لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش معماریهای هوش مصنوعی عاملمحور (Agentic AI) همراه با الگوها، فریمورکها و MCP
- آخرین آپدیت
دانلود Agentic AI Architectures with Patterns, Frameworks and MCP
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
طراحی و ادغام سیستمهای چند-عاملی در اپلیکیشنهای سازمانی با استفاده از عاملهای هوش مصنوعی، گردشکارهای عاملمحور، الگوهای طراحی و پروتکل MCP
عاملهای هوش مصنوعی (AI Agents) چیستند؟
اجزای تشکیلدهنده عاملهای هوش مصنوعی کدامند؟ چگونه یک عامل هوش مصنوعی بسازیم؟
هوش مصنوعی عاملمحور (Agentic AI) چیست؟ معماریهای چند-عاملی
گردشکارهای عاملمحور (Agentic Workflows) چیستند؟
فریمورکهای عاملهای هوش مصنوعی - بررسی فریمورکهای Agentic
درک الگوهای طراحی عاملمحور (Agentic Design Patterns)
Agentic RAG چیست؟ - استدلال پیشرفته: RAG عاملمحور
ارتباطات و پروتکلهای عاملها - استفاده از پروتکلهای عاملمحور (MCP, A2A و ACP)
طراحی عملیاتی پروتکل کانتکست مدل (MCP)
مهندسی کانتکست برای عاملهای هوش مصنوعی
چرخه حیات توسعه عامل (ADLC) در توسعه عاملهای سازمانی
ساخت لایه عاملمحور برای فروشگاه الکترونیکی (E-Shop)
عاملهای هوش مصنوعی چگونه از هوش مصنوعی مولد استفاده میکنند؟
چه زمانی از عاملهای هوش مصنوعی استفاده کنیم (و چه زمانی نکنیم)؟
حلقه عاملمحور: ادراک، استدلال، اقدام، یادگیری (PRAL)
تفاوت حیاتی بین AI Agent و Agentic AI
نحوه عملکرد Agentic AI: معماریهای سطح سیستم (ارکستراسیون یا کورئوگرافی)
الگوهای ارکستراسیون عاملمحور (ترتیبی، همزمان، چت گروهی، تحویل/Handoff، مغناطیسی)
الگوی «استفاده از ابزار» (Tool Use)
الگوی «برنامهریزی» (Planning)
الگوی «بازتاب» یا تامل (Reflection/Metacognition)
الگوی ترکیبی «ReAct»
الگوی «مسیریاب و متخصص» (Router & Specialist)
الگوی «تحویل» (Handoff - گردشکار ترتیبی)
الگوی «چت گروهی / مناظره»
الگوی «سوارم» یا دسته جمعی (Swarm - موازیسازی)
الگوی «انسان در حلقه» (HITL)
الگوی «خروج / منطق سفارشی» (Ejection/Custom Logic)
تفاوت حیاتی بین Agentic RAG و RAG سنتی
نحوه عملکرد Agentic RAG: حلقه «پژوهشگر فعال»
معماری MCP: میزبان/کلاینت، سرور و پروتکل
پیش نیازها: مبانی معماری نرمافزار
مبانی هوش مصنوعی مولد
آیا آمادهاید تا از یک توسعهدهنده سنتی به یک معمار عاملمحور تبدیل شوید؟
ما در حال حرکت از عصر هوش مصنوعی مولد ساده — جایی که به طور غیرفعال از مدلها میخواهیم متنی بنویسند — به عصر هوش مصنوعی عاملمحور (Agentic AI) هستیم؛ جایی که سیستمهای خودمختاری طراحی میکنیم که میتوانند به طور مستقل ادراک کنند، استدلال کنند، اقدام کنند و مسائل پیچیده را حل کنند.
ساخت یک عامل دمو آسان است، اما ساخت یک سیستم عاملهای سطح سازمانی که مقیاسپذیر و امن باشد، دشوار است.
این دوره یک راهنمای جامع طراحی برای معماران نرمافزار و مهندسان ارشد است که میخواهند در ساخت معماریهای عاملمحور واقعی استاد شوند. این دوره فراتر از اسکریپتنویسی ساده است؛ ما بر الگوها، پروتکلها و چرخههای حیاتی تمرکز میکنیم که برای ادغام عاملهای هوشمند در اکوسیستمهای عظیم سازمانی مورد نیاز است.
آنچه خواهید آموخت:
تسلط بر مبانی عاملمحور: تشخیص تفاوت بین عاملهای ساده AI و Agentic AI واقعی، و تسلط بر «حلقه عاملمحور» (ادراک، استدلال، اقدام، یادگیری).
معماری سیستمهای چند-عاملی: یاد بگیرید چگونه تیمهایی از عاملها را برای حل اهداف پیچیده با استفاده از الگوهای همکاری مدیریت (Orchestrate) کنید.
پیادهسازی الگوهای طراحی عاملمحور: تسلط بر نقشههای قابل استفاده مجدد مانند ReAct، Reflection (فراشناخت) و Planning برای حل مشکلات معماری تکرار شونده.
ادغام سازمانی با MCP: بررسی عمیق پروتکل کانتکست مدل (MCP) برای ساخت سرورهایی که میکروسرویسهای فعلی شما را به عنوان ابزاری در اختیار هر عاملی قرار میدهند.
ساخت Agentic RAG: تکامل RAG سنتی به عاملهای پژوهشگر فعال که میتوانند روی دادههای سازمانی شما استدلال کنند.
چرخه حیات توسعه عامل (ADLC): مدیریت کامل چرخه حیات یک عامل شامل امنیت، حاکمیت، ارزیابی و عملیات.
پروژه نهایی واقعی: طراحی و ادغام یک لایه عاملمحور کامل بر روی یک معماری واقعی میکروسرویسهای فروشگاه الکترونیکی.
نقشه راه دوره:
این دوره یک مسیر ساختاریافته چهار بخشی را دنبال میکند تا شما را از مفاهیم بنیادی به پیادهسازیهای پیشرفته سازمانی برساند:
بخش ۱: مبانی عامل
با پاسخ به این سوال بنیادی شروع میکنیم: چگونه یک عامل هوش مصنوعی بسازیم؟ ما کالبدشکافی یک عامل را انجام داده و تفاوت بین ابزارهای ساده و سیستمهای خودمختار را بررسی میکنیم. شما بر ضربان قلب هر عامل — حلقه عاملمحور — تسلط خواهید یافت و مسیر دادهها را از طریق ادراک، استدلال، اقدام و یادگیری دنبال میکنید.
بخش ۲: معماری، الگوها و فریمورکها
پس از درک عامل، به سطح سیستم میرویم. ما معماری عاملمحور را بررسی میکنیم، به ویژه با تمرکز بر همکاری چند-عاملی و گردشکارهای عاملمحور. شما سبکهای معماری مانند ارکستراسیون در مقابل کورئوگرافی را مقایسه کرده و فریمورکهای برتر (LangChain, LlamaIndex, Microsoft Agent Framework) را بررسی میکنید. همچنین بخش بزرگی را به الگوهای طراحی عاملمحور اختصاص میدهیم تا پیادهسازی موارد زیر را بیاموزید:
الگوی برنامهریزی: تجزیه اهداف پیچیده.
الگوی بازتاب (Reflection): توانمندسازی عاملها برای نقد و بهبود کارهای خودشان.
الگوی ترکیبی ReAct: ترکیب حلقههای استدلال و اقدام.
بخش ۳: ادغام سازمانی و تکنیکهای پیشرفته
در اینجا به لایه ادغام میرویم و با بزرگترین چالش صنعت یعنی پروتکلهای عامل روبرو میشویم. شما یک راهنمای گامبهگام از پروتکل کانتکست مدل (MCP) دریافت میکنید و یاد میگیرید چگونه سرورهایی بسازید که نحوه صحبت عاملها با APIهای شما را استاندارد کنند. همچنین Agentic RAG برای استدلال پیشرفته روی دادهها و مهندسی کانتکست برای جایگزینی مهندسی پرامپت شکننده با معماری اطلاعات مستحکم را پوشش میدهیم.
بخش ۴: چرخه حیات و پروژه نهایی
در نهایت، چرخه حیات توسعه عامل (ADLC) را بررسی میکنیم و به الزامات سخت سازمانی مانند امنیت، حاکمیت و ارزیابی میپردازیم. دوره با یک پروژه نهایی عظیم به پایان میرسد که در آن تمام آموختههای خود را برای طراحی و ادغام یک سیستم چند-عاملی در بکانند واقعی میکروسرویسهای فروشگاه الکترونیکی به کار میگیرید.
این دوره برای چه کسانی است:
معماران نرمافزار که به دنبال ادغام عاملهای هوش مصنوعی در معماریهای سازمانی موجود هستند.
توسعهدهندگان ارشد که میخواهند فراتر از پرامپتنویسی ساده LLM رفته و سیستمهای خودمختار بسازند.
مهندسان هوش مصنوعی که به دنبال تسلط بر پروتکلهای استاندارد مانند MCP و الگوهای پیشرفته چند-عاملی هستند.
رهبران فنی (Technical Leads) که مسئول تعریف استراتژی پذیرش هوش مصنوعی در شرکت خود هستند.
در پایان این دوره، شما فقط قادر به نوشتن یک اسکریپت برای عامل نخواهید بود، بلکه میتوانید کل سیستمهای عاملمحور سازمانی را معماری، ادغام و مدیریت کنید.
سرفصل ها و درس ها
مقدمه
Introduction
مقدمه
Introduction
ابزارها و منابع دوره - اسلایدهای دوره
Tools and Resources for the Course - Course Slides
پروژه دوره: طراحی معماری Agentic AI برای میکروسرویسهای EShop
Course Project: Design Agentic AI Architecture for EShop Microservices
تکامل: از هوش مصنوعی مولد به هوش مصنوعی عاملمحور
The Evolution: From Generative AI to Agentic AI
عاملهای هوش مصنوعی چیستند؟
What are AI Agents ?
عاملهای هوش مصنوعی چیستند؟ اصول کلیدی
What are AI Agents? Key Principles
عاملهای هوش مصنوعی چگونه از هوش مصنوعی مولد استفاده میکنند؟
How AI Agents Uses Generative AI ?
چه زمانی از عاملهای هوش مصنوعی استفاده کنیم (و چه زمانی نکنیم)؟
When to Use AI Agents (And When Not To)
کجا از عاملها استفاده کنیم؟ موارد استفاده واقعی برای عاملهای AI
Where to Use Agents ? Real-world Use Cases for AI Agents
بخشهای دشوار: چالشها و محدودیتهای عاملهای هوش مصنوعی
The Hard Parts: Challenges and Limitations of AI Agents
[طراحی] طراحی اولین عامل ساده هوش مصنوعی شما
[DESIGN] Designing Your First Simple AI Agent
کوییز عاملهای هوش مصنوعی
AI Agents Quiz
نقشآفرینی (Role Play) عاملهای هوش مصنوعی
AI Agents Role Play
اجزای عاملهای هوش مصنوعی چیستند؟ چگونه یک عامل بسازیم؟
What are the Components of AI agents? How to Build an AI Agent ?
مقدمه - کالبدشکافی عامل: بررسی عمیق اجزای اصلی
Introduction - Agent Anatomy: A Deep Dive Into Core Components
«مغز» - مدل پایه (LLM)
The "Brain" - The Foundation Model (LLM)
«حواس» - ادراک و مدیریت ورودی
The "Senses" - Perception and Input Handling
«نقشه راه» - برنامهریزی و تجزیه وظایف
The "Blueprint" - Planning and Task Decomposition
«دفترچه یادداشت» - معماری حافظه
The "Notebook" - The Architecture of Memory
«دستها» - اقدام و فراخوانی ابزارها
The "Hands" - Action and Tool Calling
«حلقه بازخورد» - یادگیری و تطبیق
The "Feedback Loop" - Learning and Adaptation
«صدا» - ارتباطات عامل
The "Voice" - Agent Communication
[طراحی] ساخت عامل «دستیار پژوهشی»
[DESIGN] Building a "Research Assistant" Agent
[طراحی] ساخت عامل ChatGPT با حلقه PRAL
[DESIGN] Build ChatGPT Agent with The Agentic Loop (PRAL)
[طراحی] ساخت عامل سلامت با حلقه PRAL و انسان در حلقه (HITL)
[DESIGN] Build Health Agent with The Agentic Loop (PRAL) & Human-in-the-loop
کوییز اجزای عامل هوش مصنوعی
AI Agent Components Quiz
نقشآفرینی اجزای عامل هوش مصنوعی
AI Agent Components Role Play
هوش مصنوعی عاملمحور چیست؟ معماریهای چند-عاملی
What is Agentic AI ? Multi-Agent Architectures
مقدمه - هوش مصنوعی عاملمحور چیست؟
Introduction - What is Agentic AI ?
عامل AI در مقابل Agentic AI: تفاوت حیاتی
AI Agent vs. Agentic AI: The Critical Difference
معماری عاملمحور چیست؟ (سیستم چند-عاملی MAS)
What is Agentic Architecture ? (Multi-Agent System (MAS))
نحوه عملکرد Agentic AI: معماریهای سطح سیستم (ارکستراسیون یا کورئوگرافی)
How Agentic AI Works: System-Level Architectures (Orchestration or Choreography)
[طراحی] ارکستراسیون و کورئوگرافی در معماریهای Agentic AI
[DESIGN] Orchestration and Choreography of Agentic AI Architectures
بخشهای دشوار: چالشهای سیستمهای Agentic AI
The Hard Parts: Challenges of Agentic AI Systems
کوییز Agentic AI
Agentic AI Quiz
نقشآفرینی Agentic AI
Agentic AI Role Play
گردشکارهای عاملمحور چیستند؟
What are Agentic Workflows ?
مقدمه - از گردشکارهای سنتی به گردشکارهای عاملمحور
Introduction - From Traditional to Agentic Workflows
اجزای گردشکار عاملمحور: وضعیت (State)، گرهها و یالها
Components of Agentic Workflow: State, Nodes and Edges
فریمورکهای ساخت گردشکار (Code First)
Frameworks for Building Workflows (Code-First)
پلتفرمهای ساخت گردشکار (Low Code)
Platforms for Building Workflows (Low-Code)
کوییز گردشکار عاملمحور
Agentic Workflow Quiz
نقشآفرینی گردشکار عاملمحور
Agentic Workflow Role Play
فریمورکهای عامل هوش مصنوعی - انتخاب زیربنا - بررسی فریمورکهای Agentic
AI Agent Frameworks - Choosing Your Foundation - Exploring AI Agentic Frameworks
مقدمه - چشمانداز فریمورکها
Introduction - The Frameworks Landscape
«جعبه ابزار عمومی»: LangChain و LangGraph
The "Generalist Toolkit": LangChain & LangGraph
«متخصص داده»: بررسی عمیق LlamaIndex
The "Data Specialist": LlamaIndex Deep Dive
«متخصص چند-عاملی»: Microsoft Agent Framework
The "Multi-Agent Specialist": Microsoft Agent Framework
کوییز الگوهای طراحی Agentic AI
AI Agentic Design Patterns Quiz
نقشآفرینی الگوهای طراحی Agentic AI
AI Agentic Design Pattern Role Play
Agentic RAG چیست؟ - استدلال پیشرفته: Agentic RAG
What is Agentic RAG ? - Advanced Reasoning: Agentic RAG
مقدمه - محدودیتهای RAG سنتی
Introduction - The Limitations of Traditional RAG
Agentic RAG چیست؟
What is Agentic RAG ?
