آموزش ساخت عوامل هوشمند AI با Koog: توسعه اپلیکیشن‌های Agentic AI روی JVM - آخرین آپدیت

دانلود Kotlin AI Agents with Koog: Build Agentic AI Apps on the JVM

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: از اولین ایجنت خود تا یک نقطه انتهایی (Endpoint) عملیاتی در Ktor — ابزارها، RAG، پروتکل MCP و مدل‌های محلی، همگی با استفاده از کاتلین idiomatic (نسخه Koog 1.0). با Koog، فریم‌ورک متن‌باز JetBrains برای ساخت ایجنت‌های JVM، ایجنت‌های AI آماده تولید بسازید — از اولین ایجنت تا سرویسی که مستقر شده است. قابلیت‌های واقعی به ایجنت‌ها ببخشید: ابزارهای سفارشی، فراخوانی ابزار (Tool-calling)، خروجی‌های تایپ‌شده ساختاریافته و گردش‌کارهای گرافیکی چندمرحله‌ای که خودتان طراحی و کنترل می‌کنید. ایجنت‌ها را به‌صورت رایگان روی سیستم خودتان با مدل‌های محلی از طریق Ollama اجرا کنید — بدون هزینه‌های اجباری API برای یادگیری و آزمایش. ایجنت‌ها را قابل اعتماد و هوشمند کنید: افزودن قابلیت ذخیره‌سازی (Persistence)، فشرده‌سازی تاریخچه، حافظه بین‌سشنی و RAG که از روی اسناد شما پاسخ می‌دهد. ایجنت‌ها را با سرورهای MCP به دنیای بیرون متصل کنید و در میانه گفتگو بین OpenAI و مدل‌های محلی بدون از دست دادن تاریخچه جابه‌جا شوید. ایجنت خود را به عنوان یک وب‌سرویس واقعی با Ktor مستقر کنید، سپس قابلیت‌های مشاهده‌پذیری (Observability)، گاردریل‌ها و ارزیابی‌های پایه را برای اطمینان در محیط عملیاتی اضافه کنید. درک کنید که عوامل AI واقعاً چه هستند — حلقه ایجنت، خودمختاری و تفاوت آن‌ها با یک فراخوانی ساده LLM — با مدل‌های ذهنی شفاف. مهارت‌های خود را در پلتفرم‌های مختلف به کار ببرید: Koog چندپلتفرمی (KMP) است، بنابراین کد یک ایجنت می‌تواند برای بک‌اندهای JVM، اندروید و iOS هدف‌گذاری شود. پیش‌نیازها: دانش پایه عملی از کاتلین — بتوانید توابع، کلاس‌ها و data classها را بخوانید و بنویسید. نیازی نیست متخصص باشید. بدون نیاز به پیش‌زمینه در AI، یادگیری ماشین یا علوم داده — ما هر مفهوم AI را از صفر و به زبان ساده توضیح می‌دهیم. این‌ها هسته اصلی است. داشتن کلید API OpenAI مفید اما اختیاری است — شما می‌توانید دوره را به‌طور رایگان با استفاده از مدل‌های محلی Ollama به پایان برسانید.

بیشتر آموزش‌های ایجنت‌های AI فرض می‌کنند که شما پایتون یاد می‌گیرید. اما اگر روی JVM توسعه می‌دهید — اندروید، Spring، Ktor یا هر بک‌اند کاتلین — تغییر زبان فقط برای اضافه کردن ویژگی‌های AI منطقی نیست. این دوره مسیر متفاوتی را می‌رود: شما ایجنت‌های AI واقعی و آماده تولید را کاملاً در کاتلین و با استفاده از Koog، فریم‌ورک متن‌باز JetBrains می‌سازید.

Koog به‌طور خاص برای JVM ساخته شده است و به جای فریم‌ورک‌های پایتونی با تایپ سست، از یک DSL تایپ-سیف در کاتلین استفاده می‌کند. این بدان معناست که ایجنت‌های AI که اینجا می‌سازید، مستقیماً وارد اپلیکیشن‌هایی می‌شوند که در حال حاضر روی آن‌ها کار می‌کنید، با همان ابزارها، ساختار و قابلیت اطمینانی که دنیای JVM انتظار دارد. و چون Koog 1.0 با یک هسته پایدار عرضه شده، آنچه می‌آموزید ماندگار است و با هر انتشار جدید نمی‌شکند.

شما فقط اسلاید تماشا نمی‌کنید. از اولین جلسه، کدنویسی می‌کنید. ما با رمزگشایی از اینکه یک ایجنت AI واقعاً چیست شروع می‌کنیم — تفاوت آن با یک فراخوانی LLM، نحوه عملکرد حلقه ایجنت و منشأ خودمختاری. سپس اولین ایجنت فعال خود را تنها در چند خط می‌سازید و جلسه به جلسه آن را به چیزی تبدیل می‌کنید که واقعاً قابل استقرار باشد.

در این مسیر یاد خواهید گرفت که چگونه:

  • ابزارهای خود را بسازید و اجازه دهید ایجنت برای انجام اقدامات واقعی آن‌ها را فراخوانی کند

  • به جای تجزیه و تحلیل متنی شکننده، خروجی‌های ساختاریافته و تایپ‌شده از مدل دریافت کنید

  • گردش‌کارهای چندمرحله‌ای را با استفاده از استراتژی‌های گراف Koog و کنترل کامل بر جریان طراحی کنید

  • ایجنت‌ها را با قابلیت ذخیره‌سازی، فشرده‌سازی تاریخچه و حافظه بین‌سشنی قابل اعتماد کنید

  • یک سیستم RAG بسازید تا ایجنت شما به جای تکیه بر داده‌های آموزشی، از روی اسناد شما پاسخ دهد

  • از طریق MCP به ابزارهای خارجی متصل شوید و در میانه گفتگو بین مدل‌های ابری و محلی سوئیچ کنید

  • ایجنت خود را به عنوان یک وب‌سرویس واقعی با Ktor مستقر کرده و سپس قابلیت‌های نظارتی، گاردریل‌ها و ارزیابی پایه را اضافه کنید

یک نکته مهم: شما می‌توانید کل این دوره را بدون پرداخت یک سنت برای هزینه‌های API بگذرانید. Koog با Ollama ادغام شده است، بنابراین می‌توانید مدل‌های قدرتمند را به‌صورت محلی و رایگان اجرا کنید. کلید OpenAI برای چند جلسه مفید است اما اختیاری است و مانعی برای یادگیری نیست.

همه چیز حول یک پروژه واحد ساخته شده است — یک دستیار توسعه‌دهنده به نام Dev Helper — که همراه با شما رشد می‌کند. هر بخش دارای کد منبع کامل در نقاط بررسی است تا بتوانید همگام پیش بروید یا مستقیماً به هر مرحله بپرید. کوییزهایی برای تثبیت مفاهیم و یک پروژه نهایی برای شخصی‌سازی ایجنت وجود دارد.

در پایان، شما فقط تئوری ایجنت‌های AI را درک نخواهید کرد. شما یکی را از صفر ساخته‌اید، به آن ابزار و حافظه داده‌اید، آن را به دنیای بیرون متصل کرده‌اید و مستقر نموده‌اید — همگی در کاتلین و روی استکی که از قبل می‌شناسید.

اگر توسعه‌دهنده کاتلین یا اندروید، مهندس JVM یا کسی هستید که از پیش‌فرض بودن پایتون در تمام آموزش‌های AI خسته شده‌اید، این دوره‌ای است که دقیقاً با تخصص شما سازگار است.


سرفصل ها و درس ها

ماهیت واقعی AI Agentic چیست What Agentic AI Really Is

  • خوش‌آمدگویی: چه چیزی خواهید ساخت و نحوه استفاده از این دوره Welcome: What You'll Build & How to Use This Course

  • فراخوانی LLM در مقابل ایجنت AI: مدل ذهنی LLM Call vs. AI Agent: The Mental Model

  • حلقه ایجنت، ابزارها و خودمختاری The Agent Loop, Tools & Autonomy

  • آشنایی با Koog، کالبدشناسی ایجنت و نقشه راه Meet Koog, Agent Anatomy & the Roadmap

  • بررسی مفاهیم Concept check

راه‌اندازی پروژه و اجرای اولین ایجنت Set Up Your Project & Run Your First Agent

  • استک AI کاتلین: جایگاه Koog کجاست The Kotlin AI Stack: Where Koog Fits

  • تنظیم کلید API OpenAI (اختیاری اما مفید) "Setting Your OpenAI API Key" (optional but helpful)

  • پیش‌نیازهای نصب What You Need Installed(Requirements)

  • ایجاد پروژه و افزودن Koog Create the Project & Add Koog

  • اولین ایجنت شما در ۵ خط Your First Agent in 5 Lines

  • نصب Ollama (مدل‌های محلی و رایگان) "Installing Ollama (Free, Local Models)"

  • رایگان و محلی: اجرا روی Ollama Free & Local: Running on Ollama

  • کوییز و تکلیف Quiz & Assignment

  • تکلیف کوچک Mini-assignment

مبانی LLM و خروجی‌های ساختاریافته LLM Fundamentals & Structured Output

  • پرامپت‌ها، پنجره‌های کانتکست و هزینه — هر آنچه لازم است Prompts, Context Windows & Cost — Just Enough

  • دریافت نتایج تایپ‌شده: خروجی ساختاریافته با @Serializable Get Typed Results: Structured Output with @Serializable

  • تنظیم رفتار: پرامپت سیستم و Temperature Tuning Behavior: System Prompt & Temperature

  • کوییز و تکلیف Quiz & Assignment

بخشیدن قابلیت‌های عملی به ایجنت: ابزارها و فراخوانی ابزار Give Your Agent Hands: Tools & Tool-Calling

  • نحوه عملکرد فراخوانی ابزار (اسکیما از تایپ‌های کاتلین) How Tool-Calling Works (Schema from Kotlin Types)

  • نوشتن اولین ابزار با @Tool و @LLMDescription Write Your First Tool with @Tool & @LLMDescription

  • ساخت یک دستیار توسعه (Dev Helper) با ابزارهای متعدد A Multi-Tool Dev Helper

  • فراخوانی‌های موازی ابزار و خروجی استریمینگ Parallel Tool Calls & Streaming Output

  • کوییز و تکلیف Quiz & Assignment

  • تکلیف کدنویسی: افزودن قابلیت مشاهده زمان به Dev Helper Coding assignment: Give Dev Helper a watch!

کنترل جریان: گردش‌کارهای گرافیکی Control the Flow: Graph Workflows

  • مقایسه رویکرد توابعی، گرافیکی و مدل-محور Functional vs. Graph vs. LLM-Driven

  • ساخت استراتژی گراف: گره‌ها و یال‌ها Build a Graph Strategy: Nodes & Edges

  • یال‌های شرطی و حلقه‌ها (تلاش مجدد در صورت خطا) Conditional Edges & Loops (Retry on Failure)

  • کوییز گردش‌کارهای گرافیکی Graph Workflows Quiz

افزایش قابلیت اطمینان: ذخیره‌سازی، فشرده‌سازی، حافظه و RAG Make It Reliable: Persistence, Compression, Memory & RAG

  • چرا ایجنت‌ها در محیط عملیاتی شکست می‌خورند Why Agents Fail in Production

  • سیستم Checkpointing و ذخیره‌سازی Checkpointing & Persistence

  • فشرده‌سازی تاریخچه برای کنترل هزینه‌ها History Compression for Cost Control

  • پاسخ‌دهی از روی اسناد شما: RAG به عنوان یک ابزار Answering from Your Docs: RAG as a Tool

  • حافظه بین‌سشنی (مروری کوتاه) Cross-Session Memory (brief)

  • کوییز ذخیره‌سازی، فشرده‌سازی، حافظه و RAG Quiz for Persistance, Compression, Memory and RAG

  • تکلیف اضافی: ایندکس کردن پوشه دوم اسناد Extra assignment: Index a second doc folder

اتصال به جهان: MCP، چند ارائه‌دهنده و مدل‌های محلی Connect to the World: MCP, Multi-Provider & Local

  • توضیح پروتکل کانتکست مدل (MCP) The Model Context Protocol Explained

  • پیش‌نیاز: نصب Node.js برای MCP (الزامی) "Prerequisite: Install Node.js (for MCP)" (required)

  • اتصال ابزارهای MCP با استفاده از SDK کاتلین Plug In MCP Tools with the Kotlin MCP SDK

  • تعویض ارائه‌دهندگان بدون از دست دادن تاریخچه Swap Providers Without Losing History

  • مفهوم A2A و ACP در ۵ دقیقه A2A & ACP in 5 Minutes

  • کوییز MCP MCP Quiz

استقرار: دیپلوی با Ktor، مشاهده‌پذیری و محیط عملیاتی Ship It: Ktor Deployment, Observability & Production

  • قرار دادن ایجنت در یک نقطه انتهایی Ktor Embed Your Agent in a Ktor Endpoint

  • مشاهده همه چیز: OpenTelemetry و Langfuse See Everything: OpenTelemetry + Langfuse

  • گاردریل‌ها، هزینه و ارزیابی پایه Guardrails, Cost & Basic Evaluation

  • چندپلتفرمی، Junie و مسیرهای آینده Multiplatform, Junie & Where to Go Next

  • کوییز Ktor و مشاهده‌پذیری Ktor and Observability Quiz

  • پروژه نهایی: شخصی‌سازی Dev Helper Final project: Make Dev Helper yours.

نمایش نظرات

آموزش ساخت عوامل هوشمند AI با Koog: توسعه اپلیکیشن‌های Agentic AI روی JVM
جزییات دوره
2.5 hours
39
(آخرین آپدیت)
54
4.9 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Hamidreza Sahraei Hamidreza Sahraei

مهندس ارشد نرم افزار