آموزش Deep Agent - سیستم RAG چند-عاملی با Gemini و Langchain - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه دوره Course Introduction

• مسیر یادگیری تسلط بر عوامل AI | حتما ببینید AI Agent Mastery Learning Path | Must Watch

• دانلود فایل‌های کد از اینجا Download Code Files Here

• راه‌اندازی محیط Gen AI Gen AI Environment Setup

• نصب نیازمندی‌ها (Requirements.txt) Install Requirements.txt

الگوهای عاملی و مبانی (مناسب مبتدیان) Agent Patterns & Foundations (Beginner Friendly)

• خوش‌آمدگویی به دوره - آنچه درباره عوامل (DeepAgent) خواهید آموخت Welcome to the Course - What You Will Learn About Agents (DeepAgent)

• توضیح مفاهیم پایه عامل‌ها - مبانی ضروری برای هر مبتدی Agent Basics Explained - Foundation Every Beginner Must Know

• کالبدشکافی یک عامل AI - اجزای اصلی و گردش کار Inside an AI Agent - Core Components & Workflow

• توضیح عامل ReAct - ساده‌سازی استدلال و عملیات ReAct Agent Explained - Reasoning + Actions Made Simple

• انواع عوامل AI - چهار الگوی قدرتمند برای پروژه‌های واقعی Types of AI Agents - Four Powerful Patterns for Real Projects

• چگونه عامل مناسب را برای مورد کاربردی خود انتخاب کنید How to Choose the Right Agent for Your Use-Case

راه‌اندازی Google Gemini AI Studio و Langsmith Google's Gemini AI Studio and Langsmith Setup

• مرور کلی: Google Gemini AI Studio و LangSmith در یکجا Overview: Google Gemini AI Studio + LangSmith in One Place

• نحوه دریافت ۳۰۰ دلار اعتبار رایگان گوگل کلود (گام به گام) How to Claim $300 Free Google Cloud Credits (Step-by-Step)

• ساخت API Key رایگان Gemini در Google AI Studio Create a Free Gemini API Key in Google AI Studio

• گشت و گذاری در Google AI Studio - مدل‌ها، محیط تست و ویژگی‌ها Tour of Google AI Studio - Models, Playground & Features

• قیمت‌گذاری مدل‌های Gemini - از کدام مدل باید استفاده کرد؟ Gemini Model Pricing - Which Model Should You Use?

• درک محدودیت‌های نرخ درخواست - بهترین مدل برای عامل‌ها و اتوماسیون Understanding Rate Limits - Best Model for Agents & Automation

• توضیح داشبورد جدید محدودیت‌های نرخ Gemini New Gemini Rate Limit Dashboard Page Explained

• تولید و بارگذاری API Key مدل LangSmith برای ردیابی عامل Generate & Load LangSmith API Key for Agent Tracing

• تست راه‌اندازی Google Gemini و LangSmith (دموی سریع) Test Your Google Gemini + LangSmith Setup (Quick Demo)

بوت‌کمپ Google Gemini 3 و Langchain Google Gemini 3 and Langchain Bootcamp

• آموزش Gemini 3: بوت‌کمپ کامل با LangChain (مقدمه) Gemini 3 Tutorial: Complete Bootcamp with LangChain (Introduction)

• مرور کلی مدل Google Gemini 3: ویژگی‌ها، قابلیت‌ها و کاربردها Google Gemini 3 Model Overview: Features, Capabilities & Use Cases

• راهنمای راه‌اندازی: ابزار جستجوی وب و API آب و هوا با Gemini و Ollama Setup Guide: Free Web Search & Weather API with Gemini and Ollama

• انواع پیام‌های LangChain و ChatGoogleGenerativeAI LangChain Message Types and ChatGoogleGenerativeAI

• شروع کار با مدل هوش مصنوعی Google Gemini 3 در پایتون Getting Started with Google Gemini 3 AI Model in Python

• درک ساختار پیام‌های AI: توضیح content، text و content_blocks Understanding AI Message Structure: content, text, and content_blocks Explained

• مقایسه Gemini 3 در برابر Gemini 2 و بررسی عمیق متادیتای پیام‌ها Gemini 3 vs Gemini 2: Model Comparison & AI Message Metadata Deep Dive

• آموزش پاسخ‌های استریم (Streaming) با LangChain ChatModel Streaming Responses with LangChain ChatModel Tutorial

