آموزش بوتکمپ جامع MCP: ساخت ایجنتهای هوش مصنوعی نسل جدید با MCP - آخرین آپدیت
دانلود Complete MCP Bootcamp: Build Next-Gen AI Agents with MCP
پروتکل کانتکست مدل (MCP) در حال تغییر نحوه عملکرد سیستمهای مدرن هوش مصنوعی است. این یک استاندارد نوظهور است که به مدلهای زبانی بزرگ (LLMs) اجازه میدهد به صورت هوشمند با ابزارهای خارجی، APIها و منابع داده تعامل داشته باشند. با یادگیری MCP، شما متوجه خواهید شد که چگونه کانتکست بین مدلهای هوش مصنوعی و محیط آنها جریان مییابد و امکان ایجاد سیستمهای واقعاً автоном و آگاه به متن فراهم میشود.
این دوره، بوتکمپ جامع Model Context Protocol (MCP)، درکی عمیق از نحوه عملکرد MCP و چگونگی پیادهسازی موثر آن در اپلیکیشنهای واقعی هوش مصنوعی ارائه میدهد. شما معماری MCP، نقش آن در اکوسیستم Agentic AI و نحوه ادغام آن با فریمورکهایی مانند LangChain، LangGraph و CrewAI را بررسی خواهید کرد. این دوره کاملاً کاربردی و پروژه-محور است و برای متخصصانی طراحی شده است که میخواهند جریانهای کاری پیشرفته هوش مصنوعی را بسازند.
آشنایی با پروتکل کانتکست مدل (MCP):
درک اینکه MCP چیست و چرا معرفی شد.
یادگیری اینکه MCP چگونه نحوه ارتباط و اشتراکگذاری اطلاعات LLMها را تغییر میدهد.
بررسی مشکلاتی که MCP در توسعه مدرن هوش مصنوعی مولد حل میکند.
مفاهیم کلیدی و معماری:
مطالعه اجزای اصلی MCP، شامل مدلها، ابزارها و لایههای کانتکست.
درک نحوه نمایش، مدیریت و تبادل کانتکست.
یادگیری اصول طراحی که MCP را مقیاسپذیر و قابل گسترش میکند.
ساخت سیستمهای هوش مصنوعی با MCP:
پیادهسازی جریانهای کاری مبتنی بر MCP با استفاده از پایتون.
اتصال مدلهای زبانی به APIها و پایگاههای داده دنیای واقعی.
ایجاد اپلیکیشنهای آگاه به متن قادر به بازیابی و استدلال با دادههای زنده.
ساخت سیستمهای بازیابی تقویت شده (RAG) که بازیابی دانش و تولید پاسخ را ادغام میکنند.
ادغام با فریمورکهای پیشرو:
استفاده از MCP با LangChain برای ارتقای خط لولههای RAG.
ادغام MCP با LangGraph برای استدلالهای مبتنی بر گراف و حالتمند (Stateful).
ترکیب MCP با CrewAI برای ایجاد معماریهای چند-ایجنت.
درک نحوه عملکرد MCP با LLMهای متنباز و ابری مانند OpenAI، Anthropic و Mistral.
پروژههایی که خواهید ساخت:
پروژه ۱: ساخت یک دستیار هوش مصنوعی آگاه به متن با استفاده از MCP.
پروژه ۲: اتصال یک LLM به APIهای دنیای واقعی از طریق MCP.
پروژه ۳: ایجاد یک سیستم RAG автоном با LangChain و MCP.
پروژه ۴: توسعه یک جریان کاری چند-ایجنت با استفاده از CrewAI و MCP.
پروژه ۵: استقرار یک سیستم هوش مصنوعی قدرت گرفته از MCP با استفاده از Docker و GitHub Actions.
امنیت، استقرار و بهینهسازی:
یادگیری بهترین روشها برای ایمنسازی ارتباطات و پیکربندیهای MCP.
راهاندازی محیطها با Docker و VS Code برای جریانهای کاری تکرارپذیر.
خودکارسازی استقرار و تست با GitHub Actions.
چه کسانی باید در این دوره شرکت کنند:
مهندسان هوش مصنوعی که به دنبال ساخت سیستمهای آگاه به متن و автоном هستند.
دانشمندین داده و توسعهدهندگان ML که در حال بررسی معماریهای Agentic AI هستند.
