آموزش ساخت با هوش مصنوعی: ایجاد سیستم چند-عاملی آگاه از متن با استفاده از LLMها و MCP - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• شروع سریع ساخت عامل شخصی Quick start your own agent

• آشنایی با عامل‌های آگاه از متن Getting started with context-aware agents

1. مبانی MCP 1. MCP Foundations

• ارتقاء از چت‌بات‌های LLM به عامل‌های واقعی هوش مصنوعی Level up from LLM chatbots to true AI agents

• بهترین روش‌ها برای تعریف رفتار عامل Best practices for defining agent behavior

• MCP چیست و چرا اینقدر قدرتمند است What MCP is and why it’s so powerful

2. سرور MCP (ایرت ایبل و n8n) 2. The MCP Server (Airtable and n8n)

• همگام‌سازی تغییرات Airtable با سرور MCP Syncing Airtable changes with your MCP server

• بررسی محتوا و متن در Airtable Explore the context within Airtable

• اتصال به منبع داده خارجی Airtable Claim your Airtable external data source

• راه‌اندازی سرور MCP در n8n Set up your MCP server inside n8n

• درک اهمیت متن (Context) در MCP Get clear on the significance of context in MCP

• پیکربندی ابزارها برای سرور MCP Configure tools for your MCP server

• راه‌اندازی MCP سفارشی در Claude Desktop Set up a custom MCP inside Claude desktop

• نصب Node.js و NPX Install Node.js and NPX

• اتصال Airtable به n8n Connect Airtable to n8n

3. ساخت یک عامل هوش مصنوعی آگاه از متن 3. Building a Content-Aware AI Agent

• بررسی روش‌های بهبود سیستم Explore ways to improve the system

• آشنایی با پروژه‌های کلود (Claude Projects) Get to know Claude Projects

• پیش‌نمایش عامل هوش مصنوعی و تخمین ارزش آن Preview the AI agent and estimate its value

• تعریف دستورالعمل‌ها برای عامل هوش مصنوعی Define instructions for the AI agent

• بررسی خروجی‌های کلود در Airtable Explore the Claude outputs in Airtable

• اجرای یک عامل هوش مصنوعی آگاه از متن در کلود Execute a context-aware AI agent within Claude

جمع‌بندی Conclusion