• تحلیل تصویر با Gemini 3: تحلیل تصاویر از طریق URL (هوش مصنوعی چند-مدلی) Gemini 3 Image Analysis: Analyze Images from URL (Multimodal AI)

• تحلیل تصویر محلی با Gemini 3: پردازش فایل‌های تصویر با پایتون Gemini 3 Local Image Analysis: Process Image Files with Python

• تحلیل اسناد PDF با Gemini 3: استخراج داده‌های مالی از PDF PDF Document Analysis with Gemini 3: Extract Financial Data from PDFs

• ساخت ابزار جستجوی وب رایگان سفارشی Ollama با LangChain Build Custom Free Ollama Web Search Tool with LangChain

• ساخت ابزار API آب و هوای لحظه‌ای با LangChain (گام به گام) Create Real-Time Weather API Tool with LangChain (Step-by-Step)

• فراخوانی توابع در LLMها: آموزش Tool Calling و Binding Tools Function Calling in LLMs: Tool Calling & Binding Tools Tutorial

• حالت تفکر (Thinking Mode) در Gemini 3: فعال‌سازی استدلال برای وظایف پیچیده Gemini 3 Thinking Mode: Enable Reasoning Support for Complex Tasks

• تثبیت پاسخ‌ها (Grounding) با جستجوی گوگل: یکپارچه‌سازی ابزار جستجوی داخلی Response Grounding with Google Search: Built-in Search Tool Integration

• آموزش Context Caching در Gemini: کاهش هزینه‌های API و بهبود سرعت Gemini Context Caching Tutorial: Reduce API Costs & Improve Performance

• آپلود اسناد برای کشینگ: مدیریت فایل در API مدل Gemini Upload Documents for Context Caching: File Management in Gemini API

• کشینگ در محیط عملیاتی: بهینه‌سازی هزینه با مکالمات کش شده Production Context Caching: Cost Optimization with Cached Conversations

• تولید تصاویر اینفوگرافیک AI برای پاورپوینت مالی: آموزش مدل Nano Banana Pro Generate AI Infographic Images for Finance PPT: Nano Banana Pro Model Tutorial

بوت‌کمپ عوامل Langchain v1 با Gemini 3 و Gemini 2 Langchain v1 Agent Bootcamp with Google's Gemini 3 and Gemini 2

• آنچه در بوت‌کمپ عوامل Langchain خواهید آموخت What You will be Learning in Langchain Agent Bootcamp

• عوامل Langchain - تحلیل مالی با راه‌اندازی نوت‌بوک Gemini Langchain Agents - Financial Analysis with Gemini Notebook Setup

• نحوه مدیریت پیام‌های وضعیت در AgentState How State Messages are Managed in AgentState

• ساخت و اجرای اولین عامل با Langchain و Gemini Build and Execute Your First Agent with Langchain and Gemini

• بررسی عمیق وضعیت‌های عامل و ردیابی فراخوانی‌ها در Langsmith Deep Dive in Agent States and Langsmith Agent Call Tracing

• راه‌اندازی حافظه کوتاه‌مدت با SQLite Setup Short-term Memory with SQLite

• ذخیره تاریخچه چت عامل در SQLite - حافظه کوتاه‌مدت Langchain Store Agent Chat Histories in SQLite - Langchain Short-Term Memory

• چرا مهندسی متن (Context Engineering) مورد نیاز است Why Context Engineering is Needed

• توضیح SummarizationMiddleware در Langchain Langchain SummarizationMiddleware Explained

• خلاصه‌سازی متن‌های طولانی عامل در زمان اجرا با Middleware Summarize Agent's Long Context with Summarization Middleware in Runtime

• محدود کردن فراخوانی‌های مدل و ابزار در عامل‌ها - اتصال مدل LLM جایگزین Limit the Model and Tool Calls in Agents - Attach Fallback LLM Model

• حفاظت از هویت کاربران با گاردریل‌های PII Protect Users Identity with PII Guardrails

• یکپارچه‌سازی برنامه‌ریز TODO در عامل برای پاسخ‌های بهتر Integrate TODO Planner in Your Agent for Better Answer

• استریم پاسخ عامل برای کاهش تأخیر احساس شده Stream Agent Response to Reduce Perceived Latency

• تولید پاسخ‌های ساختاریافته با Pydantic Base Model Generate Structured Response with Pydantic Base Model

پروتکل MCP برای مالی - عامل پژوهشگر سهام MCP for Finance - Stock Researcher Agent

• آنچه در این بخش خواهید آموخت What You will be Learning in this Section

• راه‌اندازی نوت‌بوک MCP برای حوزه مالی MCP for Finance Notebook Setup

• پرامپت سیستمی ساختاریافته - توضیح مهندسی پرامپت Structured System Prompt - Prompt Engineering Explained

• اتصال سرور MCP یاهو فایننس با کلاینت MCP چند-سروره Connect Yahoo Finance MCP Server with Multi Server MCP Client

• ساخت عامل MCP یاهو فایننس Create Yahoo Finance MCP Agent

• بارگذاری عامل MCP یاهو فایننس به عنوان ابزار Langchain برای عامل پژوهش سهام Load Yahoo Finance MCP Agent as Langchain Tool for Stock Researcher Agent

• ساخت عامل پژوهش سهام با برنامه‌ریز TODO Create Stock Researcher Agent with TODO Planner

• تست کامل (End to End) عامل پژوهش سهام و عامل MCP End to End Testing of Stock Researcher Agent and MCP Agent

مبانی Deep RAG چند-مدلی برای حوزه مالی Fundamentals of Multimodal Deep RAG for Finance

• پیش‌نمایش - کالبدشکافی خط لوله Deep RAG Sneak Peek - Anatomy of Deep RAG Pipeline

• RAG چند-مدلی چیست و چرا حوزه مالی دشوار است What is Multimodal RAG and Why Finance is Hard

• چالش‌های اصلی در RAG چند-مدلی Core Challenge with Multimodal RAG

• پنج روش برای طراحی RAG چند-مدلی - بخش اول Five Ways to Design Multimodal RAG Part 1

• پنج روش برای طراحی RAG چند-مدلی - بخش دوم Five Ways to Design Multimodal RAG Part 2

• نکات کلیدی برای طراحی سیستم RAG چند-مدلی Guru Mantras for Multimodal RAG System Design

• طراحی سیستم Deep RAG برای این دوره Deep RAG System Design for the Course

استخراج انبوه داده‌های چند-مدلی با Docling Bulk Multimodal Data Extraction with Docling

• پیش‌نمایش - مسیر یادگیری استخراج داده با Docling Sneak Peek - Learning Path for Data Extraction with Docling

• برنامه عملیاتی برای استخراج داده با Docling Plan of Attack for Data Extraction with Docling

• درک عمیق‌تر پردازش اسناد به صورت حرفه‌ای Deeper Understanding of Document Processing like a Pro

• راه‌اندازی نوت‌بوک و وارد کردن Docling Notebook Setup with Docling Imports

• استخراج متادیتا از نام فایل Metadata Extraction from Filename

• ساخت پوشه‌های خروجی در زمان اجرا Create Output DIRs in Runtime

• بارگذاری فایل PDF در مبدل Docling Load PDF File in Docling Converter

• تبدیل و ذخیره PDF به صورت Markdown Convert and Save PDF as Markdown

• بررسی عمیق خروجی Markdown در Docling Deep Dive Docling Markdown Export

• استخراج تصاویر از سند - بخش اول Picture (Image) Extraction from the Document Part 1

• استخراج تصاویر از سند - بخش دوم Picture (Image) Extraction from the Document Part 2

• متدولوژی استخراج جداول از طریق Markdown Methodology of Table Extraction through Markdown

• ردیابی شماره صفحه در Markdown Track the Page Number in Markdown

• ردیابی شماره جدول در Markdown Track the Table Number in Markdown

• استخراج جداول به همراه متن مرتبط از Markdown Extract the Tables with Context from Markdown

• تجمیع نهایی - استخراج Markdown، تصاویر و جداول Putting Everything Together - Markdown, Figure and Table Extraction

• استخراج Markdown، جداول و تصاویر از PDFهای انبوه و پوشه‌ها Extract Markdown, Tables and Figures from Bulk PDFs and DIRs

• تأیید صحت و یکپارچگی داده‌ها Verify Data Integrity

تولید توصیفات تصاویر با مدل‌های چند-مدلی (Gemini) Generate Image Descriptions with Multimodal LLMs (Gemini)

• پیش‌نمایش - مسیر یادگیری تولید توصیفات تصویر Sneak Peek - Learning Path for Generating Image Description

• راه‌اندازی نوت‌بوک برای توصیف تصاویر با LLMهای چند-مدلی Notebook Setup to Describe the Image with Multimodal LLMs

• مهندسی پرامپت برای توصیف تصویر با Gemini Prompt Engineering for Describing Image with LLM (Gemini)

• بارگذاری تصویر به صورت base64 برای تولید توصیف Load Image as base64 for Description Generation

• تولید توصیفات دقیق و مفصل تصاویر با Gemini Generate Accurate and Detailed Image Description with Gemini

• تولید و ذخیره توصیف تصاویر در Markdown Generate and Save Image Description in Markdown

• پردازش انبوه تصاویر - تولید و ذخیره توصیف برای تمام تصاویر پوشه‌ها Bulk Image Processing - Generate and Save Description for All Images in DIRs

وارد کردن انبوه داده‌ها در پایگاه داده برداری Qdrant Bulk Data Ingestion in Qdrant Vector DB

• پیش‌نمایش - راه‌اندازی مسیر یادگیری Sneak Peek - Setting up Learning Path

• چرا Qdrant را به Chroma، FAISS، Weaviate، Milvus و Pinecone ترجیح می‌دهیم Choose Qdrant Vector DB over the Chroma, FAISS, Weaviat, Milvus, and Pinecone

• ساخت پایگاه داده برداری رایگان Qdrant روی سرور ریموت Create Free Qdrant Vector DB on Remote Qdrant Server

• ساخت فایل Docker Compose برای Qdrant Create Qdrant Docker-Compose File

• میزبانی محلی Qdrant با استفاده از Docker Host Qdrant Vector DB Locally with Docker

• راه‌اندازی نوت‌بوک برای وارد کردن داده‌ها در VectorDB Notebook Setup for Data Ingestion in VectorDB

• بررسی عمیق مدل بازیابی و اندازه تکه‌ها (Chunk Size) Deep Dive on Retrieval Model and Chunks Size

• ساخت و مقایسه Vector DB متراکم (Dense) و پراکنده (Sparse) برای جستجوی ترکیبی Create and Compare Dense and Sparse Vector DB for Hybrid Search

• ساخت مجموعه اسناد مالی در دیتابیس آنلاین و محلی Create Financial Docs Collection at Online and Local DB

• ساخت متد کمکی برای استخراج متادیتا و هشینگ فایل‌ها Create Helper Method for Metadata Extraction and File Hashing

• بازیابی مقادیر هش فایل‌های وارد شده برای حذف تکراری‌ها - بخش اول Retrieve Ingested Files Hash Values for De-Duplication Part 1

• بازیابی مقادیر هش فایل‌های وارد شده برای حذف تکراری‌ها - بخش دوم Retrieve Ingested Files Hash Values for De-Duplication Part 2

• استخراج شماره صفحه برای متادیتا از مسیر فایل با Regex Extract Page Number for Metadata from File Path with Regex

• استخراج متادیتای نوع محتوا و نام سند منبع Extract the Content Type and Source Doc Name Metadata

• استخراج متادیتای پایه و مقداردهی نوع محتوا و نام سند Extract the Base Metadata and Populate it With Content Type and Doc Name

• وارد کردن اولین سند در پایگاه داده برداری Qdrant Ingest Your First Document in Qdrant Vector DB

• وارد کردن انبوه داده‌ها در Qdrant Vector DB Bulk Data Ingestion in Qdrant Vector DB

• مرور داده‌های وارد شده با داشبورد Qdrant Overview of Ingested Data with Qdrant Dashboard

بازیابی داده‌ها - جستجوی ترکیبی و بازرتبه‌بندی Cross Encoder Data Retrieval - Hybrid Search and Cross Encoder Re-Ranking

• پیش‌نمایش - راه‌اندازی مسیر یادگیری Sneek Peak - Setting up Learning Path

• RAG پیشرفته - استراتژی‌های بازیابی Advanced RAG - Retrieval Strategies

• کاوش در داده‌های وارد شده در Qdrant Vector DB Explore Ingested Data in Qdrant Vector DB

• مرور مستندات جستجوی Qdrant Vector DB Overview of Qdrant Vector DB's Search Documentation

• تست کوئری‌های جستجو و فیلتر در کنسول Qdrant Test Qdrant Search and Filter Queries with Qdrant Console

• راه‌اندازی نوت‌بوک برای بازیابی Deep RAG Notebook Setup for Deep RAG Retrieval

• نوشتن اسکیمای Pydantic برای استخراج متادیتا از کوئری کاربر با LLM Write Pydantic Schema for Metadata Extraction from User Query Using LLM

