آموزش توسعه سیستم‌های هوش مصنوعی عامل‌محور مبتنی بر MCP - آخرین آپدیت

دانلود Developing MCP-Powered Agentic AI Systems

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره آموزشی شما را با توسعه سیستم‌های هوش مصنوعی عامل‌محور (Agentic AI) مبتنی بر پروتکل بافت مدل (MCP) آشنا می‌کند. این برنامه برای توسعه‌دهندگان و متخصصان هوش مصنوعی طراحی شده است که می‌خواهند سیستم‌های عامل (Agent) قابل اعتماد، مقیاس‌پذیر و آماده استفاده در محیط‌های عملیاتی بسازند. شما با تسلط بر معماری اصلی MCP شروع خواهید کرد و می‌آموزید که چگونه عامل‌ها با سرورها ارتباط برقرار می‌کنند، ابزارها را کشف می‌کنند و از طریق رابط‌های استاندارد به منابع ساختاریافته دسترسی دارند. شما سرورهای MCP را خواهید ساخت، ابزارهای نام‌گذاری‌شده (Namespaced) طراحی خواهید کرد و داده‌های دنیای واقعی را از طریق منابع مبتنی بر URI ارائه می‌دهید تا پایه‌ای قوی برای سیستم‌های عامل با قابلیت همکاری متقابل ایجاد کنید. در مرحله بعد، به بررسی عمیق استدلال عامل و الگوهای تاب‌آوری خواهید پرداخت. شما عامل‌های بازتابی (Reflexive) و خوداصلاح‌گر، حلقه‌های بازخورد اصلاح خروجی، استراتژی‌های جایگزین (Fallback) و مکانیسم‌های بازیابی خودترمیم‌گر را بررسی خواهید کرد. از طریق نمایش‌های عملی، عامل‌هایی طراحی خواهید کرد که قادر به برنامه‌ریزی چند مرحله‌ای، استدلال سلسله‌مراتبی و اجرای قابل اعتماد در گردش‌های کاری پیچیده هستند. با پیشرفت در دوره، بر روی استقرار (Deployment) و مشاهده‌پذیری (Observability) تمرکز خواهید کرد. یاد خواهید گرفت که چگونه عامل‌ها را به عنوان API ارائه دهید، قابلیت مشاهده اجرای آن‌ها را دنبال کنید، کیفیت عامل را ارزیابی کنید و عملکرد را با استفاده از ابزارهای مدرن مشاهده‌پذیری نظارت کنید. همچنین اپلیکیشن‌های عامل‌محور را به صورت سرتاسری (End-to-End) مستقر خواهید کرد و خط لوله‌های استدلال، نظارت و رابط‌های کاربری را در سیستم‌های کامل عملیاتی ترکیب خواهید نمود. در پایان این برنامه، شما قادر خواهید بود: - معماری MCP و نحوه فعال‌سازی ارتباطات قابل اعتماد بین چند عامل را توضیح دهید. - سرورهای MCP با ابزارهای ساختاریافته و دسترسی به منابع مبتنی بر URI بسازید. - عامل‌هایی طراحی کنید که به صورت بازتابی استدلال می‌کنند، از خطاها بازیابی می‌شوند و وظایف چند مرحله‌ای را اجرا می‌کنند. - منطق جایگزین، بازیابی خطا و گردش‌های کاری خودترمیم‌گر برای عامل‌ها پیاده‌سازی کنید. - APIهای عامل‌محور در سطح تولید با قابلیت مشاهده‌پذیری و نظارت بر اجرا مستقر کنید. - سیستم‌های عامل را برای کاربردهای دنیای واقعی ارزیابی، نظارت و مقیاس‌بندی کنید. این برنامه برای مهندسان هوش مصنوعی، توسعه‌دهندگان و متخصصان فنی که می‌خواهند از سیستم‌های مبتنی بر پرامپت فراتر رفته و معماری‌های قدرتمند هوش مصنوعی عامل‌محور بسازند، ایده‌آل است. تجربه قبلی در برنامه‌نویسی پایتون و مفاهیم پایه هوش مصنوعی به شما کمک می‌کند تا بیشترین بهره را از این دوره ببرید. یادگیرندگان به یک اتصال اینترنت پایدار، یک مرورگر وب مدرن و دسترسی به ابزارهای توسعه پایتون نیاز دارند. این دوره از ابزارهای عامل‌محور مبتنی بر MCP و فریم‌ورک‌های مدرن هوش مصنوعی استفاده می‌کند و نیازی به سخت‌افزار خاص ندارد. برای یادگیری نحوه طراحی، استقرار و مدیریت سیستم‌های عامل هوشمند، تاب‌آور و آماده تولید با قدرت MCP، به این برنامه بپیوندید.

سرفصل ها و درس ها

معماری هسته MCP و توسعه سرور MCP Core Architecture and Server Development

  • معرفی تخصص Specialization Introduction

  • مقدمه دوره Course Introduction

  • مقدمه‌ای بر پروتکل بافت مدل برای سیستم‌های چندعاملی Introduction to Model Context Protocol for Multi-Agent Systems

  • درک مدل سرور-کلاینت در MCP Understanding the MCP Server–Client Model

  • نمایش عملی: ساخت اولین سرور MCP با انتقال‌های stdio و HTTP Demonstration: Building Your First MCP Server with stdio and HTTP Transports

  • نمایش عملی: اتصال به سرورهای MCP و فراخوانی ابزارها Demonstration: Connecting to MCP Servers and Calling Tools

  • نمایش عملی: ارکستراسیون جریان کامل MCP Demonstration: Orchestrating the Full MCP Workflow

