آموزش ابزارهای CrewAI، پروتکل MCP و سیستم‌های Agentic RAG - آخرین آپدیت

دانلود CrewAI Tools, MCP, and Agentic RAG

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این برنامه شما را با ابزارهای CrewAI، پروتکل MCP و Agentic RAG آشنا می‌کند که برای توسعه‌دهندگان و متخصصان هوش مصنوعی با هدف ساخت سیستم‌های چندعاملی (Multi-agent) هوشمند و آماده برای محیط عملیاتی طراحی شده است. شما با بررسی نحوه استفاده عامل‌ها از ابزارها برای تعامل با سیستم‌های خارجی، از جمله ابزارهای داخلی CrewAI و توسعه ابزارهای سفارشی برای جریان‌های کاری واقعی، شروع خواهید کرد. سپس، به سیستم‌های حافظه و دانش خواهید پرداخت و یاد می‌گیرید که عامل‌ها چگونه اطلاعات را در طول تعاملات ذخیره، بازیابی و اولویت‌بندی می‌کنند. شما با Agentic RAG آشنا خواهید شد تا عامل‌های دانش‌محور بسازید که داده‌های مرتبط را بازیابی کرده و پاسخ‌های دقیق و متناسب با متن (Context-aware) تولید می‌کنند. از طریق نمایش‌های عملی، سیستم‌هایی طراحی خواهید کرد که حافظه و بازیابی اطلاعات را برای بهبود قابلیت اطمینان و کاهش توهمات (Hallucinations) ترکیب می‌کنند. با پیشرفت در دوره، بر گسترش قابلیت‌های عامل‌ها با استفاده از پروتکل بافت مدل (Model Context Protocol - MCP) تمرکز خواهید کرد. یاد خواهید گرفت که عامل‌ها چگونه از طریق سرورهای MCP به صورت پویا ابزارها را کشف کرده و با آن‌ها تعامل می‌کنند که این امر امکان ارتباط ساختاریافته و طراحی سیستم‌های مقیاس‌پذیر را فراهم می‌کند. همچنین، کنترل دسترسی مبتنی بر نقش (RBAC)، احراز هویت و جریان‌های کاری امن را برای اطمینان از رفتار ایمن و کنترل‌شده عامل‌ها در محیط‌های واقعی پیاده‌سازی خواهید کرد. در پایان این برنامه، شما قادر خواهید بود: - تشخیص دهید که چگونه ابزارها قابلیت‌های عامل‌ها را گسترش داده و جریان‌های کاری ساختاریافته را در CrewAI فعال می‌کنند. - سیستم‌های حافظه و Agentic RAG را برای ساخت عامل‌های هوشمند و دانش‌محور به کار بگیرید. - نحوه بازیابی و استفاده عامل‌ها از دانش را برای بهبود دقت و کاهش توهمات تحلیل کنید. - پروتکل MCP را برای فعال‌سازی کشف پویا و ارتباط ساختاریافته عامل‌ها ادغام کنید. - سیستم‌های عاملی امن با مکانیزم‌های کنترل دسترسی مبتنی بر نقش و احراز هویت طراحی کنید. - جریان‌های کاری چندعاملی مقیاس‌پذیر با ترکیب ابزارها، حافظه، MCP و بازیابی اطلاعات توسعه دهید. این برنامه برای توسعه‌دهندگان، مهندسان هوش مصنوعی و متخصصان فنی علاقه‌مند به ساخت سیستم‌های عاملی پیشرفته و جریان‌های کاری خودکارسازی هوشمند ایده‌آل است. تجربه قبلی در برنامه‌نویسی پایتون و مفاهیم پایه هوش مصنوعی به حداکثر رساندن تجربه یادگیری شما کمک می‌کند. آموزش‌گیرندگان به یک اتصال اینترنت پایدار، یک مرورگر وب مدرن و دسترسی به ابزارهای توسعه پایتون نیاز دارند. این دوره از CrewAI و فناوری‌های مرتبط استفاده می‌کند که نیاز به سخت‌افزار خاص ندارند. آشنایی اولیه با APIها و پایتون توصیه می‌شود. به ما بپیوندید و ساخت عامل‌های هوشمندی را یاد بگیرید که می‌توانند با ابزارها تعامل کنند، دانش را حفظ کنند، به صورت امن عمل کنند و سیستم‌های هوش مصنوعی دنیای واقعی را در مقیاس بالا مدیریت کنند.

سرفصل ها و درس ها

ابزارسازی عامل‌ها و یکپارچه‌سازی با CrewAI Agent Tooling and Integration with CrewAI

  • معرفی تخصص Specialization Introduction

  • مقدمه دوره Course Introduction

  • مرور اکوسیستم ابزارهای CrewAI CrewAI Tool Ecosystem Overview

  • نمایش عملی: ساخت ابزار تحقیق وب با SerperDevTool و ScrapeWebsiteTool Demonstration: Building a Web Research Tool with SerperDevTool and ScrapeWebsiteTool

  • نمایش عملی: تشکیل تیم (Crew) و تفسیر نتایج Demonstration: Assembling the Crew and Interpreting Results

  • نمایش عملی: جریان کاری گزارش فروش با ابزارهای داده‌ای CrewAI Demonstration: Sales Reporting Workflow with CrewAI Data Tools

  • نمایش عملی: اجرای جریان کاری فروش CrewAI و تحلیل نتایج Demonstration: Running the CrewAI Sales Workflow and Analyzing the Results