مهندسان نرمافزار که میخواهند LLMها را به APIها و ابزارهای خارجی متصل کنند.
پژوهشگران و دانشجویان علاقهمند به تکامل مهندسی کانتکست.
دستاوردهای کلیدی یادگیری:
کسب درک کامل از نحوه فعالسازی ارتباط ساختاریافته مدل-به-ابزار توسط MCP.
یادگیری نحوه طراحی و استقرار سیستمهای هوشمند که از کانتکست پویا استفاده میکنند.
کسب تجربه عملی از طریق چندین پروژه جامع (End-to-End).
تسلط بر ادغام MCP با فریمورکهای مورد استفاده در توسعه مدرن هوش مصنوعی.
تکنولوژیها و ابزارهای پوشش داده شده:
Model Context Protocol (MCP)
LangChain, LangGraph, CrewAI
Python, OpenAI, Mistral, Anthropic
پایگاههای داده برداری (FAISS, Chroma, Pinecone)
Docker, GitHub Actions, VS Code
درباره مدرس:
Krish Naik دارای بیش از ۱۳ سال تجربه در صنعت تحلیل داده و هوش مصنوعی و بیش از ۷ سال تجربه تدریس یادگیری ماشین، یادگیری عمیق، NLP و هوش مصنوعی مولد است. او که به رویکرد تدریس عملی و کاربردی مشهور است، میلیونها یادگیرنده را برای تسلط بر مفاهیم واقعی هوش مصنوعی و علوم داده آموزش داده است.
در پایان این دوره، شما مهارتهای لازم برای طراحی، پیادهسازی و استقرار سیستمهای هوش مصنوعی قدرت گرفته از MCP را خواهید داشت. شما درک خواهید کرد که MCP چگونه ارتباطات مدل را بازتعریف میکند، چگونه سیستمهای RAG را تقویت میکند و چگونه ایجاد اپلیکیشنهای Agentic AI هوشمند، متصل و مقیاسپذیر را ممکن میسازد.
همین امروز ثبتنام کنید و یکی از اولین متخصصانی باشید که بر Model Context Protocol — پایه و اساس نسل بعدی توسعه هوش مصنوعی — مسلط میشوند.
پروتکل کانتکست مدل (MCP) Model Context Protocol
-
مقدمهای بر MCP Introduction To MCP
-
اجزای مهم MCP Important Components Of MCP
-
ارتباط بین اجزای MCP Communication Between MCP Components
شروع کار با Claude Desktop و Cursor IDE Getting Started With Claude Desktop And Cursor IDE
-
مقدمه و بررسی کلی Introduction And Overview
-
دموی سرورهای MCP با Claude Desktop DEMO Of MCP Servers With Claude Desktop
-
نصب و بررسی Cursor IDE Cursor IDE Installtion And Overview
-
شروع کار با Smithery AI Getting Started With Smithery AI
-
مقدمه و مرور کلی Introduction & Overview
-
نصب Claude برای دسکتاپ Install Claude for Desktop
-
راهاندازی دایرکتوریها و فایلهای پروژه Setup Project Directories and Files
-
تمرین عملی MCP Server با پایتون MCP Server Python Practical
-
نحوه اتصال سرور به Claude Desktop و تست آن How to Connect Your Server To Claude Desktop and Test it
راهاندازی MCP Server در Cursor IDE Cursor IDE MCP Server Setup
-
راهاندازی Cursor IDE Cursor IDE Setup
-
نحوه اتصال سرور به Cursor IDE و تست آن How to Connect Your Server To Cursor IDE and Test it
نحوه ساخت MCP Client اختصاصی با پایتون و Google Gemini API How to build Your Own MCP Client using Python & Google Gemini API
-
بررسی کلی و نحوه دریافت رایگان کلید API Gemini Overview & How to Get Free Gemini API Key
-
راهاندازی دایرکتوریها، فایلها و نصب SDK گوگل GenAI Setup Project Directories, Files & Install Google-GenAI SDK
-
بررسی خط به خط کد پایتون MCP Client MCP Client Python Code Walkthrough
-
تست MCP Client با MCP Server Test Your MCP Client with Your MCP Server
نحوه ساخت Docker MCP Server How to build Docker MCP Server
-
مقدمهای بر داکر و چرا به آن نیاز داریم؟ Introduction to Docker & Why we need it?
