آموزش ساخت ایجنت‌های هوش مصنوعی با پایتون و AI Toolkit برای Visual Studio Code - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• چرا ایجنت‌های هوش مصنوعی اهمیت دارند Why AI agents matter

1. آشنایی با AI Toolkit برای Visual Studio Code 1. Introduction to the AI Toolkit for Visual Studio Code

• نصب و پیکربندی افزونه در Visual Studio Code Installing and configuring the extension in Visual Studio Code

• مروری بر پنل‌ها و دستورات AI Toolkit Overview of the AI Toolkit panels and commands

2. انتخاب و استفاده از مدل‌ها 2. Choosing and Using Models

• یافتن مدل مناسب برای سناریوی شما Find a model for your scenario

• استقرار مدل‌ها از Azure یا استفاده از End-pointهای میزبانی شده Deploying models from Azure or using hosted endpoints

• گشت‌وگذاری در کاتالوگ مدل‌ها Exploring the Model Catalog

• استفاده از Playground برای تست پرامپت‌ها و تحلیل خروجی‌ها Using the Playground to test prompts and analyze outputs

3. ساخت ایجنت‌های هوش مصنوعی با Agent Builder 3. Creating AI Agents with Agent Builder

• چرخه حیات ایجنت و جریان‌های رفتاری Agent lifecycle and behavior flows

• ساخت اولین ایجنت در Agent Builder Creating your first agent in the Agent Builder

• اجرا و تست ایجنت Running and testing your agent

• نوشتن پرامپت‌های سیستمی موثر Writing effective system prompts

• درک و تغییر Schemaها برای خروجی‌های ساختاریافته Understanding and modifying schemas for structured output

4. ارتقای ایجنت‌ها با ابزارها 4. Enhancing Agents with Tools

• درک پروتکل کانتکست مدل (MCP) Understanding Model Context Protocol (MCP)

• ابزارها در مفهوم ایجنت هوش مصنوعی چیستند؟ What are tools in the context of an AI agent?

• فعال‌سازی استفاده از ابزار در پیکربندی ایجنت Enabling tool-use in your agent's configuration

• ساخت یک سرور MCP سفارشی Creating a custom MCP server

5. ارزیابی پاسخ‌های ایجنت 5. Evaluating Agent Responses

• اجرای ارزیابی‌های خودکار Run automated evaluations

• تولید یک مجموعه داده مصنوعی (Synthetic Dataset) Generating a synthetic dataset

• مقدمه‌ای بر ارزیابی ایجنت Introduction to agent evaluation

• اجرای ارزیابی‌های دستی Run manual evaluations

6. ارکستراسیون ایجنت با کدنویسی 6. Agent Orchestration with Code

• انتقال ایجنت به یک جریان کاری مستقل در پایتون Migrating your agent to a standalone Python workflow

• آماده‌سازی محیط برای اجرای کد ایجنت Prepare the environment to run the agent code

• مرور کد ایجنت Review the agent code

• اجرای کد ایجنت Run the agent code

7. قابلیت مشاهده و عیب‌یابی ایجنت‌های هوش مصنوعی 7. Observability and Debugging for AI Agents

• ثبت لاگ ورودی‌ها، خروجی‌ها و استفاده از ابزارها Logging agent inputs, outputs, and tool usage

• استفاده از Trace View برای بررسی گام‌به‌گام رفتار ایجنت Using trace view to inspect step-by-step agent behavior

• درک اهمیت قابلیت مشاهده (Observability) برای ایجنت‌های AI Understanding why observability matters for AI agents

جمع‌بندی Conclusion

• گام‌های بعدی در مسیر یادگیری شما Next steps on your learning journey