  • طراحی ابزارهای نام‌گذاری‌شده و طرح‌واره منابع Namespaced Tools and Resource Schema Design

  • نمایش عملی: ایجاد منابع MCP با الگوهای دسترسی مبتنی بر URI Demonstration: Creating MCP Resources with URI-Based Access Patterns

  • نمایش عملی: مدل‌سازی سیستم‌های فایل به عنوان منابع MCP فقط خواندنی Demonstration: Modeling File Systems as Read-Only MCP Resources

  • مکانیسم‌های مسیریابی و کشف چند سروری Multi-Server Routing and Discovery Mechanisms

  • نمایش عملی: مصرف منابع MCP: از دسترسی مستقیم تا پاسخ‌های مبتنی بر هوش مصنوعی Demonstration: Consuming MCP Resources: From Direct Access to AI-Powered Answers

  • نمایش عملی: تبدیل منابع MCP به پاسخ‌های هوشمند Demonstration: Turning MCP Resources into Smart Answers

عامل‌های عمیق، استدلال بازتابی و بازیابی خطا Deep Agents, Reflexive Reasoning, and Error Recovery

  • الگوی بازیگر-منتقد برای بهبود عامل Actor–Critic Pattern for Agent Improvement

  • نمایش عملی: ساخت حلقه بازخورد اصلاح خروجی I Demonstration: Building an Output-Correction Feedback Loop - I

  • نمایش عملی: ساخت حلقه بازخورد اصلاح خروجی II Demonstration: Building an Output-Correction Feedback Loop - II

  • استراتژی‌های تلاش مجدد، تکنیک‌های عقب‌نشینی و مدیریت خطا Retry Strategies, Backoff Techniques, and Failure Handling

  • نمایش عملی: پیاده‌سازی بازیابی خودترمیم‌گر با زنجیره‌های جایگزین I Demonstration: Implementing Self-Healing Recovery with Fallback Chains - I

  • نمایش عملی: پیاده‌سازی بازیابی خودترمیم‌گر با زنجیره‌های جایگزین II Demonstration: Implementing Self-Healing Recovery with Fallback Chains - II

  • نمایش عملی: طراحی یک عامل تصمیم‌گیرنده تاب‌آور I Demonstration: Designing a Resilient Decision-Making Agent - I

  • نمایش عملی: طراحی یک عامل تصمیم‌گیرنده تاب‌آور II Demonstration: Designing a Resilient Decision-Making Agent - II

  • برنامه‌ریزی سلسله‌مراتبی و استدلال چندسطحی Hierarchical Planning and Multi-Level Reasoning

  • نمایش عملی: گردش کار برنامه‌ریز ← اجراکننده ← اعتبارسنج ← I Demonstration: Planner → Executor → Validator Workflow - I

  • نمایش عملی: گردش کار برنامه‌ریز ← اجراکننده ← اعتبارسنج ← II Demonstration: Planner → Executor → Validator Workflow - II

  • نمایش عملی: ساخت خط لوله دانش چند مرحله‌ای و استدلال سیستم چندگامی I Demonstration: Building a Multi-Stage Knowledge Pipeline and Multi-Hop System Reasoning - I

  • نمایش عملی: ساخت خط لوله دانش چند مرحله‌ای و استدلال سیستم چندگامی II Demonstration: Building a Multi-Stage Knowledge Pipeline and Multi-Hop System Reasoning - II

استقرار، مشاهده‌پذیری و مقیاس‌بندی سیستم‌های عامل عملیاتی Deploying, Observing, and Scaling Production Agent Systems

  • شروع کار با LangServe Getting Started with LangServe

  • طراحی نقاط پایانی (Endpoints) نسخه‌بندی شده برای عامل‌ها Designing Versioned Agent Endpoints

  • مرور کلی بر Langfuse و قابلیت‌های آن Overview of Langfuse and Its Capabilities

  • مشاهده‌پذیری هوش مصنوعی با LangSmith AI Observability with LangSmith

  • مدیریت گردش‌های کاری با LangSmith Managing Workflows with LangSmith

  • راه‌اندازی LangSmith Setting Up LangSmith

  • طراحی مجموعه داده ارزیابی و تست رگرسیون Evaluation Dataset Design and Regression Testing

  • کانتینری کردن و مقیاس‌بندی عامل‌ها Containerizing and Scaling Agents

  • نمایش عملی: معماری پروژه و نمای کلی سیستم Demonstration: Project Architecture and System Overview

  • نمایش عملی: تنظیم محیط و خط لوله جذب داده Demonstration: Environment Setup and Data Ingestion Pipeline

  • نمایش عملی: گردش کار تحلیل رزومه در سطح تولید Demonstration: Production-grade Resume Analysis Workflow

  • نمایش عملی: ارکستراسیون اپلیکیشن سرتاسری با Streamlit Demonstration: End-to-End Application Orchestration with Streamlit

  • نمایش عملی: رابط کاربری Streamlit برای غربالگری رزومه با هوش مصنوعی Demonstration: Streamlit Interface for AI Resume Screening

  • نمایش عملی: مشاهده‌پذیری LangSmith و تحلیل عملکرد Demonstration: LangSmith Observability and Performance Analysis

جمع‌بندی دوره و ارزیابی Course Wrap-Up and Assessment

  • خلاصه دوره Course Summary

نمایش نظرات

آموزش توسعه سیستم‌های هوش مصنوعی عامل‌محور مبتنی بر MCP
جزییات دوره
11h 20m
41
(آخرین آپدیت)
511
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده