور RAG Preparing the RAG Engine Interface & Class

• تولید Embeddingهای پرس‌وجو و اعتبارسنجی ابعاد Generating Query Embeddings & Validating Dimensions

• جستجو در Vector DB، ساخت Context و پرامپت Searching Vector DB, Building Context & Prompt

• ایجاد و پیکربندی ابزار RAG در پروتکل MCP Creating and Configuring the RAG Tool in MCP

• ثبت ابزار RAG و به‌روزرسانی پرامپت سیستم هوش مصنوعی Registering the RAG Tool and Updating the AI System Prompt

• تنظیم محیط و شروع سرویس‌ها برای تست سیستم Environment Setup and Starting Services for System Testing

• تست ابزارها و پرس‌وجوها در جریان کاری عامل‌محور Testing Tools and Queries in the Agentic Workflow

• تست RAG با PGVector و عیب‌یابی ChromaDB RAG Testing with PGVector and Debugging ChromaDB

• مهندسی پرامپت و تست پیشرفته پرس‌وجوها Prompt Engineering and Advanced Query Testing

• پیکربندی تست OpenAI و به‌روزرسانی منطق پرامپت RAG Configuring OpenAI Testing and Updating RAG Prompt Logic

• تست هوش مصنوعی عامل‌محور با GPT، فراخوانی ابزارها و تعویض پایگاه داده برداری Testing Agentic AI with GPT, Tool Calls, and Vector Database Switching

یکپارچه‌سازی MongoDB و بهینه‌سازی طرحواره (Schema) MongoDB Integration and Schema Optimization

• مرور معماری MongoDB و استراتژی یکپارچه‌سازی MongoDB Architecture Overview and Integration Strategy

• نصب و پیکربندی محلی MongoDB در macOS Installing and Configuring MongoDB Locally on macOS

• نصب و پیکربندی محلی MongoDB در ویندوز Installing and Configuring MongoDB Locally on Windows

• پیکربندی محیط MongoDB و نصب Mongoose Configuring MongoDB Environment and Installing Mongoose

• پیاده‌سازی اتصال MongoDB و راه‌اندازی سرور Implementing MongoDB Connection and Starting the Server

• طرحواره (Schema) و رابط مشتری Schema & Customer Interface

• محدودیت‌های طرحواره و تنظیمات مدل Schema Constraints & Model Setup

• درج داده از طریق MCP Insert Data via MCP

• مدیریت خطا و مراحل آینده Error Handling & Future Steps

• بازسازی سرویس‌های مشتری: از داده‌های آزمایشی به MongoDB و دریافت آخرین مشتریان Refactoring Customer Services: Mock Data → MongoDB & Fetching Latest Customers

• دریافت مشتریان بر اساس ID و درک طرحواره‌های MongoDB Fetching Customers by ID & Understanding MongoDB Schemas

• بازسازی سفارش‌ها: پر کردن داده‌های مشتری و آماده‌سازی درج سفارش Refactoring Orders: Populating Customer Data & Preparing Order Insertion

• ایجاد و تست سفارش‌ها در سرور MCP و اپلیکیشن چت Creating & Testing Orders in MCP Server and Chat Application

• مشکل داده در MongoDB: درک تفاوت _id و id و علت شکست در دریافت داده MongoDB Data Issue: Understanding _id vs id and Why Fetching Fails

• ایجاد گزینه‌های طرحواره جهانی و حذف __v از اسناد MongoDB Creating Global Schema Options and Removing __v from MongoDB Documents

• پیاده‌سازی تابع Transform برای پاکسازی پاسخ API Implementing Transform Function to Clean API Response

• استفاده از Getterها برای قالب‌بندی تاریخ‌ها و بهبود مدیریت داده‌های طرحواره Using Getters to Format Dates and Improve Schema Data Handling

• اعمال گزینه‌های طرحواره جهانی بر مدل مشتری و تست نتایج Applying Global Schema Options to Customer Model and Testing Results

• بهینه‌سازی طرحواره سفارش با مراجع ObjectId و Populate Optimizing Order Schema with ObjectId References and Populate

• اصلاح انواع خروجی ابزار و دریافت سفارش‌ها همراه با جزئیات مشتری Fixing Tool Output Types and Fetching Orders with Customer Details

• خلاصه دوره Course Summary