آموزش جامع فریم‌ورک LangChain برای مبتدیان – ساخت سیستم‌های هوش مصنوعی و RAG - آخرین آپدیت

سرفصل ها و درس ها

مقدمه‌ای بر فریم‌ورک LangChain و بررسی محتوای دوره Introduction to LangChain Framework & Course content Overview

• مقدمه‌ای بر فریم‌ورک Langchain برای ساخت ایجنت‌های هوشمند هوش مصنوعی Introduction to Langchain Framework to build Intelligent AI Agents

• مرور محتوای دوره؛ چه چیزهایی خواهید آموخت؟ Course Content overview - What you will learn?

• استفاده از LangChain با Typescript؛ چگونه بیشترین بهره را از این دوره ببریم LangChain with Typescript - How to make best use of this course

• کوییز بخش اول Section-1 Quiz

راه‌اندازی Langchain و اجرای اولین ایجنت و درک پاسخ‌ها Setting up Langchain & Invoke First Agent with responses understanding

• دانلود کدها Code download

• راه‌اندازی محیط‌ها؛ Node و VS Code برای شروع کار با Langchain Setting up Environments - Node, VS Code to get started with Langchain

• راه‌اندازی پروژه Node با وابستگی‌های مرتبط به Langchain Setting up Node Project with Langchain related dependencies

• راه‌اندازی اولین ایجنت و اجرای آن با متدهای Langchain Setting up First Agent & invoke it with Langchain methods

• درک پیام‌های پاسخ ایجنت و استخراج محتوای اصلی Understand the Agent response messages and extract the core content

• کوییز بخش دوم Section-2 Quiz

اهمیت ابزارهای LangChain و پیکربندی زمان اجرا؛ ساخت ایجنت‌ها با فراخوانی ابزار Importance of LangChain tools & Runtime config - Build AI Agents with Tool calls

• توابع ابزارهای LangChain چیستند؟ اجزای اصلی فریم‌ورک What are LangChain tools functions? - The core component in Framework

• درک پیاده‌سازی تابع ابزار؛ نحوه ساخت متادیتا Understand tool function implementation - How to construct metadata

• تحلیل خروجی ایجنت برای درک نحوه ارتباط ایجنت و ابزار Analyze the Agent output to understand how Agent and tool communication

• پیکربندی زمان اجرا (Run time Configuration) چیست و ایجنت‌ها چگونه آن را دریافت می‌کنند What is Run time Configuration and how Agents takes this config as input

• چگونه ابزار اطلاعات زمان اجرا را از Config دریافت می‌کند تا پاسخ پویا دهد How tool gets run time information from Config which helps for dynamic response

• کوییز بخش سوم Section-3 Quiz

پرامپت‌های سیستمی، ResponseSchema و مدیریت حافظه؛ اجزای اصلی Langchain System Prompts, ResponseSchema & MemoryManagement - Core components of Langchain

• پرامپت سیستمی چیست؟ چگونه رفتار ایجنت را در زمان اجرا تغییر می‌دهد What is System Prompt? How it can tweak Agent behaviour at run time

• درک Response Schema و نحوه هدایت ایجنت برای تولید پاسخ‌های سفارشی Understand Response Schema and how we can direct Agent to generate custom resp

• سفارشی‌سازی مدل برای تنظیم پارامترهای Temperature، Tokenها و Timeout Customize the Model to setup temperature, tokens & timeout parameters

• مدیریت حافظه در Langchain؛ نحوه حفظ حافظه در ایجنت‌های گفتگو محور Langchain Memory Management - How to preserve memory in conversation AI Agent

• کوییز بخش چهارم Section-4 Quiz

تکنیک‌های کامپوننت میان‌افزار؛ سفارشی‌سازی رفتار ایجنت هوش مصنوعی در هر مرحله Middleware Component Techniques - Customize AI Agent Behaviour at every Step

• اهمیت کامپوننت میان‌افزار (Middleware) در فریم‌ورک Langchain و کاربردهای آن Importance of Middleware component in Langchain Framework - Uses

• میان‌افزار؛ شرط‌گذاری برای ایجنت جهت انتخاب پویای مدل در زمان اجرا Middleware - Condition the Agent to dynamically select the Model at run time

• تعریف مدل جایگزین (Fallback Model) برای ایجنت با ModelFallbackMiddleware Define Fall back Model for your AI Agent with ModelFallbackMiddleware

• میان‌افزار خلاصه‌سازی برای هشدار به ایجنت جهت پاسخ‌های فشرده و کاهش مصرف توکن Summarization Middleware to Alert Agent for compact responses to save tokens

• استفاده از LLMToolSelector برای انتخاب مدل جهت فراخوانی ابزارها و کاهش هزینه LLMToolSelector to select the model for choosing tools - Save Agent model cost

• نحوه تنظیم Guardrails برای ایجنت جهت فیلتر کردن اطلاعات شخصی How you can setup Guardrails for AI Agent to filter Personal Information

• کوییز بخش پنجم Section-5 Quiz

مقدمه‌ای بر خط لوله RAG؛ درک معماری RAG با یکپارچه‌سازی ایجنت Introduction to RAG Pipeline -Understand RAG Architecture with Agent Integration

• درک معماری بازیابی تقویت شده (RAG) و اهمیت آن Understand the Retrieval Augmented Architecture - its importance

• دانلود اسناد Documents download

• Embedding چگونه کار می‌کند و چرا برای بازیابی محتوا از آن استفاده می‌کنیم How Embedding works & Why use Embedding for content retrieval

• درک خط لوله بازیابی و نحوه پیاده‌سازی آن در ایجنت Langchain Understand Retrieval Pipeline and how we can implement it in Langchain Agent

• کوییز بخش ششم Section-6 Quiz

بارگذاری اسناد، تقسیم به تکه‌ها و ساخت VectorStore با Embedding (مثال‌ها) Load Documents, Split into Chunks & Build VectorStores with Embedding -Examples

• تکه تکه کردن اسناد با RecursiveTextSplitter و درک ویژگی‌های پیکربندی آن Chunk the Documents with RecursiveTextSplitter and understand its config Props

• انتخاب VectorStore و بارگذاری محتوا با فرمت Embedding در خط لوله RAG Select VectorStore and load the content with Embeddding format in RAG pipeline

• درک نحوه عملکرد بازیابی با ویژگی‌های پیکربندی VectorSearch (مثال) Understand how retrieval works with VectorSearch configuration props -Example

• کوییز بخش هفتم Section-7 Quiz

ساخت راهکار RAG دو مرحله‌ای با Langchain از طریق بارگذاری چندین فایل PDF و Word Build 2 Step RAG solution with Langchain by loading Multiple PDF's & Word docs

• ساخت RAG دو مرحله‌ای؛ ایجاد میان‌افزار سفارشی برای بازیابی و فعال‌سازی RAG در ایجنت 2 Step RAG - Build Custom Middleware for retrieval and enable Agent with RAG

• بارگذاری چندین PDF در Vectorstore و بازیابی با یکپارچه‌سازی RAG لنگ‌چین Load Multiple PDF's into Vectorstore and retrieve with Langchain RAG Integration

• بارگذاری اسناد Word در Vectorstore و بازیابی با یکپارچه‌سازی RAG لنگ‌چین Load Word docs into Vectorstore and retrieve with Langchain RAG Integration

ساخت Agentic RAG با ابزارهای سرور MCP و ابزارهای Native لنگ‌چین (ایجنت End-to-End) Build Agentic RAG with MCP Server tools & Langchain Native tools - E2E Agent

• پروتکل زمینه مدل (MCP) چیست؟ مزایای استفاده از آن در سیستم‌های ایجنت هوش مصنوعی What is Model Context Protocol? Its advantages to use in AI Agent Systems

• راه‌اندازی سرور محلی MCP در سیستم برای پیاده‌سازی Agentic RAG Setting up MCP local server into local systems for RAG Agentic Implementation

• یکپارچه‌سازی ابزارهای MCP در Langchain و توانمندسازی ایجنت‌ها با این ابزارها Integrate MCP tools into Langchain and enable AI Agents with MCP tools

• پیاده‌سازی کامل (End-to-End) Agentic RAG با ابزارهای MCP و Langchain (مثال) End to End Agentic RAG Implementation with MCP tools & Langchain Tools - Example

خروجی ایجنت به LangGraph Visual Studio و LangSmith برای حالت UI، دیباگ و ردیابی Export Agent to LangGraph Visual Studio & LangSmith for UI Mode, Debug & Traces

• نصب و راه‌اندازی LangGraph Visual Studio و نمایش ایجنت به عنوان گره گراف Install & Setup LangGraph Visual Studio and expose AI Agent as Graph node

• یکپارچه‌سازی Langsmith و تعامل با ایجنت در حالت UI و دیباگ لاگ‌ها/ردیابی‌ها Integrate Langsmith & Interact with Agent in UI Mode & Debug Traces/logs

• جمع‌بندی نهایی؛ در این دوره چه آموختیم؟ Final recap Summary - what did we learn from this course ?

• نمایش نکاتی برای رزومه که می‌توانید پس از اتمام دوره اضافه کنید Resume showcase points you can add after course completion

یادگیری مبانی TypeScript Learn TypeScript Basics

• آموزش جامع جاوااسکریپت؛ یادگیری با مثال‌ها Comprehensive Tutorial on Javascript - Learn with examples

• درک تفاوت‌های بین TypeScript و JavaScript Understand the differences between TypeScript & JavaScript

• بررسی عمیق سینتکس‌های Type در TypeScript و کاربردهای آن‌ها - بخش اول Deep dive into TypeScript type syntaxes and their usage - 1

• بررسی عمیق سینتکس‌های Type در TypeScript و کاربردهای آن‌ها - بخش دوم Deep dive into TypeScript type syntaxes and their usage -2

درس هدیه (Bonus) Bonus Lecture

• درس هدیه Bonus Lecture