آموزش عامل‌های هوش مصنوعی و جریان‌های کاری Agentic با Spring AI، MCP و جاوا - آخرین آپدیت

سرفصل ها و درس ها

مقدمه دوره و نقشه راه Course Introduction & Roadmap

• آنچه خواهید آموخت What You Will Learn

مبانی LLM و راه‌اندازی محلی LLM Fundamentals & Local Setup

• مقدمه‌ای بر هوش مصنوعی مولد Introduction to Generative AI

• درک LLMها و پارامترهای اصلی Understanding LLMs & Core Parameters

• آشنایی با Ollama Introduction to Ollama

• *** سورس کد و مخزن پروژه در گیت‌هاب *** Source Code & GitHub Project Repository ***

• اجرای Ollama با استفاده از داکر Running Ollama Using Docker

• اجرای مدل‌ها به صورت محلی با Ollama Running Models Locally with Ollama

• ساخت کلید API برای OpenAI Creating an OpenAI API Key

• ساخت کلید API برای Gemini Creating a Gemini API Key

Spring AI: یکپارچه‌سازی LLM Spring AI: LLM Integration

• مقدمه‌ای بر ChatClient Introduction to ChatClient

• ماهیت غیرقطعی (Non-Deterministic) مدل‌های LLM LLMs Are Non-Deterministic

• بحث ساختار پروژه Playground Playground Project Structure Discussion

• راه‌اندازی پروژه Playground Playground Project Setup

• اولین تعامل با LLM First LLM Interaction

• رویکرد یادگیری: شروع از ساده‌ترین حالت Learning Approach: Start Simple

• دموی اولین تعامل با LLM First LLM Interaction Demo

• توضیح: کدام پروفایل Spring استفاده شود Clarification: Which Spring Profile to Use

• پیاده‌سازی پاسخ‌های استریمینگ (Streaming) Implementing Streaming Responses

• توضیح: چرا برای دموها از JUnit استفاده می‌کنیم Clarification: Why We Use JUnit for Demos

• مروری بر توکن‌های LLM LLM Tokens Overview

• دموی توکنایزر OpenAI OpenAI Tokenizer Demo

• درک متادیتا، توکن‌ها و محدودیت‌های نرخ (Rate Limits) Understanding Metadata, Tokens, and Rate Limits

• اختیاری: حداکثر توکن‌ها (Max Tokens) OPTIONAL: Max Tokens

• اختیاری: تنظیم خلاقیت با پارامتر Temperature OPTIONAL: Fine-Tuning Creativity with Temperature

• پیکربندی تنظیمات پیش‌فرض ChatOptions Configuring Default ChatOptions

• انتخاب دینامیک مدل در زمان اجرا Dynamic Model Selection at Runtime

• پیکربندی Beanهای چند-مدلی Configuring Multi-Model Beans

• کار با ارائه‌دهندگان مدل‌های مختلف Working with Multi-Model Providers

• خروجی ساختاریافته بومی (Native Structured Output) Native Structured Output

• خروجی ساختاریافته: نگاشت تک-موجودی Structured Output: Single Entity Mapping

• خروجی ساختاریافته: نگاشت چند-موجودی Structured Output: Multiple Entity Mapping

• نگاشت چند-موجودی: مشکل OpenAI و راه حل جایگزین Multiple Entity Mapping: OpenAI Issue and Workaround

• مفهوم کلیدی: پرامپت‌های سیستمی Core Concept: System Prompts

• دموی پیاده‌سازی پرامپت سیستمی System Prompt Implementation Demo

• پرامپت‌های سیستمی پیش‌فرض Default System Prompts

• کانتکست دینامیک با قالب‌های پرامپت (Prompt Templates) Dynamic Context with Prompt Templates

• دموی قالب‌های پرامپت Prompt Templates Demo

• تمرین دوره: موتور پیشنهاد دهنده فیلم COURSE ASSIGNMENT: Movie Recommender Engine

