آموزش مسترکلاس جامع Agentic AI فول‌استک: RAG، MCP و ایجنت‌های هوش مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

مقدمه دوره: چشم‌انداز Agentic AI، RAG، MCP و آینده Course Introduction: The Landscape of Agentic AI - RAG, MCP, and the Future

• مقدمه دوره: نمای کلی سیستم Agentic فول‌استک Course Introduction: Overview of the Full Stack Agentic System

• مشکل مدل‌های استاندارد AI: چرا ChatGPT/Gemini/Claude کافی نیستند؟ The Problem with Standard AI Models: Why ChatGPT/Gemini/Claude isn't enough

• آشنایی با RAG: درک تولید تقویت شده با بازیابی What is RAG? Understanding Retrieval Augmented Generation

• آشنایی با MCP: توضیح پروتکل کانتکست مدل What is MCP? The Model Context Protocol Explained

• نحوه عملکرد واقعی سرور MCP: بررسی عمیق معماری How MCP Server Actually Works: Architecture Deep Dive

• همکاری RAG و MCP: قدرت سیستم‌های ترکیبی How RAG + MCP Work Together: The Power of Combined Systems

• آیا RAG به تنهایی کافی است؟ محدودیت‌های بازیابی ساده و مقایسه RAG با RAG + MCP Is RAG Alone Sufficient? Limitations of Simple Retrieval! RAG Only vs RAG + MCP

• تکامل: از چت‌بات‌ها تا سیستم‌های Agentic The Evolution: From Chatbots to Agentic Systems

• آنچه در این دوره خواهید ساخت What You'll Build in This Course

• آماده‌سازی شغلی: سوالات معماری RAG و ایجنت‌ها Career Prep: RAG & Agent Architecture Questions

• دموی پروژه فول‌استک Agentic AI Agentic AI Full-Stack Project Demo

• منابع آموزشی Resources

• پیوستن به جامعه دیسکورد و یوتیوب ما Join our Discord and Youtube Community

راه‌اندازی محیط توسعه Setting up the Environment

• محیط توسعه: نصب Node.js و تنظیمات VS Code Development Environment - Install Node.js & VS Code Setup

• ساخت API Key برای Gemini AI Create Gemini-AI API Key

• ساخت API Key برای OpenAI (ChatGPT) Create OpenAI (ChatGPT) API Key

بررسی عمیق RAG: معماری، Embeddingها و جستجوی برداری Deep Dive into RAG: Architecture, Embeddings & Vector Search SEO

• مقدمه ماژول Module Introduction

• درک معماری RAG Understanding RAG Architecture

• نحوه عملکرد واقعی RAG در پشت صحنه How RAG Actually Works Behind the Scenes

• درک Embeddingها، بازیابی و تقویت Understanding Embeddings, Retrieval and Augmentation

ساخت یک چت‌بات مدرن AI: انگولار، نود جی‌اس و API جمینای Build a Modern AI Chatbot: Angular, NodeJS & Gemini API

• طراحی رابط چت (رابط کاربری Angular از طریق Vibe Coding) Designing the Chat Interface (Angular UI - via Vibe Coding)

• آماده‌سازی فرانت‌اند برای فراخوانی API Preparing Frontend for API calling

• ساخت و اجرای اپلیکیشن NodeJS (با ExpressJS) برای بک‌اند Create and Run NodeJS (with ExpressJS) App for Backend

• یکپارچه‌سازی API مدل‌های زبانی (Gemini) در NodeJS Integrating AI LLM (Gemini) API in NodeJS

• تست API در اپلیکیشن چت انگولار: گفتگو با AI Testing NodeJS API in Angular Chat App - Chat with AI

• منابع: دانلود سورس کد Resources: Source Code Download

بات پرسش و پاسخ RAG استاتیک: JSON، Embeddingها و شباهت کسینوسی Static RAG Q&A Bot - JSON, Embeddings & Cosine Similarity

• سیستم RAG استاتیک: ساخت بات پرسش و پاسخ با JSON و Gemini AI Static RAG - Building a Q&A Bot with JSON using Gemini AI

• پیاده‌سازی Text Embeddings، شباهت کسینوسی و امتیازدهی Implementing Text Embeddings, Cosine Similarity and scoring

• یکپارچه‌سازی LLM شرکت OpenAI برای پاسخ‌دهی Integrating OpenAI LLM for Answers

• تست بات پرسش و پاسخ با OpenAI Testing Q&A Bot with OpenAI for Answers

• آماده‌سازی مصاحبه: سوالات RAG و شباهت برداری Interview Prep: RAG & Similarity Questions

• منابع Resources

ساخت سرور MCP سفارشی: Node.js، API آب و هوا و فراخوانی ابزارها Building a Custom MCP Server: Node.js, Weather API & Tool Calling

• مقدمه ماژول: نقشه راه سرور MCP Module Introduction: The MCP Server Roadmap

• آماده‌سازی پروژه جدید NodeJS (TypeScript) Preparing a New NodeJS (TypeScript) Project

• یکپارچه‌سازی مدل AI (Gemini) در NodeJS Integrating AI Model (Gemini) in NodeJS

• آماده‌سازی APIهای سفارشی Prepare Custom APIs

• آماده‌سازی API آب و هوا: ابزاری در دنیای واقعی Preparing a Weather API - Real-World Tool

• بهینه‌سازی کد و Refactoring Code Optimization & Refactoring

• درک MCP: معماری و عملکرد Understanding MCP - Architecture & Functionality

• تفاوت Tool، Resource و Prompt در MCP Tool vs Resource vs Prompt in MCP

• درک لایه انتقال (Transport Layer) در MCP Understanding Transport Layer in MCP

• نبرد معماری: MCP در مقابل فراخوانی بومی ابزارها Architecture Battle: MCP vs. Native Tool Calling

• پیاده‌سازی Native Function Calling در Gemini (بدون MCP) Implementating Gemini Native Function Calling (without MCP)

• پیاده‌سازی Native Function Calling در OpenAI (بدون MCP) Implementating OpenAI Native Function Calling (without MCP)

• تست فراخوانی بومی ابزارهای OpenAI در فرانت‌اند Testing OpenAI Native Tool Calling in Frontend

• آماده‌سازی سرور MCP سفارشی و ثبت ابزارها (Tool Registry) Preparing the Custom MCP Server & Tool Registry

• پیاده‌سازی لایه انتقال و پیکربندی مسیرها برای ارتباط با AI Implementing Transport Layer and Configuring Routes for AI Communication

• بررسی عمیق معماری: نقش حیاتی کلاینت MCP Architecture Deep Dive: The Critical Role of the MCP Client

• آماده‌سازی کلاینت MCP و تست فراخوانی ابزار در Gemini Preparing MCP Client and Test MCP Tool Calling in Gemini

• یکپارچه‌سازی OpenAI: تطبیق کلاینت MCP برای مدل‌های GPT OpenAI Integration - Adapting the MCP Client for GPT Models

• تست فراخوانی ابزار MCP با مدل OpenAI GPT Testing MCP Tool Calling with OpenAI GPT Model

• آماده‌سازی مصاحبه: سوالات معماری MCP Interview Prep: MCP Architecture Questions

• منابع: دانلود سورس کد و فایل‌های PDF Resources: Source Code and PDFs Download

ساخت سیستم‌های Agentic AI (بخش اول): معماری و الگوها Building AI Agentic Systems (Part 1): Architecture & Patterns

• مقدمه ماژول: گذار به سمت Agentic AI Module Intro: The Shift to Agentic AI

• سیستم Agentic چیست؟ What is an Agentic System?

• دلیل چرایی: فراتر از چت‌بات‌های ساده (چرا Agentic؟) The "Why" - Beyond Simple Chatbots (Why Agentic)

• حلقه تصمیم‌گیری: چرا منطق‌های سخت‌افزاری (Hard Coded) شکست می‌خورند؟ The Decision Loop - Why Hard-Coded Logic Fails

• الگوی طراحی Agentic: پاس دادن RAG به عنوان یک ابزار The Agentic Design Pattern - Passing RAG as a Tool

• نبرد معماری: RAG در مقابل MCP در مقابل Agents Architecture Battle: RAG vs. MCP vs. Agents

• اکوسیستم: اپلیکیشن‌هایی که از MCP پشتیبانی می‌کنند The Ecosystem: Apps that Support MCP

• منابع: دانلود سورس کد و فایل‌های PDF Resources: Source Code and PDFs Download

درک دیتابیس‌های برداری (Vector Databases) Understanding Vector Databases

• مشکل حافظه: چرا AI به دیتابیس‌های برداری نیاز دارد؟ The Memory Problem: Why AI Needs Vector Databases?

• دیتابیس‌های برداری چه کاری انجام می‌دهند؟ What Vector Databases Do?

• ChromaDB چیست؟ What is ChromaDB?

• pgVector چیست؟ What is pgVector?

• مقایسه ChromaDB و pgVector: چه زمانی کدام را انتخاب کنیم؟ ChromaDB vs pgVector - When to Choose?

• منابع: دانلود سورس کدها یا PDFها Resources: Source Codes or PDFs Download

ساخت سیستم‌های Agentic AI (بخش دوم): بوت‌کمپ دیتابیس برداری Building AI Agentic Systems (Part 2) - Vector Database Bootcamp

• آماده‌سازی ساختار فایل‌ها و دارایی‌های داده‌ای (PDF/Doc) برای RAG Preparing File Structure and Data Assets (PDFs/Docs) for RAG

• پیکربندی ChromaDB در محیط محلی Configuring ChromaDB in Local Environment

• یکپارچه‌سازی ChromaDB در NodeJS: نوشتن کوئری‌های پویا Integrating ChromaDB in NodeJS - Writing Dynamic Queries

• خط لوله داده‌ها: ساخت اسکریپت ورود داده‌ها (Ingestion) Data Pipeline - Building the Ingestion Script

• پیکربندی PostgreSQL و pgVector برای macOS Configuring PostgreSQL & pgVector for MacOS

• پیکربندی PostgreSQL و pgVector برای ویندوز Configuring PostgreSQL & pgVector for Windows

• فعال‌سازی افزونه pgVector برای پیکربندی دیتابیس Enabling the pgVector Extension for Database Configuration

• اتصال اپلیکیشن NodeJS به pgVector Connecting NodeJS App to pgVector

• نوشتن کوئری‌های جستجوی برداری: SQL برای AI Writing Vector Search Queries - SQL for AI

ساخت سیستم‌های Agentic AI (بخش سوم): ترکیب MCP + RAG + LLMs Building AI Agentic Systems (Part 3) - MCP + RAG (pgvector & ChromaDB) + AI LLMs

• موتور RAG: کدنویسی منطق بازیابی The RAG Engine - Coding the Retrieval Logic

• آماده‌سازی RAG به عنوان یک ابزار و ثبت در MCP Preparing RAG as a Tool and registering in MCP

• تست سیستم: تایید گردش کار کامل Agentic با استفاده از Gemini System Test - Validating the Full Agentic Workflow using Gemini

• مستقل از مدل: تست منطق با OpenAI GPT Model Agnostic - Testing Logic with OpenAI GPT

• منابع: دانلود سورس کد و PDFها Resources: Source Code and PDFs Download

یکپارچه‌سازی MongoDB و معماری داده‌های عملیاتی MongoDB Integration and Production Data Architecture

• نمای کلی معماری MongoDB و استراتژی یکپارچه‌سازی MongoDB Architecture Overview and Integration Strategy

• نصب و پیکربندی MongoDB به صورت محلی در macOS Installing and Configuring MongoDB Locally on macOS

• نصب و پیکربندی MongoDB به صورت محلی در ویندوز Installing and Configuring MongoDB Locally on Windows

• ایجاد اتصال امن MongoDB در NodeJS Establishing a Secure MongoDB Connection in NodeJS

• مدل‌سازی داده‌های MongoDB: تنظیم شما و ورود داده‌ها از طریق MCP MongoDB Data Modeling - Schema Setup and Data Insertion via MCP

• بازسازی سرویس‌ها: مهاجرت از داده‌های نمایشی به MongoDB Refactoring Services - Migrating from Mock Data to MongoDB

• بهینه‌سازی شماهای MongoDB و پیاده‌سازی کوئری‌های پرسرعت Optimizing MongoDB Schemas and Implementing Performant Queries

• سورس کد پیوست شده Attached Source Code