لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات