آموزش ساخت عامل هوش مصنوعی (AI Agent) از صفر با پایتون (بدون LangChain) - آخرین آپدیت

سرفصل ها و درس ها

ماژول ۰ —عامل هوش مصنوعی واقعاً چیست Module 0 — What an agent actually is

• وعده دوره + آنچه خواهید ساخت Course promise + what you'll build

• تعریف: یک LLM در یک حلقه به همراه ابزارها The definition: an LLM in a loop with tools

• چرا LangChain و CrewAI این موارد را از شما پنهان می‌کنند Why LangChain/CrewAI hide this from you

• ساخت یک عامل فعال در ۲۰ خط کد Build a working agent in 20 lines

• سنجش دانش: عامل هوش مصنوعی واقعاً چیست Knowledge check: What an agent actually is

ماژول ۱ —پیاده‌سازی صحیح حلقه عامل Module 1 — The agent loop, properly

• آناتومی حلقه (Loop) Anatomy of the loop

• ساخت یک Wrapper برای LLM مستقل از ارائه‌دهنده A provider-agnostic LLM wrapper

• تجزیه قصد و نیت مدل (Intent Parsing) Parsing the model's intent

• مسئله توقف حلقه The stopping problem

• ساخت کلاس Agent قابل استفاده مجدد Building the reusable Agent class

• سنجش دانش: پیاده‌سازی صحیح حلقه عامل Knowledge check: The agent loop, properly

• تمرین: نرمال‌سازی پاسخ LLM Exercise: Normalise an LLM response

• تمرین: تجزیه قصد و نیت مدل Exercise: Parse the model's intent

• تمرین: شرط توقف Exercise: The stopping condition

ماژول ۲ —استفاده از ابزارها از صفر Module 2 — Tool use from scratch

• معنای واقعی «استفاده از ابزار» چیست What "tool use" really means

• طراحی یک رابط کاربری تمیز برای ابزارها Designing a clean tool interface

• درخواست ابزار توسط مدل —به صورت دستی Getting the model to request a tool — by hand

• تجزیه قابل اعتماد فراخوان‌های ابزار Parsing tool calls reliably

• ثبت (Registry) و توزیع ابزارها The tool registry + dispatch

• فراخوانی توابع بومی —و چرا اکنون آن را درک می‌کنید Native function calling — and why you now understand it

• زمانی که مدل ابزاری را توهم می‌زند When the model hallucinates a tool

• سنجش دانش: استفاده از ابزارها از صفر Knowledge check: Tool use from scratch

• تمرین: تجزیه یک فراخوان ابزار Exercise: Parse a tool call

• تمرین: ساخت یک Registry برای ابزارها Exercise: A tool registry

• تمرین: توزیع ابزار با مدیریت خطای مناسب Exercise: Dispatch with graceful failure

ماژول ۳ —معماری‌های حافظه Module 3 — Memory architectures

• سه نوع حافظه The three memories

• پنجره کانتکست به عنوان یک بودجه The context window as a budget

• خلاصه‌سازی هنگام سرریز شدن حافظه Summarization when you overflow

• شباهت از صفر: کسینوس در numpy Similarity from scratch: cosine in numpy

• بازیابی اطلاعات بدون دیتابیس برداری Retrieval without a vector DB

• ماندگاری حافظه اپیزودیک در نشست‌های مختلف Persisting episodic memory across sessions

• سنجش دانش: معماری‌های حافظه Knowledge check: Memory architectures

• تمرین: کوتاه کردن تاریخچه بر اساس بودجه توکن Exercise: Trim history to a token budget

• تمرین: شباهت کسینوسی از صفر Exercise: Cosine similarity from scratch

• تمرین: بازیابی Top-k Exercise: Top-k retrieval

• تمرین: سریال‌سازی حافظه اپیزودیک Exercise: Serialise episodic memory

ماژول ۴ —برنامه‌ریزی و استدلال Module 4 — Planning & reasoning

• چرا یک فراخوانی ساده LLM کافی نیست Why a single LLM call isn't enough

• متد ReAct: درهم‌تنیدگی استدلال و اقدام ReAct: interleaving reasoning and action

• پیاده‌سازی ReAct از صفر Implementing ReAct from scratch

• بازتاب (Reflection): نقد و تلاش مجدد Reflection: critique and retry

• آشنایی با درخت افکار (Tree of Thoughts) A taste of tree-of-thoughts

• انتخاب استراتژی بر اساس نوع وظیفه Picking a strategy per task type

• سنجش دانش: برنامه‌ریزی و استدلال Knowledge check: Planning & reasoning

• تمرین: تجزیه یک ردپای (Trace) ReAct Exercise: Parse a ReAct trace

• تمرین: تعریف بودجه برای تلاش مجدد Exercise: A retry budget

• تمرین: انتخاب استراتژی استدلال Exercise: Select a reasoning strategy

ماژول ۵ —سیستم‌های چند-عاملی Module 5 — Multi-agent systems

• از یک حلقه به چندین حلقه From one loop to many

• الگوی هماهنگ‌کننده/کارگر (Coordinator/Worker) The coordinator/worker pattern

• تبادل پیام بین عامل‌ها Message passing between agents

• توقف تفویض اختیار بی‌نهایت Stopping infinite delegation

• طراحی نقش و پرامپت‌نویسی Role design and prompting

• ترکیب خروجی‌های کارگران Synthesizing worker outputs

• سنجش دانش: سیستم‌های چند-عاملی Knowledge check: Multi-agent systems

• تمرین: مسیریابی یک پیام Exercise: Route a message

• تمرین: محدود کردن عمق تفویض اختیار Exercise: Cap delegation depth

• تمرین: ترکیب خروجی‌های کارگران Exercise: Synthesise worker outputs

ماژول ۶ —ارزیابی عامل‌ها Module 6 — Evaluating agents

• هر آنچه نتوانید اندازه‌گیری کنید، نمی‌توانید عرضه کنید You can't ship what you can't measure

• تعریف دقیق موفقیت در انجام وظیفه Defining task success precisely

• ساخت محیط ارزیابی (Eval Harness) Building the eval harness

• متریک‌ها: نرخ موفقیت، تعداد گام‌ها، هزینه Metrics: success rate, steps, cost

• طبقه‌بندی حالت‌های شکست A failure-mode taxonomy

• شناسایی رگرسیون‌ها هنگام تغییر پرامپت Catching regressions when you tweak a prompt

• سنجش دانش: ارزیابی عامل‌ها Knowledge check: Evaluating agents

• تمرین: محاسبه نرخ موفقیت Exercise: Success rate

• تمرین: بهینه‌سازی تعداد گام‌ها Exercise: Step efficiency

• تمرین: محاسبه هزینه به ازای هر وظیفه Exercise: Cost per task

• تمرین: طبقه‌بندی یک شکست Exercise: Classify a failure

• تمرین: تشخیص رگرسیون بین اجراهای مختلف Exercise: Detect regressions between runs

ماژول ۷ —واقعیت‌های محیط عملیاتی (Production) Module 7 — Production realities

• عامل‌هایی که پول می‌سوزانند: حلقه از کنترل خارج شده Agents that burn money: a runaway loop

• سقف هزینه و تعداد گام‌ها Cost and step caps

• تاخیر (Latency) و استریم کردن Latency and streaming

• مشاهده‌پذیری: لاگ‌گذاری هر گام Observability: logging every step

• گاردریل‌ها و ریسک دسترسی به ابزارها Guardrails and tool-access risk

• سنجش دانش: واقعیت‌های محیط عملیاتی Knowledge check: Production realities

• تمرین: اعمال سقف هزینه و گام‌ها Exercise: Enforce cost and step caps

• تمرین: فرمت‌بندی یک رکورد لاگ ساختاریافته Exercise: Format a structured log record

• تمرین: ایجاد گاردریل برای دسترسی به ابزار Exercise: A tool-access guardrail

ماژول ۸ —پروژه نهایی: ساخت عامل پیشرفته Module 8 — Capstone: the flagship build

• بازنویسی کد در قالب یک چارچوب منسجم Refactoring into a coherent framework

• طراحی عامل پیشرفته شما Designing your flagship agent

• ساخت کامل از ابتدا تا انتها Building it end-to-end (edited build)

• درک تمام چارچوب‌ها و مسیر ادامه یادگیری You now understand every framework + where to go next

• سنجش دانش: پروژه نهایی Knowledge check: Capstone