مشکل زیرساخت شبکه و افت سرعت کاملاً برطرف شده است. در حال حاضر فعالسازی و آمادهسازی دورهها در حال انجام است. از صبر و شکیبایی شما سپاسگزاریم.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش توسعه عاملهای هوش مصنوعی (AI Agents) با DeepSeek
- آخرین آپدیت
دانلود Developing AI Agents with DeepSeek
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
اپلیکیشنهای هوش مصنوعی در حال تکامل هستند و از چتباتهای سنتی به سیستمهایی تبدیل شدهاند که میتوانند استدلال کنند، از ابزارها استفاده کنند، وضعیت (state) را مدیریت کنند و کارهای چندمرحلهای را انجام دهند. در این دوره جامع و کاربردی، شما توسعه عاملهای هوش مصنوعی با DeepSeek را خواهید آموخت. این دوره به توسعهدهندگان کمک میکند تا با استفاده از DeepSeek و الگوهای مدرن اپلیکیشنهای عاملمحور (Agentic)، عاملهای هوش مصنوعی را بسازند، کنترل کنند، ارزیابی کنند، ایمنسازی کنند و مستقر کنند.
شما با بررسی بنیادهای عاملهای هوش مصنوعی، از جمله جریانهای کاری عاملمحور (Agentic Workflows)، کنترل عامل، مدیریت وضعیت، الگوهای اجرا، ReAct، Plan-and-Execute، عاملهای Router، حلقههای اجرا، فراخوانی ابزارها (Tool Calling) و پروتکل کانتکست مدل (MCP) شروع خواهید کرد. سپس، به سراغ قابلیت اطمینان و کنترل عاملها میروید و با مدیریت وضعیت، پیشرفت تسکها، محدودیتهای تکرار، بازیابی از شکست، تاییدیه انسانی (Human-in-the-loop)، ابزارهای MCP متعدد، مدلهای محلی DeepSeek و مجموعهدادههای ارزیابی کار خواهید کرد.
در نهایت، ارزیابی خودکار پاسخها، دقت، مرتبط بودن، مستند بودن (Groundedness)، معیارهای موفقیت ابزارها، تزریق پرامپت (Prompt Injection)، نشت دادهها، سوءاستفاده از ابزارها، اندازه مدل و کوانتیزاسیون، نقاط اتصال (Endpoints) در FastAPI و Docker برای استقرار (Deployment) را بررسی خواهید کرد.
در پایان این دوره، شما قادر خواهید بود:
- عاملهای هوش مصنوعی، جریانهای کاری عاملمحور، الگوهای اجرا، وضعیت عامل و تفاوتهای بین چتباتها، جریانهای کاری و عاملها را توضیح دهید.
- عاملهای DeepSeek کنترلشده را با استفاده از حلقههای اجرا، فراخوانی ابزارها، یکپارچهسازی MCP، مدیریت وضعیت و ردیابی پیشرفت تسکها بسازید.
- مکانیزمهای قابلیت اطمینان و کنترل عامل را با استفاده از محدودیتهای تکرار، بازیابی از شکست، مرزهای اجرا و تاییدیه انسانی پیادهسازی کنید.
- اپلیکیشنهای DeepSeek را با استفاده از مجموعهدادههای ساختاریافته، بررسیهای خودکار پاسخها، دقت، مرتبط بودن و معیارهای موفقیت ابزارها ارزیابی کرده و ریسکهای تزریق پرامپت، نشت دادهها و سوءاستفاده از ابزارها را شناسایی کنید.
- اپلیکیشنهای DeepSeek را از طریق FastAPI و Docker با استفاده از اعتبارسنجی درخواستها، مدیریت خطاها، بررسیهای سلامت (Health Checks) و پیکربندیهای محیط تولید (Production) مستقر کنید.
این دوره برای توسعهدهندگان هوش مصنوعی، توسعهدهندگان پایتون، مهندسان بکاند، توسعهدهندگان هوش مصنوعی مولد (Generative AI)، مهندسان نرمافزار و هر کسی که میخواهد بداند عاملهای هوش مصنوعی قابل اطمینان و کنترلشده چگونه طراحی، ارزیابی، ایمنسازی و مستقر میشوند، طراحی شده است. اگر شما تازهکار در حوزه AI Agentic را هستید یا میخواهید مسیری کاربردی از یکپارچهسازی ساده DeepSeek تا ساخت عاملهای ابزار-محور و آماده استقرار، این دوره یک تجربه یادگیری هدایتشده را فراهم میکند.
پیشنیازها: تجربه बुनियादी در پایتون و مفاهیم هوش مصنوعی مولد. آشنایی با APIها، JSON، خط فرمان (CLI) و Docker کمککننده خواهد بود، همراه با اشتیاق برای تمرین از طریق توسعه، ارزیابی، تسترهای امنیتی و استقرار عاملهای هوش مصنوعی.
همین حالا ثبتنام کنید و بیاموزید چگونه عاملهای هوش مصنوعی کنترلشده، قابل اطمینان، ایمن و آماده استقرار را با DeepSeek توسعه دهید.
سرفصل ها و درس ها
ساخت عاملهای کنترلشده DeepSeek
Building Controlled DeepSeek Agents
مقدمه تخصصی
Specialization Intro
معرفی دوره
Course Introduction
عاملهای هوش مصنوعی و جریانهای کاری عاملمحور با DeepSeek
AI Agents and Agentic Workflows with DeepSeek
مدیریت وضعیت عامل و الگوهای اجرا
Agent State Management and Execution Patterns
پروژه عملی: ایجاد حلقه اجرای پایه برای عامل
Hands-On: Creating a Basic Agent Execution Loop
پروژه عملی: اتصال ابزارها به حلقه اجرای عامل
Hands-On: Connecting Tools to the Agent Loop
پروژه عملی: راهاندازی یک سرور MCP پایه
Hands-On: Setting Up a Basic MCP Server
پروژه عملی: اتصال DeepSeek به سرور MCP
Hands-On: Connecting DeepSeek to an MCP Server
پروژه عملی: افزودن وضعیت عامل و پیشرفت تسک
Hands-On: Adding Agent State and Task Progress
قابلیت اطمینان، کنترل و استقرار DeepSeek
Reliability, Control, and DeepSeek Deployment
پروژه عملی: افزودن محدودیتهای تکرار و بازیابی از شکست
Hands-On: Adding Iteration Limits and Failure Recovery
پروژه عملی: افزودن تاییدیه انسانی برای اقدامات حساس
Hands-On: Adding Human Approval for Sensitive Actions
پروژه عملی: نمایش و فراخوانی ابزارها از طریق MCP
Hands-On: Exposing and Calling Tools Through MCP
پروژه عملی: کار با ابزارهای متعدد از طریق MCP
Hands-On: Working with Multiple Tools Through MCP
مدلهای محلی DeepSeek و گزینههای استقرار
Local DeepSeek Models and Deployment Options
معماری ارزیابی، امنیت و استقرار
Evaluation, Security, and Deployment Architecture
پروژه عملی: ایجاد مجموعهداده ارزیابی DeepSeek
Hands-On: Creating a DeepSeek Evaluation Dataset
ارزیابی، ایمنسازی و استقرار اپلیکیشنهای DeepSeek
Evaluating, Securing, and Deploying DeepSeek Applications
نمایش نظرات