آموزش ساخت ابزارهای GenAI و سیستم‌های چند-عامل (Multi-Agent) برای تست نرم‌افزار - آخرین آپدیت

دانلود Build GenAI & Multi-Agent Systems Tools for Software Testing

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: 2026 - ساخت عامل‌های هوش مصنوعی قدرتمند و ابزارهای Multi-Agent برای جریان‌های کاری QA با استفاده از LangChain و AutoGen—به صورت کاملاً عملی و کاربردی! درک قدرت مدل‌های زبانی بزرگ (LLMs) در تست نرم‌افزار درک نحوه استفاده از LangChain برای تعامل با LLMها درک نحوه استفاده از LLMهای محلی با Ollama برای ساخت ابزارهای Agent با LangChain درک ساخت عامل‌های هوش مصنوعی، سیستم‌های Multi-Agent و ابزارهای تست نرم‌افزار درک قدرت AI Agentها در ساده‌سازی فرآیندهای تست نرم‌افزار پیش نیازها: دانش پایه پایتون یا هر زبان برنامه‌نویسی دیگر دانش پایه در کار با ChatGPT یا پرامپت‌های ساده

به دوره من خوش آمدید: ساخت ابزارهای GenAI و سیستم‌های Multi-Agent برای تست نرم‌افزار

در این دوره عملی، شما یاد می‌گیرید که چگونه از قدرت هوش مصنوعی مولد (Generative AI)، عامل‌های هوش مصنوعی (AI Agents) و سیستم‌های چند-عامل (Multi-Agent Systems) برای ساخت ابزارهای واقعی برای تست نرم‌افزار استفاده کنید. چه مهندس QA باشید، چه SDET یا توسعه‌دهنده‌ای که قصد ارتقای مهارت‌های اتوماسیون خود را دارد، این دوره شما را با تکنیک‌های کاربردی برای وارد کردن بهره‌وری مبتنی بر AI به چرخه حیات تست مجهز می‌کند.


امروزه مهندسان QA دیگر محدود به نوشتن تست کیس‌ها و بررسی دستی لاگ‌ها نیستند. با رشد سریع LLMها (مانند ChatGPT، LLaMA و Gemini) و فریم‌ورک‌هایی مانند LangChain و AutoGen، اکنون می‌توانید عامل‌های تست خودگردان بسازید، تحلیل لاگ‌ها را خودکار کنید و حتی سیستم‌های تست همکاری‌جویانه چند-عاملی ایجاد کنید. این دوره ابزارها، الگوها و مهارت‌های عملی لازم برای این جهش را در اختیار شما قرار می‌دهد.


در پایان این دوره، شما قادر خواهید بود:


  • درک مفاهیم بنیادی GenAI، عامل‌های هوش مصنوعی و سیستم‌های Multi-Agent

  • اجرای مدل‌های LLM متن‌باز قدرتمند به صورت محلی با استفاده از Ollama (بدون نیاز به API پولی)

  • استفاده از LangChain برای ساخت ابزارها و عامل‌های هوشمند جهت اتوماسیون QA

  • ساخت ابزارهای سفارشی برای خواندن PDFها، تجزیه لاگ‌ها و تولید تست کیس‌ها

  • ذخیره و پرس‌وجوی داده‌ها با استفاده از Vector Storeها و Embeddingها

  • ساخت یک عامل مبتنی بر RAG که لاگ‌ها را با استفاده از بازیابی محتوایی تحلیل می‌کند

  • توسعه یک عامل تولیدکننده تست کیس بر اساس نیازمندی‌های محصول

  • استفاده از Playwright همراه با عامل‌ها برای شبیه‌سازی وب‌اسکراپینگ و تست رفتار کاربر

  • مدیریت همکاری‌های چند-عاملی با استفاده از AutoGen و AutoGen Studio

  • طراحی عامل‌های کاملاً خودکار که نیازمندی‌ها را خوانده و تست کیس‌ها را خروجی می‌دهند

  • طراحی سیستم‌های QA چند-عاملی که جریان‌های کاری واقعی QA را با کمترین دخالت انسانی شبیه‌سازی می‌کنند


چرا این دوره منحصر به فرد است؟

بسیاری از دوره‌های AI بر روی چت‌بات‌ها یا وظایف زبانی تمرکز دارند. این دوره عمیقاً وارد چرخه حیات تست می‌شود و به شما نشان می‌دهد چگونه عامل‌های هوشمند و آگاه به متن (Context-aware) برای تضمین کیفیت نرم‌افزار بسازید. شما از تئوری فراتر رفته و ابزارهای واقعی می‌سازید که:


  • نیازمندی‌های شما را می‌خوانند

  • لاگ‌ها و نتایج تست را درک می‌کنند

  • اسکریپت‌های تست و گزارش‌های خلاصه تولید می‌کنند

  • به عنوان یک تیم از تسترهای AI با هم همکاری می‌کنند

همه این‌ها با استفاده از ابزارهای متن‌باز، مدل‌های محلی و کدهای کاربردی پایتون.


سرفصل ها و درس ها

معرفی دوره Introduction To Course

  • معرفی Introduction

مقدمه‌ای بر Gen AI، عامل‌های هوش مصنوعی و سیستم‌های چند-عاملی Introduction to Gen AI, AI Agents, Multi-Agent Systems

  • معرفی Introduction

  • مقدمه‌ای بر Gen AI Introduction to Gen AI

  • عامل‌های هوش مصنوعی (AI Agents) چیستند؟ What is AI Agents ?

  • پروتکل مدل کانتکست (MCP) چیست و دموی عملی What is Model Context Protocol and seeing a practical Demo

  • سیستم‌های چند-عاملی (Multi Agent Systems) چیستند؟ What is Multi-Agent Systems?

  • نمایش عملی سیستم چند-عاملی Multi-Agent System practical Demonstration

  • فریم‌ورک‌های مختلف برای ساخت AI Agent و سیستم‌های چند-عاملی Different Frameworks to build AI Agent, Multi-Agent Systems

  • سنجش دانش شما! Test your knowledge!

اجرای محلی LLMها با استفاده از Ollama Running LLMs locally using Ollama

  • معرفی Introduction

  • درک مدل‌های مختلف هوش مصنوعی Understanding different AI Models

  • اجرای محلی LLMها با استفاده از Ollama Running LLMs locally using Ollama

  • استفاده از مدل‌های Ollama در رابط گرافیکی (GUI) Using Ollama Models in GUI

  • درک Ollama با دستورات بیشتر خط فرمان Understanding Ollama with few more command line interface commands

  • راه اندازی Ollama به عنوان یک سرور API Starting Ollama with API to run as a API server

نصب و راه‌اندازی Installation and Setup

  • معرفی نصب Introduction to Installation

  • نصب Jupyter notebooks Installation of Jupyter notebooks

سورس کد به‌روزرسانی شده دوره (LangChain 1.0) ⚡️ LangChain 1.0 Upgraded Source code of Course ⚡️

  • سورس کد کامل تمامی بخش‌ها Complete Source code of all sections

تغییرات بنیادی در LangChain 1.0 ⚡️ LangChain 1.0 Breaking Changes⚡️

  • معرفی تغییرات LangChain 1.0 و تاثیر آن بر دوره! Introduction to LangChain 1.0 Breaking Changes and how it affects this course!

پایه: درک مفاهیم LangChain برای ساخت سیستم‌های تست نرم‌افزار AI Foundation - Understand LangChain Basics to build of AI Software Test Systems

  • معرفی LangChain Introduction to LangChain

  • مراحل LangChain برای تعامل با LLMهای محلی در Ollama LangChain Step for Ollama to interact with Local LLMs

  • تعامل با LLMهای محلی با استفاده از LangChain Interacting with Local LLMs with Ollama using LangChain

  • استریم کردن پیام‌ها با LangChain Message Streaming with LangChain

  • شروع تغییرات نسخه v1.0 در این بخش ⚡️ LangChain v1.0 Changes starting this section ⚡️

  • درک Prompt Templating برای پرامپت‌های قابل استفاده مجدد Understanding Prompt Templating for reusable Prompts

  • تغییرات LangChain 1.0 در فضای نام ChatPromptTemplate ⚡️ LangChain 1.0 Changes to ChatPromptTemplate namespace ⚡️

  • درک مکانیسم زنجیره‌سازی (Chaining) در LangChain Understanding Chaining Mechanism in LangChain

  • درک زنجیره‌سازی با Output Parsers Understanding Chaining with Output Parsers

  • سنجش دانش شما! Test your knowledge!

پایه: کار با خواندن و تجزیه اسناد خارجی Foundation - Working with External Document Reading and Parsing

  • معرفی Introduction

  • بارگذاری فایل‌های PDF نیازمندی‌ها (برای دانش LLM) Loading Requirement Document PDF files (Used for LLMs knowledge)

  • ذخیره مستندات نیازمندی‌ها در آرایه Storing Requirement Documentation in Array

  • تقسیم اسناد به تکه‌های (Chunks) کوچک‌تر Splitting Documents into smaller Chunks

  • تغییرات LangChain 1.0 در Text Splitter ⚡️ LangChain 1.0 changes in Text Splitter ⚡️

  • سنجش دانش شما! Test You knowledge !

پایه: ذخیره و بازیابی اسناد از Vector Storeها با LLMها Foundation - Storing and Retrieving Documents from Vector Stores with LLMs

  • معرفی Introduction

  • ساخت Embedding اسناد برای ذخیره در Vector Storeها Creating Embedding of Documents to store in Vector Stores

  • تغییرات LangChain 1.0 در دسترسی به Embedding ⚡️ LangChain 1.0 Changes in Accessing Embedding⚡️

  • ذخیره داده‌ها در Vector Storeها Storing Data in Vector Stores

  • بازیابی اسناد از Vector Storeها با استفاده از RetrievalQA Retrieving Document from Vector stores using RetrievalQA

  • بازیابی سند و تایید توانایی LLM در تولید داده‌های دقیق Retrieval of Document and verify if LLMs can generate fine data

  • تغییرات بازیابی اسناد از LLMها در LangChain 1.0 ⚡️ LangChain 1.0 Retrieval of Document from LLMs changes⚡️

  • سنجش دانش شما! Test you knowledge!

پایه: ساخت عامل‌های هوش مصنوعی و ابزارها Foundation - Building AI Agents and Tools

  • معرفی Introduction

  • عامل AI ویکی‌پدیا برای جستجوی آنلاین داده‌ها با LLMهای محلی Wikipedia AI Agent to search online for any data with Local LLMs

  • تغییرات ساخت AI Agent در LangChain 1.0 ⚡️ LangChain 1.0 - Changes in AI Agents Creation⚡️

  • ساخت عامل AI سفارشی ساده و ابزارهایی با دانش ریاضی Building Simple Custom AI Agent and Toolings with Math knowledge

  • فراخوانی ابزارهای متعدد برای عامل‌های AI با دانش ریاضی Calling Multiple Tools for AI Agents with Math knowledge

  • استفاده از متد Create Agent در LangChain 1.0 ⚡️ LangChain 1.0 - Using AI Agent with Create Agent Method ⚡️

  • سنجش دانش شما! Test your knowledge!

ساخت عامل AI وب‌اسکراپینگ با Playwright Tool Kit Building Web Scrapping AI Agent with Playwright Tool Kit

  • معرفی Introduction

  • راه‌اندازی ابزار Playwright با LangChain Setting up Playwright Tool with LangChain

  • دریافت تمامی ابزارهای داخل Playwright ToolKit Getting all the Tools inside Playwright ToolKit

  • کار با ابزارهای Playwright برای پیمایش و دریافت المان‌ها از UI Working with Playwright ToolKit tools to navigate and get elements from UI

  • ساخت عامل AI برای وب‌اسکراپینگ با ابزارهای Playwright Building AI Agent for Web Scrapping with Playwright Tools

  • تغییرات AI Agent در LangChain 1.0 هنگام استفاده از ابزارهای ناهمگام (Async) ⚡️ LangChain 1.0 - AI Agent changes while using asynchronous Tools ⚡️

  • سنجش دانش شما! Test your knowledge!

