آموزش توسعه OpenAI API و پروتکل MCP - آخرین آپدیت

مقدمه Introduction

• ساخت اپلیکیشن‌های نسل جدید پایتون با OpenAI Build next-generation Python applications with OpenAI

• راه‌اندازی GitHub Codespaces Setting up GitHub Codespaces

1- شروع ساخت از هسته مرکزی 1. Start Building from the Core

• رابط صوتی (Audio API): تبدیل صوت به متن Audio API: Transcribe audio

• ساخت یک تولیدکننده محتوا Building a content generator

• چالش: ساخت یک دستیار پرسش و پاسخ چند-وجهی Challenge: Building a multimodal Q&A assistant

• صوت: ساخت یک چت‌بات با قابلیت صوتی Audio: Building a voice-enabled chatbot

• رابط تصاویر (Images API): پردازش متن و تصاویر Images API : Processing text and images

• رابط صوتی: ترجمه نمونه‌های صوتی Audio API: Translate audio sample

• افزودن سیستم نظارت و تعدیل محتوا (Moderation) Adding moderation

2- گسترش قابلیت‌های مدل‌های زبانی بزرگ (LLM) 2. Extending the LLM Capabilities

• ادغام رابط برنامه‌نویسی هواشناسی (Weather API) Integrating the weather API

• تعریف ابزارها: فراخوانی توابع و بازیابی داده‌ها Defining tools: Function calling and retrieval

• چالش: ساخت یک دستیار سفارشی و اپلیکیشن هواشناسی Challenge: Build a custom assistant and weather app

• استفاده از ابزارها و فراخوانی توابع Using tools and calling functions

• تولید پاسخ‌های گسترش یافته Generating extending responses

3- کار با مدل‌های گیت‌هاب (GitHub Models) 3. Working with the GitHub Models

• تنظیم دسترسی‌ها با استفاده از Access Token Settings permissions with an access token

• عیب‌یابی و بازبینی کد با پیشنهادات هوش مصنوعی Debugging and reviewing code with AI suggestions

• توسعه AI در گیت‌هاب: از راه‌اندازی تا محیط عملی AI development on GitHub: From setup to hands-on playground

• ایجاد کانتینر توسعه و فایل پیکربندی Creating a dev container and configuration file

• بررسی مارکت‌پلیس مدل‌های گیت‌هاب Exploring the GitHub Models marketplace

4- خودکارسازی بازبینی کد با مدل‌های گیت‌هاب 4. Automating Code Review with the GitHub Models

• راهکار: بهره‌گیری از GitHub Actions با مدل‌های هوش مصنوعی Solution: Leveraging GitHub actions with AI models

• نوشتن فایل گردش کار (Workflow) Writing the workflow file

• چالش: استفاده از GitHub Actions همراه با مدل‌های AI Challenge: Leveraging GitHub actions with AI models

• ترکیب GitHub Actions و مدل‌های هوش مصنوعی Combining GitHub Actions and AI models

5- تقویت گیت‌هاب کوپایلوت با سرورهای MCP 5. Supercharging GitHub Copilot with MCP Servers

• راه‌اندازی سرور MCP در Visual Studio Code Setting up the MCP server in Visual Studio Code

• چالش: اتصال مدل هوش مصنوعی به منبع داده از طریق MCP Challenge: Connecting an AI model to data source via MCP

• بررسی رجیستری MCP گیت‌هاب Exploring the GitHub MCP Registry

6- سازماندهی سیستم‌های چند-عاملی 6. Orchestrating a Multi-Agent System

• ردیابی، نظارت و ارزیابی با LangSmith Tracing, monitoring, and evaluating with LangSmith

• چالش: ایجاد یک تیم توسعه چند-عاملی Challenge: Create a multi-agent developer team

• ساخت و سازماندهی عامل‌ها (Agents) Building and orchestrating agents

• ایجاد یک گردش کار چند-عاملی Create a multi-agent workflow

جمع‌بندی Conclusion

• نکات کلیدی و جمع‌بندی نهایی Don't miss these takeaways