• استخراج پویا فیلترهای متادیتا از کوئری کاربر با Gemini LLM Extract Metadata Filters from User Query Dynamically with Gemini LLM

• ساخت پویا فیلترهای Qdrant با استفاده از متادیتای استخراج شده Build Qdrant Filters Dynamically with Extracted Metadata Filters

• ساخت جستجوی ترکیبی با الگوریتم داخلی RRF در Qdrant Build Hybrid Search with Qdrant's in-built Reciprocal Rank Fusion (RRF) Algo

• ساخت بازرتبه‌بند (Re-ranker) با HuggingFaceCrossEncoder - بخش اول Build Re-Ranker with HuggingFaceCrossEncoder Part 1

• ساخت بازرتبه‌بند (Re-ranker) با HuggingFaceCrossEncoder - بخش دوم Build Re-Ranker with HuggingFaceCrossEncoder Part 2

• تست کامل (End to End) جستجوی ترکیبی End to End Testing of Hybrid Search

عامل پژوهش مالی چند-مدلی با جستجوی ترکیبی Multimodal Financial Research Agent with Hybrid Search

• پیش‌نمایش - مسیر یادگیری پیش رو 00 Sneak Peek - Learning Path Ahead

• مقدمه‌ای بر عامل پژوهش چند-مدلی Introduction to Multi-Modal Research Agent

• راه‌اندازی نوت‌بوک برای عامل پژوهش چند-مدلی Notebook Setup for Multimodal Research Agent

• تبدیل بازیابی Deep RAG به یک ابزار (tool@) در Langchain Convert Retrieval for Deep RAG Notebook as Langchain @tool

• نوشتن توصیفات ساختاریافته برای ابزارهای Langchain Write Structured Langchain Tool Description

• مهندسی پرامپت سیستمی برای عامل پژوهش چند-مدلی System Prompt Engineering for Multi-Modal Research Agent

• نوشتن ابزار Langchain برای پژوهشگر مالی زنده (Yahoo Finance MCP) Write Live Finance Researcher (Yahoo Finance MCP) Langchain @tool

• ساخت عامل پژوهش مالی دارای حافظه Create Financial Research Agent with Memory

• تست عامل پژوهش مالی Testing Financial Research Agent

• استریم پاسخ عامل در زمان واقعی Stream Agent Response in Real-time

• تست کامل عامل پژوهش چند-مدلی End-to-End Testing of Multi-Modal Research Agent

عامل پژوهشگر عمیق مالی با برنامه‌ریز TODO Deep Finance Researcher Agent with TODO Planner

• پیش‌نمایش - مسیر یادگیری پیش رو Sneak Peek - Learning Path Ahead

• راه‌اندازی نوت‌بوک پژوهشگر عمیق مالی Deep Finance Researcher Notebook Setup

• مرور کلی پژوهشگر عمیق مالی با برنامه‌ریز TODO و Middleware خلاصه‌ساز Overview of Deep Finance Researcher with TODO Planner & Summarization Middleware

• ساخت عامل پژوهشگر عمیق مالی با برنامه‌ریز TODO Build Deep Finance Researcher Agent with TODO Planner

• تست کامل عامل پژوهشگر عمیق مالی با برنامه‌ریز TODO End to End Testing of Deep Finance Researcher Agent with TODO Planner

مقدمه‌ای بر Deep Agents - ساخت سیستم‌های RAG چند-عاملی خودمختار Introduction to Deep Agents- Building Autonomous Multi-Agent RAG Systems

• مقدمه‌ای بر عامل پژوهش عمیق AI سفارشی Introduction to Custom Deep AI Research Agent

• فلسفه طراحی Deep Agent Deep Agent Design Philosophy

• چگونه طراحی Deep Agent ما از یک تیم پژوهشی خبره تقلید می‌کند How Our Deep Agent Design Mimic an Expert Research Team

ساخت پژوهشگر عمیق AI مالی چند-عاملی از صفر Multi-Agent Deep AI Finance Researcher from Scratch

• پیش‌نمایش - مسیر یادگیری پیش رو Sneak Peek - Learning Path Ahead

• راه‌اندازی نوت‌بوک پژوهشگر عمیق AI مالی چند-عاملی Multi Agent Deep AI Finance Researcher Notebook Setup

• نحوه تزریق وضعیت‌های عامل و ID ابزارها در زمان اجرا در Deep Agents How Agent States and Tool IDs are Injected in Run-time in Deep Agents