Agentic RAG در مقابل RAG سنتی: تفاوت حیاتی
Agentic RAG vs. Traditional RAG: The Critical Difference
نحوه عملکرد Agentic RAG: حلقه «پژوهشگر فعال»
How Agentic RAG Works: The "Active Researcher" Loop
موارد استفاده از Agentic RAG
Agentic RAG Use Cases
کوییز Agentic RAG
Agentic RAG Quiz
نقشآفرینی Agentic RAG
Agentic RAG Role Play
ارتباطات و پروتکلهای عاملها - استفاده از پروتکلهای عاملمحور (MCP, A2A و ACP)
Agent Communications and Protocols - Using Agentic Protocols (MCP, A2A and ACP)
مقدمه - «مشکل پروتکل»
Introduction - The "Protocol Problem"
پروتکل ارتباطی عامل (ACP) چیست؟
What is the Agent Communication Protocol (ACP)?
پروتکل A2A (عامل به عامل) چیست؟
What is the A2A (Agent-to-Agent) Protocol?
پروتکل تعامل کاربر با عامل (AG UI) چیست؟
What is the Agent-user interaction (AG-UI) protocol ?
پروتکل کانتکست مدل (MCP) چیست؟
What is the Model-Context Protocol (MCP)?
دیدگاه معمار: MCP در مقابل ACP و A2A
The Architect's View: MCP vs. ACP vs. A2A
کوییز ارتباطات و پروتکلهای عامل
Agent Communications and Protocols Quiz
نقشآفرینی ارتباطات عامل
Agent Communications Role Play
طراحی عملیاتی پروتکل کانتکست مدل (MCP)
Model Context Protocol (MCP) in Action Design
مقدمه - چرا MCP؟
Introduction - Why MCP ?
معماری MCP: میزبان/کلاینت، سرور و پروتکل
The MCP Architecture: MCP Host/Client, Server and Protocol
مفاهیم اصلی و تعاریف MCP (بررسی عمیق Spec)
MCP Core Concepts & Definitions (The "Spec" Deep Dive)
چرخه حیات MCP (نحوه عملکرد)
The MCP Lifecycle (How it Works)
دیدگاه معمار: MCP در مقابل OpenAPI (چرایی)
The Architect's View: MCP vs. OpenAPI (The "Why")
الگوهای طراحی MCP و مطالعات موردی
MCP Design Patterns & Case Studies
کوییز پروتکل کانتکست مدل (MCP)
Model Context Protocol (MCP) Quiz
نقشآفرینی MCP
MCP Role Play
مهندسی کانتکست: مهندسی کانتکست برای عاملهای هوش مصنوعی
Context Engineering: Context Engineering for AI Agents
مهندسی کانتکست چیست؟
What is Context Engineering ?
مهندسی پرامپت در مقابل مهندسی کانتکست (تغییر حیاتی)
Prompt Engineering vs. Context Engineering (The Critical Shift)
کالبدشکافی کانتکست (انواع کانتکست)
The Anatomy of Context (Types of Context)
استراتژیهای مهندسی کانتکست موثر
Strategies for Effective Context Engineering
مثالهایی از موارد استفاده مهندسی کانتکست
Example Use Cases of Context Engineering
کوییز مهندسی کانتکست
Context Engineering Quiz
نقشآفرینی مهندسی کانتکست
Context Engineering Role Play
چرخه حیات توسعه عامل (ADLC) در توسعه عاملهای سازمانی
The Agent Development Lifecycle (ADLC) w/ Enterprise Agent Development
توسعه عامل هوش مصنوعی چیست؟ تغییر احتمالات
What is AI Agent Development? The Probabilistic Shift
چرخه حیات توسعه عامل (ADLC): راهنمای ۷ مرحلهای
The Agent Development Lifecycle (ADLC): A 7-Step Guide
بررسی عمیق: چالش «ارزیابی»
Deep Dive: The Challenge of "Evaluation"
بررسی عمیق: «AgentOps» (مشاهدهپذیری و مانیتورینگ)
Deep Dive: "AgentOps" (Observability & Monitoring)
ملاحظات سازمانی: گاردریلهای LLM برای جلوگیری از نشت داده و تزریق پرامپت
Enterprise Considerations: LLM Guardrails for Data Leakage, Prompt Injection
نمایش نظرات