-
راهاندازی Docker Docker Setup
-
کانتینری کردن MCP Server با داکر و تست Containerized your MCP Server Using Docker & Test
استفاده از LangChain MCP Client و آداپتورهای آن LangChain MCP Client using LangChain MCP Adapters
-
معرفی آداپتورهای LangChain MCP Introduction of LangChain MCP Adapters
-
سادهسازی کد کلاینت با LangGraph و آداپتورهای LangChain MCP Simplify client code with LangGraph & LangChain MCP Adapters
ساخت MCP Client با پشتیبانی از چندین سرور MCP Client with Multiple Server Support
-
مقدمهای بر سرورهای چندگانه Introduction to Multiple server
-
کدنویسی و تست MCP Client با پشتیبانی از چندین سرور MCP Client with Multiple Server Support Code & Test
پیادهسازی MCP Server و Client با استفاده از SSE MCP Server and Client using SSE
-
مقدمه و بررسی کلی SSE Introduction to SSE and Overview
-
راهاندازی دایرکتوریها و پروژه Setup Directories & Project
-
بررسی کد MCP SSE Server MCP SSE Server Code Walkthrough
-
بررسی کد MCP SSE Client MCP SSE Client Code Walkthrough
-
داکری کردن MCP Server Dockerizing MCP Server
-
تست محلی MCP SSE Server و Client Test your MCP SSE Server and Client Locally
استقرار MCP Server در پلتفرم ابری AWS Deploying MCP Server to AWS Cloud Platform
-
ساخت حساب AWS Create an AWS Account
-
نحوه ایجاد Instance EC2 How to create EC2 instance
-
نحوه نصب داکر در EC2 How to install Docker in EC2
-
استقرار MCP SSE Server Deploy MCP SSE Server
-
تست MCP SSE Server Test MCP SSE Server
پروژه: ایجنت آب و هوای لحظهای با MCP و MCP Inspector Project: Real Time Weather Agent using MCP and MCP Inspector
-
مقدمهای بر پروژه Introduction to Project
-
ساختار پوشهبندی پروژه Project folder structure
-
راهاندازی پروژه Project Setup
-
توسعه پروژه Project Development
پروژه: سیستم پیشنهاد شغل لحظهای Project: Real Time Job Recommendation System
-
مقدمهای بر پروژه Introduction to Project
-
ساختار پوشهبندی پروژه Project folder structure
-
راهاندازی پروژه Project Setup
-
توسعه سیستم System Development
-
توسعه اپلیکیشن App Development
-
توسعه و تست MCP MCP Development & Test
پروژه: ایجنت StoryForge Project: StoryForge Agent
-
مقدمهای بر پروژه Introduction to Project
-
معماری پروژه Project Architecture
-
راهاندازی پروژه Project Setup
-
نحوه دریافت کلیدهای API How to get API keys
-
توسعه توابع - بخش اول Functions Development - Part 1
-
توسعه توابع - بخش دوم Functions Development - Part 2
-
توسعه ابزارهای MCP MCP Tools Development
-
تست اپلیکیشن و دموی نهایی Test Your App & Final Demo
پروژه: هوش مصنوعی Clinisight Project: Clinisight AI
-
مقدمهای بر پروژه Introduction to Project
-
معماری پروژه Project Architecture
-
راهاندازی پروژه Project Setup
-
نحوه دریافت کلیدهای API How to get API keys
-
استخراج علائم و تشخیص بیماری Symptom Extractor and Diagnosis
-
دریافت مقالات پزشکی PubMed Get PubMed Medical Articles
-
خلاصهساز مقالات Articles Summarizer
-
ایجاد Endpoint با FastAPI FastAPI Endpoint
-
توسعه و تست ابزارهای MCP MCP Tools Development & Test
ساخت ایجنت با Google Development Kit (ADK) Build Agent with Google Developement Kit (ADK)
-
ADK چیست؟ What is ADK?
-
دموی سریع ایجنت Quick Demo of the agent
-
معماری ایجنت Architecture of the Agent
-
ساختار پوشهبندی ایجنت Agent folder structure
-
راهاندازی Google ADK Google ADK Setup
-
کلید API Gemini Gemini API Key
-
توسعه ایجنت با ADK Agent Development with ADK
KRISHAI Technologies Private Limited
DS with Bappy
نمایش نظرات