  • ساخت ابزارهای سفارشی با استفاده از دکوراتور @tool Creating Custom Tools with @tool Decorator

  • نمایش عملی: توسعه ابزارهای تحلیل بازار کار برای عامل‌های CrewAI Demonstration: Developing Job Market Analysis Tools for CrewAI Agents

  • نمایش عملی: تشکیل تیم هوش بازار کار Demonstration: Assembling the Job Market Intelligence Crew

  • نمایش عملی: اجرای جریان کاری هوش بازار کار Demonstration: Executing the Job Market Intelligence Workflow

  • ابزارهای یکپارچه‌سازی API برای عامل‌ها API Integration Tools for Agents

  • نمایش عملی: طراحی جریان‌های کاری زنجیره‌ای عامل‌ها با Tool Hooks Demonstration: Designing Chained Agent Workflows with Tool Hooks

  • نمایش عملی: اجرای جریان خبری زنجیره‌ای و تولید یادداشت تحریریه Demonstration: Running the Chained News Workflow and Generating the Editorial Memo

سیستم‌های حافظه و دانش برای عامل‌های هوشمند Memory and Knowledge Systems for Intelligent Agents

  • مبانی و کاربرد حافظه در CrewAI CrewAI Memory Fundamentals and Usage

  • نمایش عملی: شروع کار با حافظه یکپارچه CrewAI در یک جریان کاری مستقل Demonstration: Getting Started with CrewAI Unified Memory in a Standalone Workflow

  • نمایش عملی: بازیابی، جستجو و بستن حافظه یکپارچه CrewAI Demonstration: Recalling, Exploring, and Closing CrewAI Unified Memory

  • معماری پیشرفته حافظه در CrewAI Advanced Memory Architecture in CrewAI

  • نمایش عملی: پیکربندی حافظه CrewAI با تنظیمات سفارشی LLM و Embedder Demonstration: Configuring CrewAI Memory with Custom LLM and Embedder Settings

  • نمایش عملی: پیوست کردن حافظه اختصاصی نقش به عامل‌ها Demonstartion: Attaching Role-Specific Memory to Agents

  • نمایش عملی: مدیریت ذخیره‌سازی، محدوده (Scope) و پایداری حافظه CrewAI Demonstration: Managing CrewAI Memory Storage, Scopes, and Persistence

  • منابع دانش و Agentic RAG Knowledge Sources and Agentic RAG

  • نمایش عملی: ساخت یک عامل RAG مستقل با منابع دانش CrewAI Demonstration: Building a Standalone RAG Agent with CrewAI Knowledge Sources

  • نمایش عملی: هماهنگ‌سازی جریان کاری RAG: وظایف، دانش مشترک و خروجی نهایی Demonstration: Orchestrating the RAG Workflow: Tasks, Shared Knowledge, and Final Output

گسترش عامل‌ها با پروتکل بافت مدل (MCP) Extending Agents with Model Context Protocol (MCP)

  • مقدمه‌ای بر پروتکل بافت مدل (MCP) Introduction to Model Context Protocol (MCP)

  • نمایش عملی: کشف و استفاده از ابزارهای MCP از طریق کاوش سرور Demonstration: Discovering and Using MCP Tools via Server Exploration

  • نمایش عملی: طراحی یک سرور MCP برای ارائه ابزارهای خبری پویا Demonstration: Designing an MCP Server to Expose Dynamic News Tools

  • نمایش عملی: کشف ابزار MCP و خروجی گزارش صبحگاهی مبتنی بر عامل Demonstration: MCP Tool Discovery and Agent-Driven Morning Briefing Output

  • درک مدل سرور-کلاینت در MCP Understanding the MCP Server–Client Model

  • نمایش عملی: ساخت یک جریان کاری تحقیق با استفاده از فیلد MCP در CrewAI Demonstration: Building a Research Workflow Using MCPs Field in CrewAI

  • نمایش عملی: طراحی یک سرور MCP تحقیقاتی با ابزارهای سفارشی در CrewAI Demonstration: Designing a Research MCP Server with Custom Tools in CrewAI

  • نمایش عملی: اجرای خط لوله (Pipeline) تحقیقاتی مبتنی بر MCP در CrewAI Demonstration: Running an MCP-Driven Research Pipeline in CrewAI

  • روش‌های ادغام MCP در CrewAI MCP Integration Approaches in CrewAI

  • نمایش عملی: کنترل دسترسی مبتنی بر نقش در MCP: رفتار عامل تازه‌کار در مقابل ارشد Demonstration: Role-Based Access Control in MCP: Junior vs Senior Agent Behavior

  • نمایش عملی: ایمن‌سازی ابزارهای MCP با اعتبارسنجی توکن و کنترل دسترسی Demonstration: Securing MCP Tools with Token Validation and Access Control

  • نمایش عملی: تحلیل رفتار عامل تحت محدودیت‌های دسترسی MCP Demonstration: Analyzing Agent Behavior Under MCP Access Restrictions

جمع‌بندی دوره و ارزیابی Course Wrap-Up and Assessment

  • خلاصه‌ی دوره Course Summary

نمایش نظرات

آموزش ابزارهای CrewAI، پروتکل MCP و سیستم‌های Agentic RAG
جزییات دوره
10h 47m
37
(آخرین آپدیت)
55
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده