آموزش مایکروسافت فاندری و پایتون: ایجاد عامل‌های هوش مصنوعی سازمانی روی Azure - آخرین آپدیت

سرفصل ها و درس ها

معرفی دوره Course Introduction

• خوش‌آمدگویی Welcome

• منابع دوره Course Resources

• به جامعه آنلاین ما بپیوندید! Join Our Online Community!

مفاهیم پایه مایکروسافت فاندری، محیط و راه‌اندازی Microsoft Foundry Core Concepts, Environment & Setup

• اتوماسیون در مقابل عامل‌های هوش مصنوعی: چه زمانی سازمان‌ها به عامل‌ها نیاز دارند Automation vs. AI Agents: When Enterprises Need Agents

• اجزای اصلی عامل‌های هوش مصنوعی AI Agents Core Components

• مقایسه اتوماسیون با عامل‌ها و بررسی اجزای اصلی Automation vs. AI Agents & Agents Core Components

• معماری Microsoft Foundry و Agent Framework Microsoft Foundry & Agent Framework Architecture

• بررسی معماری Microsoft Foundry و Agent Framework Microsoft Foundry & Agent Framework Architecture

• ارزیابی نیاز به عامل هوش مصنوعی و تصمیمات معماری برای کاربردهای سازمانی Evaluating AI Agent Necessity and Architectural Decisions for Enterprise Use Cases

• راه‌اندازی Azure AI و Microsoft Foundry Setting-Up Azure AI and Microsoft Foundry

• راه‌اندازی Azure CLI Setting Up Azure CLI

• راه‌اندازی Azure AI و Microsoft Foundry Setting-Up Azure AI and Microsoft Foundry

• راه‌اندازی VS Code با AI Toolkit و Microsoft Foundry Setting Up VS Code with the AI Toolkit and Microsoft Foundry

• راه‌اندازی محیط پایتون Setting Up the Python Environment

• معماری عامل در پایتون: نحوه ارتباط عامل‌ها با سرویس‌های Azure AI Agent Architecture in Python: How AI Agents Communicate with Azure AI Services

• مقایسه Azure AI Projects SDK با Microsoft Agent Framework (MAF) SDK Azure AI Projects SDK vs. Microsoft Agent Framework (MAF) SDK

• نمونه‌سازی عامل‌های هوش مصنوعی با استفاده از افزونه AI Toolkit در VS Code Prototyping AI Agents Using the AI Toolkit VS Code Extension

• ایجاد یک عامل با استفاده از AI Toolkit Creating an Agent Using the AI Toolkit

• تصویر کلی: مایکروسافت فاندری چگونه اجزا را یکپارچه می‌کند The Big Picture: How Microsoft Foundry Fits Together

• نحوه عملکرد مایکروسافت فاندری: بلوک‌های سازنده کلیدی How Microsoft Foundry Works: Key Building Blocks

• توضیح معماری و مفاهیم کلیدی مایکروسافت فاندری Explaining Microsoft Foundry’s Architecture and Key Concepts

ساخت عامل هوش مصنوعی پشتیبانی مشتری با مایکروسافت فاندری و پایتون Building a Customer Support AI Agent with Microsoft Foundry and Python

• ساخت عامل هوش مصنوعی پشتیبانی مشتری در مایکروسافت فاندری Building the Customer Support AI Agent in Microsoft Foundry

• تست عامل در Foundry Playground Testing the Agent in the Foundry Playground

• فراخوانی عامل از طریق VS Code Calling the Agent from VS Code

• فراخوانی ابزار در مایکروسافت فاندری: از دستیار هوشمند تا سیستم عملیاتی Tool Calling in Microsoft Foundry: From Smart Assistant to Actionable System

• ابزارهای عامل در مایکروسافت فاندری: یکپارچگی‌های پیکربندی شده، کاتالوگ و سفارشی Agent Tools in Microsoft Foundry: Configured, Catalog, and Custom Integrations

• توضیح فراخوانی ابزار و قابلیت‌های عامل در مایکروسافت فاندری Explaining Tool Calling and Agent Capabilities in Microsoft Foundry