ساخت تجزیه‌کننده لاگ سفارشی به همراه عامل AI مبتنی بر RAG Building Custom Log Parser along with RAG AI Agent

  • معرفی Introduction

  • ساخت ابزار ساده تجزیه لاگ برای عامل AI Building Simple Log Parsing Tool for our AI Agent

  • افزودن ابزارهای سفارشی بیشتر در کنار ابزار تجزیه لاگ Adding More Custom Tools along with Log Parsing Tool

  • اجرای عامل AI با ابزار تجزیه لاگ سفارشی Running the AI Agent with Custom Log Parser Tool

  • ترکیب RAG در تجزیه‌کننده لاگ برای ذخیره لاگ‌ها در Vector Storeها Bringing RAG into Log Parser to Store the Logs into Vector Stores

  • ساخت ابزار همراه با عامل AI و RAG برای تجزیه لاگ Creating Tool with AI Agent along with RAG for Log Parsing

  • ارتقای کد به آخرین نسخه در LangChain 1.0 ⚡️ LangChain 1.0 - Upgrading code to latest version⚡️

  • سنجش دانش شما! Test your knowledge !

ساخت عامل AI تولیدکننده تست کیس Building Test Case Generator AI Agent

  • معرفی Introduction

  • ساخت ابزار تولید تست کیس برای عامل AI Building Test Case Generator Tool for AI Agent

  • اجرای عامل تولید تست کیس با LLMهای محلی Run Test Case Generator Agent with Local LLMs

  • استفاده از دو مدل LLM برای عامل‌ها و ابزارها جهت اجرای موازی Using two LLMs Model for Agents and Tools for Parallel Execution

  • استفاده از مدل Google Gemini به جای LLMهای محلی Ollama Using Google Gemini Model instead of Local LLMs with Ollama

  • نوشتن قابلیت‌های جمع‌آوری نیازمندی‌ها از ابزار خارجی در کد موجود Writing Requirement Gathering features from External tool in our existing code

  • اجرای عامل AI تولید تست کیس با نیازمندی‌های استخراج شده از PDF Running the Test Case Generator AI Agent with Requirement gathered from PDF

  • ارتقا به آخرین نسخه در LangChain 1.0 ⚡️ LangChain 1.0 - Upgrade to latest version⚡️

  • سنجش دانش شما! Test your knowledge !

سیستم‌های چند-عاملی Agentic با AutoGen و AutoGen Studio Agentic Multi-Agent System with AutoGen - AutoGen Studio

  • معرفی Introduction

  • نصب و شروع کار با AutoGen Studio (سیستم MultiAgent مبتنی بر UI) Installation, Getting started with AutoGen Studio - UI Based MultiAgent System

  • اجرای Session از گروه MultiAgent: UserProxyAgent, AIAssistant و WebSurfer Run Session from MultiAgent Group - UserProxyAgent, AIAssistant and WebSurfer

  • ساخت ابزارها در AutoGen Studio Creating Tools from AutoGen Studio

  • سنجش دانش شما Test your knowledge

ساخت تولیدکننده تست کیس چند-عاملی با AutoGen Building Agentic Multi-Agent Test Case Generator with AutoGen

  • معرفی و تنظیمات AutoGen برای Ollama Introduction, Setup of AutoGen for Ollama

  • ساخت AssistantAgent برای تولید تست کیس Creating AssistantAgent for Test Case Generation

  • ساخت UserProxyAgent و اجرای سیستم MultiAgent برای تولید تست کیس BDD Creating UserProxyAgent and Run the MultiAgent System to generate BDD Test case

ساخت تحلیل‌گر لاگ چند-عاملی با AutoGen Building Agentic Multi-Agent Log Analyzer with AutoGen

  • معرفی Introduction

  • ساخت Assistant Agent برای تحلیل‌گر لاگ Creating Assistant Agent for Log Analyser

  • ساخت User Proxy Agent و مدیر چت گروهی (Group Chat Manager) Creating User Proxy Agent and Group Chat Manager

  • اجرای سیستم MultiAgent با یک مدل واحد Running MultiAgent System with single Model

  • اجرای سیستم MultiAgent با مدل‌های متعدد Running MultiAgent System with Multi Model

درک و ساخت سرور MCP Understanding and Building MCP Server

  • معرفی Introduction

  • نصب کتابخانه‌های لازم برای ساخت سرور MCP Installation of libraries to build MCP Server

  • ساخت نمونه سرور MCP با FastMCP Creating MCP Server instance with FastMCP

  • افزودن ابزارها به MCP با استفاده از @mcp.tool() Adding Tools to your MCP with @mcp.tool()

  • اجرای سرور MCP و پیکربندی آن با Claude Desktop Running your MCP Server configuring it with Claude Desktop

  • ساخت سرور MCP خواننده سیستم فایل با FastMCP Building File System Reader MCP Server using FastMCP

  • پیکربندی سرور MCP با Claude Desktop و اجرا Configuring your MCP Server with Claude Desktop and running it

ساخت سرور Playwright MCP سفارشی Building Custom Playwright MCP Server yourselves !

