لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش چت Copilot، پرامپتها و ایجنتهای هوشمند
- آخرین آپدیت
دانلود Copilot Chat, Prompts and Agents
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
در این دوره، در هنر پرامپتنویسی تکرارپذیر (Iterative Prompting) و استفاده از ایجنتهای تخصصی هوش مصنوعی تخصص پیدا کنید. شما یاد میگیرید که چگونه به عنوان یک ارکستراتور عمل کنید و با استفاده از اصول کلیدی شامل شفافیت، زمینه (Context) و محدودیتها، خروجیهای تجاری در سطح حرفهای تولید کنید. شما تفاوت حیاتی بین دادههای وب و دادههای کاری را درک خواهید کرد و از چتهای عمومی به سمت گردشکارهای تخصصی با استفاده از ایجنتهای پژوهشگر (Researcher) و تحلیلگر (Analyst) در Microsoft 365 Copilot حرکت خواهید کرد. با تسلط بر چرخه «پرامپت و تایید»، رفتوبرگشتهای بی مورد را کاهش داده و Copilot را به یک شریک تجاری با دقت بالا تبدیل میکنید.
از طریق تمرینات عملی، یاد میگیرید که چگونه منبع داده مناسب را برای وظایف مختلف انتخاب کنید، پرامپتها را از طریق سوالات تکمیلی هدفمند اصلاح کنید و کیفیت، مرتبط بودن و دقت خروجیهای تولید شده توسط هوش مصنوعی را بهبود ببخشید. همچنین بررسی خواهید کرد که چگونه ایجنتهای تخصصی از پژوهش، استخراج داده و تحلیلهای تجاری پشتیبانی میکنند، در حالی که کنترل کامل بر زمینه و هدف حفظ میشود.
در پایان این دوره، شما قادر خواهید بود پرامپتهای موثری را ساختاردهی کنید، گردشکارهای ایجنتها را مدیریت نمایید، اعتبار خروجیهای AI را ارزیابی کنید و اقدامات حفاظتی عملی را برای محافظت از اطلاعات حساس و حمایت از استفاده مسئولانه تجاری به کار بگیرید.
سرفصل ها و درس ها
زمان آمادهسازی خود را به نصف کاهش دهید: کارایی حالت وب و حالت کاری
Cut Your Prep Time in Half: The Efficiency of Web and Work Mode
از ۲ ساعت به ۳ دقیقه: به حداکثر رساندن بازگشت سرمایه (ROI) از Copilot
From 2 Hours to 3 Minutes: Maximizing Your Copilot ROI
حالت وب در مقابل حالت کاری: دو دنیای متفاوت از دادهها
Web Mode vs. Work Mode: Two Data Universes
انتخاب بین چت و ایجنتها در محیط کاری شما
Choosing Between Chat and Agents in Your Work
چت در مقابل ایجنتها: تشخیص زمان ارتقاء به ایجنت
Chat vs. Agents: Knowing When to Escalate
اتصال Copilot به اکوسیستم کامل دادههای شما
Connecting Copilot to Your Full Data Ecosystem
مطالعه موردی ZF: پایان هزینههای جابجایی بین تبها
The ZF Case Study: Ending the Tab-Switching Tax
اتصالدهندههای Microsoft Graph: نحوه ورود دادههای خارجی به گراف کاری
Microsoft Graph Connectors: How External Data Enters the Work Graph
پایان چرخه بازبینی: استفاده از ساختار برای ارتقای کیفیت هوش مصنوعی
Ending the Rework Loop: Using Structure to Drive AI Quality
مطالعه مایکروسافت: تاثیر پرامپتنویسی ساختاریافته
The Microsoft Study: The Impact of Structured Prompting
چارچوب شفافیت، زمینه و محدودیتها
The Clarity, Context, and Constraints Framework
پرامپتنویسی دقیق: چرخه تکرارپذیر
Precision Prompting: The Iterative Loop
چرخه تکرارپذیر: از پیشنویس تا خروجی نهایی
The Iterative Loop: From Draft to Deliverable
مدیریت ایجنتها: چشمانداز ایجنتها - استور در مقابل سفارشی
Orchestrating Agents: The Agent Landscape—Store vs. Custom
مطالعه موردی Hargreaves Lansdown
The Hargreaves Lansdown Case Study
چشمانداز ایجنتها: فروشگاه ایجنت در مقابل Copilot Studio
The Agent Landscape: Agent Store vs. Copilot Studio
مدیریت ایجنتها: اجرای ایجنت پژوهشگر و تحلیلگر
Orchestrating Agents: Researcher and Analyst Agent Execution
پژوهشگر در مقابل تحلیلگر: انتخاب متخصص مناسب
Researcher vs. Analyst: Selecting the Right Specialist
مدیریت ایجنتها: پیکربندی ایجنتهای سفارشی در Microsoft Copilot Studio
Orchestrating Agents: Configuring Custom Agents in Microsoft Copilot Studio
مطالعه موردی ServiceNow: پاسخگویی ۵۰٪ سریعتر به بحرانها
The ServiceNow Case Study: 50% Faster Crisis Response
پیکربندی Copilot Studio: دستورالعملها، منابع دانش و پرامپتهای پیشنهادی
Copilot Studio Configuration: Instructions, Knowledge Sources, and Suggested Prompts
نمایش نظرات