• افزودن ابزار جستجوی فایل به عامل پشتیبانی مشتری Adding a File Search Tool to the Customer Support Agent

• تست تولید تقویت شده با بازیابی (RAG) در پیش‌نمایش و Playground Testing Retrieval-Augmented Generation (RAG) in Preview / Playground

• مهندسی پرامپت برای عامل‌های هوش مصنوعی سازمانی (بهترین روش‌ها) Prompt Engineering for Enterprise AI Agents (Best Practices)

• تسلط بر مهندسی پرامپت برای عامل‌های سازمانی در مایکروسافت فاندری Mastering Prompt Engineering for Enterprise AI Agents in Microsoft Foundry

• عیب‌یابی عامل‌ها با استفاده از Traces Debugging Agents with Traces

• حافظه در سرویس عامل Foundry Memory in the Foundry Agent Service

• مدیریت دانش برای عامل‌های Foundry Knowledge for Foundry Agents

• فعال‌سازی استقرار دقیق (Strict Grounding) برای عامل پشتیبانی مشتری Enabling Strict Grounding for the Customer Support Agent

• گاردریل‌ها: ایمنی، کنترل و شیلدهای پرامپت برای عامل‌های سازمانی Guardrails: Safety, Control, and Prompt Shields for Enterprise AI Agents

• توضیح مکانیزم‌های مایکروسافت فاندری برای عامل‌های هوش مصنوعی سازمانی Explaining Microsoft Foundry’s Mechanisms for Enterprise AI Agents

• تغییر تخصیص گاردریل‌ها Reassigning Guardrails

• ایجاد گاردریل‌های جدید Creating New Guardrails

• بهترین روش‌ها برای گاردریل‌های عامل Best Practices for Agent Guardrails

• ساخت فرانت-اند برای عامل با استفاده از Streamlit Building a Front-End for the Agent Using Streamlit

• تست اپلیکیشن کلاینت عامل و بررسی کدها Testing the Agent Client App and Walking Through the Code

ایجاد گردش کارهای هوش مصنوعی در مایکروسافت فاندری Creating AI Workflows in Microsoft Foundry

• عامل‌ها در مقابل گردش کارهای هوش مصنوعی: راهنمای تصمیم‌گیری سازمانی AI Agents vs. AI Workflows in Microsoft Foundry: Enterprise Decision Guide

• دفاع از استفاده از عامل‌ها و گردش کارها در سناریوهای سازمانی Defending the Use of AI Agents and Workflows in an Enterprise Scenario

• ساخت اولین گردش کار هوش مصنوعی در مایکروسافت فاندری - بخش اول Building Your First AI Workflow in Microsoft Foundry – Part 1

• بررسی رابط کاربری مایکروسافت فاندری برای ساخت گردش کار - بخش اول Diving into the Microsoft Foundry Interface for Building Workflows - Part 1

• بررسی رابط کاربری مایکروسافت فاندری برای ساخت گردش کار - بخش دوم Diving into the Microsoft Foundry Interface for Building Workflows - Part 2

• ساخت اولین گردش کار در Foundry - بخش دوم: پیکربندی و اجرای عامل Building Your First AI Workflow in Foundry - Part 2: Agent Config & Execution

• فراخوانی گردش کار از طریق پایتون Calling the Workflow from Python

پروژه: خط لوله محتوایی با حضور انسان در چرخه Project: Human‑in‑the‑Loop Content Pipeline

• مرور کلی پروژه Project Overview

• ایجاد گردش کار و اولین عامل Creating the Workflow + First Agent

• افزودن عامل پالایشگر (Refiner Agent) Adding the Refiner Agent

• تاییدیه حضور انسان در چرخه در گردش کارهای سازمانی Human-in-the-Loop Approvals in Enterprise AI Workflows

• منطق If/Else و ساخت حلقه بازتولید If/Else Logic and Building a Regeneration Loop

• تست حلقه و ارائه نتیجه نهایی تایید شده Testing the Loop and Delivering the Final Approved Result

• گردش کارهای هوش مصنوعی با حضور انسان در چرخه Human-in-the-Loop AI Workflows

[پیوست]: بررسی عمیق مدل‌های زبانی بزرگ (LLMs) [Appendix]: Deep Dive into LLMs

• داده‌های پیش‌آموزش: LLMها چگونه از اینترنت یاد می‌گیرند Pretraining Data: How LLMs Learn from the Internet

• توضیح توکنایزیشن: LLMها چگونه متن را می‌خوانند Tokenization Explained: How LLMs Read Text

• آموزش شبکه عصبی برای پیش‌بینی متن Training the Neural Network to Predict Text

• پس از آموزش: تنظیم دقیق نظارت شده (SFT) و یادگیری تقویتی (RL) Post-Training: Supervised Fine-Tuning (SFT) & Reinforcement Learning (RL)

• یادگیری تقویتی در LLMها چیست؟ What Is Reinforcement Learning in LLMs?

• AGI و ASI: آیا LLMها می‌توانند از انسان باهوش‌تر شوند؟ AGI & ASI: Can LLMs Become Smarter Than Humans?

• RLHF: چرا ChatGPT اینقدر شبیه انسان صحبت می‌کند RLHF: Why ChatGPT Sounds So Human

• توهمات در LLMها: چرا رخ می‌دهند و چگونه مدیریت شوند Hallucinations in LLMs: Why They Happen & How to Handle Them

• استفاده از ابزار: جستجوی اینترنت، مفسر کد و جستجوی عمیق Tool Use: Internet Search, Code Interpreter & Deep Search

• مرور کلی: از پیش‌آموزش تا هوش مصنوعی عمومی (AGI) Big Picture Recap: From Pretraining to AGI

[پیوست]: ایجاد رابط‌های وب برای اپلیکیشن‌های هوش مصنوعی عامل‌محور با Streamlit [Appendix]: Creating Web Interfaces for Agentic AI Applications Using Streamlit

• منابع بخش Section Resources

• معرفی Streamlit Introduction to Streamlit

• مفاهیم اصلی Streamlit Streamlit Main Concepts

• نمایش داده‌ها روی صفحه: st.write() و Magic Displaying Data on the Screen: st.write() and Magic

• ویجت‌ها، بخش اول: text_input, number_input, button Widgets, Part 1: text_input, number_input, button

• ویجت‌ها، بخش دوم: checkbox, radio, select Widgets, Part 2: checkbox, radio, select

• ویجت‌ها، بخش سوم: slider, file_uploader, camera_input, image Widgets, Part 3: slider, file_uploader, camera_input, image

• چیدمان: Sidebar Layout: Sidebar

• چیدمان: Columns Layout: Columns

• چیدمان: Expander Layout: Expander

• نمایش نوار پیشرفت (Progress Bar) Displaying a Progress Bar

• وضعیت نشست (Session State) Session State

• کال‌بک‌ها (Callbacks) Callbacks

[پیوست]: ساخت اپلیکیشن‌های همزمان با استفاده از Async IO [Appendix]: Building Concurrent Applications Using Async IO

• اکوسیستم همزمانی در پایتون Python Concurrency Ecosystem

• پیاده‌سازی Async IO Implementing Async IO

• کدنویسی: پیاده‌سازی Async IO Coding - Implementing Async IO

• ساخت یک وب‌اسکرپر (Web Scraper) غیرهمزمان Building an Asynchronous Web Scraper

• کدنویسی: ساخت وب‌اسکرپر غیرهمزمان Coding - Building an Async Web Scraper

• اجرای غیرهمزمان دستورات شل (Subprocesses) Running Shell Commands (Subprocesses) Asynchronously

• کدنویسی: اجرای دستورات شل Coding - Running Shell Commands

• AsyncSSH: SSH غیرهمزمان AsyncSSH: Asynchronous SSH

• AsyncSSH: اجرای چندین کلاینت AsyncSSH: Running Multiple Clients

• کدنویسی: AsyncSSH (چندین کلاینت) Coding - AsyncSSH (Multiple Clients)

بخش هدیه BONUS SECTION

• تبریکات Congratulations

• هدیه ویژه: سپاسگزاری! BONUS: THANK YOU GIFT!