  • معرفی Introduction

  • ساخت نمونه Playwright، مرورگر و صفحه برای سرور MCP Creating Playwright , Browser and Page Instance for your MCP Server

  • افزودن ابزارهای کلیک و پیمایش به سرور Playwright MCP Adding Click and Navigate Tools for your Playwright MCP Server

  • اجرای سرور Playwright MCP با پیکربندی در Claude Desktop Running Playwright MCP Server by configuring it with Claude Desktop

  • افزودن ابزار Fill و JavaScript Executor به سرور Playwright MCP Adding Javascript Executor and Fill Tool for your Playwright MCP Server

  • افزودن ابزارهای Get Text و Get Title به سرور Playwright MCP Adding Get Text, Get Title tool for your Playwright MCP Server

  • مقایسه کد FastMCP با پیاده‌سازی‌های Node Comparing the FastMCP Code with Node Implementations

  • اجرای کامل سرور سفارشی Playwright MCP با Claude Desktop Executing Fully powered Custom Playwright MCP Server with your Claude Desktop

  • سورس کد کامل Complete Source Code

دسترسی به سرور Playwright MCP در Docker از طریق Claude Accessing Playwright MCP Server running inside Docker Container via Claude

  • معرفی Introduction

  • دموی اجرای سرور MCP از سیستم فایل محلی در مقابل Docker Container Demo of Running MCP Server from Local FileSystem vs Docker Container

  • اصلاح سرور Playwright MCP با پشتیبانی از SSE Modifying Playwright MCP server with SSE Support

  • ساخت Docker File برای سرور Playwright MCP Creating Docker File for Playwright MCP Server

  • ساخت Docker Compose File برای سرور Playwright MCP Creating Docker Compose File for Playwright MCP Server

  • اجرای سرور Playwright MCP از داخل Docker Container Running Playwright MCP Server from Docker Container

  • سورس کد کامل Complete Source Code

گام‌های بعدی چیست؟ Whats Next ?

  • سفر بعدی شما در دنیای AI You next Journey in AI

نمایش نظرات

آموزش ساخت ابزارهای GenAI و سیستم‌های چند-عامل (Multi-Agent) برای تست نرم‌افزار
جزییات دوره
10.5 hours
102
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,671
4.5 از 5
دارد
دارد
دارد
Karthik KK
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Karthik KK Karthik KK

معمار نرم افزار ، مشاور ، Youtuber و بهترین فروشنده من Karthik K.K هستم من در مورد ابزارها و فن آوری های مختلف مشاوره ، وبلاگ نویسی و تحقیق انجام می دهم که علاقه من را برمی انگیزد. من بیش از 13 سال است که مشغول تست اتوماسیون نرم افزار هستم و علاقه من به یادگیری مطالب جدید که امکان اتوماسیون را فراهم می کند هرگز به خطر نیفتاده است. به دلیل اشتیاق من در تست اتوماسیون ، کاملاً در معرض ابزارها و زبانهایی قرار گرفتم دسک تاپ و وب: QTP ، سلنیوم ، Specflow ، VS Coded UI ، Ranorex ، Test Complete و Cucumber موبایل: Appium ، Robotium ، Calabash ، Espresso ، Selendroid زبان ها: C # ، Java ، Ruby ، Powershell ، Javascript ، VBScript ابزارهای ابری: لاجوردی ، بارانداز Misc Tools: Mockito ، مطمئن باشید ، Bound-Box ، FluentAutomation علاقه مند به: MVC ، چارچوب موجودیت ، LINQ ، جعلی ، استقرار توزیع شده ، SAAS