• ساخت DeepAgentState مشترک Create Shared DeepAgentState

• ساخت متدهای کمکی برای پشتیبانی از عملیات فایل در Deep Agent Create Utility Methods to Support Deep Agent File Operations

• نوشتن ابزارهای ls() و read_files() برای Deep Agent Write ls() and read_files() Tools for Deep Agent

• نوشتن ابزارهای write_files و cleanup_files برای Deep Agent Write write_files and cleanup_files Tools for Deep Agent

• مهندسی پرامپت برای عامل سازمان‌دهنده (Orchestrator) Prompt Engineering for Orchestrator Agent

• مهندسی پرامپت برای عامل‌های پژوهشگر (Researcher) Prompt Engineering for Researcher Agents

• مهندسی پرامپت برای عامل ویرایشگر (Editor) Prompt Engineering for Editor Agent

• ساخت عامل‌های پژوهشگر و ویرایشگر Create Researcher and Editor Agent

• ساخت ابزار write_research_plan برای سازمان‌دهنده Build write_research_plan Tool for Orchestrator

• ساخت ابزار run_researcher() برای پژوهش عمیق Build run_researcher() Tool for Deep Research

• ساخت ابزار run_editor() برای ترکیب نتایج پژوهشگران عمیق Build run_editor() Tool for Deep Researchers Synthesis

• ساخت عامل سازمان‌دهنده با قابلیت‌های پژوهش عمیق Build Orchestrator Agent with Deep Research Capabilities

• تست کامل پژوهشگر عمیق مالی چند-عاملی End to End Testing of Multi-Agent Deep Finance Researcher

عامل عمیق - سیستم پژوهشگر عمیق چند-عاملی Langchain Deep Agent - Langchain's Multi-Agent Deep Researcher

• پیش‌نمایش - مسیر یادگیری پیش رو Sneak Peek - Learning Path Ahead

• مقدمه‌ای بر Deep Agent داخلی Langchain Introduction to Langchain's Deep Agent

• راه‌اندازی نوت‌بوک برای Deep Agent مدل Langchain Notebook Setup for Langchain's Deep Agent

• مهندسی پرامپت برای Deep Agent Prompt Engineering for Deep Agent

• ساخت بک‌اند فایل و زیر-عامل پژوهش برای Deep Agent Build Deep Agent File Backend and Research Sub-Agent

• ساخت Deep Agent مدل Langchain با بک‌اند و زیر-عامل‌ها Create Langchain's Deep Agent with Backend and Sub-Agents

• تست کامل Deep Agent برای پژوهش عمیق مالی End to End Testing Deep Agent for Deep Finance Research

استقرار (Deploy) عامل عمیق در محیط عملیاتی Deploy Deep Agent in Production

• پیش‌نمایش - مسیر یادگیری پیش رو Sneak Peek - Learning Path Ahead

• مقدمه‌ای بر رابط کاربری (UI) عامل عمیق Introduction to Deep Agent UI

• مرور کلی مخزن (Repo) پژوهش عمیق مالی Overview of Deep Finance Research Repo

• بازنویسی (Refactoring) کد Deep Agent برای مخزن پژوهش عمیق مالی Deep Agent Code Refactoring for Deep Finance Research Repo

• ساخت فایل agent.py برای پژوهش عمیق مالی Build agent.py for Deep Finance Research

• راه‌اندازی ابزارهای پروژه Gen AI Gen AI Project Tools Setup

• راه‌اندازی پروژه در محیط WSL Project Setup in WSL Environment

• اجرا و تست پژوهش عمیق مالی با رابط کاربری Langsmith Studio Run and Test Deep Finance Research with Langsmith Studio UI

• اجرای پژوهشگر عمیق مالی با UI عامل عمیق به صورت محلی Run Deep Finance Researcher with Deep Agent UI Locally

• ساخت سرور اوبونتو روی AWS EC2 Create Ubuntu Server on AWS EC2

• راه‌اندازی Qdrant Vector DB روی AWS Setup Qdrant Vector DB on AWS

• راه‌اندازی پروژه با UV Sync Project Setup with UV Sync

• استقرار پژوهشگر عمیق مالی و UI عامل عمیق روی AWS EC2 Deep Finance Researcher and Deep Agent UI Setup on AWS EC2

• اتصال UI عامل عمیق به بک‌اند پژوهشگر عمیق Connect Deep Agent UI with Deep Researcher Backend

• تست کامل پژوهشگر عمیق مالی چند-عاملی End to End Testing of Multi-Agent Deep Finance Researcher