• عیب‌یابی مشکل پیشنهاد فیلم Troubleshooting the Movie Recommendation Issue

• مهندسی پرامپت: بهبود تکرار شونده Prompt Engineering: Iterative Refinement

• رفع مشکل پیشنهاد فیلم Movie Recommendation Issue Fix

• خلاصه بخش و نکات کلیدی Section Summary & Key Takeaways

Spring AI: مدیریت کانتکست و Advisors Spring AI: Context Management & Advisors

• مقدمه‌ای بر Advisors Introduction to Advisors

• پیاده‌سازی Advisor سفارشی Custom Advisor Implementation

• درک پارامترهای Advisor Understanding Advisor Parameters

• یک Advisor ساده برای لاگ‌گیری Simple Logger Advisor

• درک نقش‌های پیام (Message Roles) Understanding Message Roles

• دموی نقش‌های پیام Message Roles Demo

• نحوه عملکرد ChatMemory How ChatMemory Works

• نکته: تغییرات ساختاری در Spring AI 2.0 NOTE: Spring AI 2.0 Breaking Change

• دموی ChatMemory ChatMemory Demo

• چرا شناسه‌های گفتگو (Conversation IDs) مهم هستند Why Conversation IDs Matter

• دموی گفتگوهای موازی Parallel Conversations Demo

• خلاصه بخش و نکات کلیدی Section Summary & Key Takeaways

Spring AI: آزمون عملی Spring AI: Practice Test

• آزمون عملی Spring AI Spring AI Practice Test

ساخت میکروسرویس‌های مبتنی بر هوش مصنوعی Building AI-Powered Microservices

• TalentFlow: بررسی کلی اپلیکیشن TalentFlow: Application Overview

• مرور ساختار پروژه چند-ماژوله Multi-Module Project Structure Overview

• بررسی سرویس کاندیدا (Candidate Service) Exploring Candidate Service

• بررسی سرویس شغل (Job Service) Exploring Job Service

• مشاور شغلی: بحث معماری Career Advisor: Architecture Discussion

• مشاور شغلی: راه‌اندازی پروژه Career Advisor: Project Setup

• پیاده‌سازی کلاینت‌های شغل و کاندیدا Implementing Job and Candidate Clients

• پرامپت‌های مشاور شغلی Career Advisor Prompts

• توضیح: آیا وظایف تکراری داریم؟ Clarification: Do we have duplicate tasks?

• پیاده‌سازی API جستجوی شغل: بخش اول Find Jobs API Implementation: Part 1

• پیاده‌سازی API جستجوی شغل: بخش دوم Find Jobs API Implementation: Part 2

• پیاده‌سازی API مقایسه شغل‌ها Compare Jobs API Implementation

• پیاده‌سازی API تولید رزومه Generate Resume API Implementation

• پیکربندی مشاور شغلی Career Advisor Configuration

• مشاور شغلی: مدیریت اسرار (Secrets) Career Advisor: Managing Secrets

• دموی APIهای مشاور شغلی Career Advisor APIs Demo

• بررسی سرویس استخدام (Hiring Service) Exploring Hiring Service

• سرویس استخدام: پیاده‌سازی کلاینت شغل Hiring Service: Job Client Implementation

• پرامپت‌های سرویس استخدام Hiring Service Prompts

• پیاده‌سازی مشاور استخدام Hiring Advisor Implementation

• ارسال درخواست شغل: بحث معماری و طراحی Job Application Submission: Architecture & Design Discussion

• پیاده‌سازی ارسال درخواست شغل Job Application Submission Implementation

• پیاده‌سازی ارزیابی درخواست شغل Job Application Evaluation Implementation

• پیاده‌سازی API دریافت درخواست‌های شغلی Fetching Job Applications API Implementation

• پیاده‌سازی API دریافت درخواست‌های کاندیدا Fetching Candidate Applications API Implementation

• پیکربندی سرویس استخدام Hiring Service Configuration

• دموی APIهای سرویس استخدام Hiring Service APIs Demo

• TalentFlow: آماده‌سازی محیط TalentFlow: Environment Preparation

• TalentFlow: دموی کامل (End to End) TalentFlow: End-to-End Demo

• خلاصه بخش و نکات کلیدی Section Summary & Key Takeaways

معماری MCP و مفاهیم کلیدی MCP Architecture & Core Concepts

• مسئله: چرا به پروتکل مدل کانتکست (MCP) نیاز داریم؟ The Problem: Why We Need the Model Context Protocol (MCP)

• تعیین انتظارات: تئوری اصلی پروتکل Setting Expectations: Core Protocol Theory

• محافظت از داده‌ها در MCP Protecting Data in MCP

• مرور سطح بالای معماری MCP High-Level MCP Architecture Overview

• قابلیت‌های اصلی: درک ویژگی‌های سرور MCP Core Capabilities: Understanding MCP Server Features

• کشف قابلیت‌های MCP MCP Capability Discovery

• چرخه حیات درخواست-پاسخ: جریان اجرای MCP Request-Response Lifecycle: MCP Execution Flow

• توضیح: LLM چگونه ابزارها را اجرا می‌کند Clarification: How LLM Executes Tools

• درک انتقال‌دهنده‌های (Transports) MCP Understanding MCP Transports

• ماژول‌های Spring MCP Spring MCP Modules

• MCP Playground: بحث ساختار پروژه MCP Playground: Project Structure Discussion

• MCP Playground: راه‌اندازی پروژه MCP Playground: Project Setup

• نکته: پشتیبانی مدل‌ها از فراخوانی ابزار (Tool Calling) NOTE: Model Support For Tool Calling

• ویژگی‌ها و اسرار MCP MCP Properties & Secrets

• توسعه اولین ابزار MCP Developing Our First MCP Tool

• [اختیاری] آشنایی با Anthropic MCP Inspector [OPTIONAL] Introduction To Anthropic MCP Inspector

• [اختیاری] تست فراخوانی ابزارها با MCP Inspector [OPTIONAL] Testing Tool Calls with MCP Inspector

• [اختیاری] بهترین روش‌ها: نام‌گذاری و توضیحات ابزارها [OPTIONAL] Best Practices: Tool Naming and Descriptions

• بحث معماری: یکپارچه‌سازی و اجرای ابزار در سرور میزبان Architectural Discussion: Host-Server Tool Integration & Execution

• راه‌اندازی پروژه میزبان (Host) MCP MCP Host Project Setup

• پیام سیستمی برای فراخوانی ابزار System Message For Tool Calling

• دموی کامل فراخوانی ابزار MCP End-to-End MCP Tool Call Demo

• دموی اجرای چند-ابزاری Multi-Tool Execution Demo

• LLM چگونه چندین فراخوانی ابزار را اجرا می‌کند How LLM Executes Multiple Tool Calls

• توضیح: نوع Void در پاسخ اجرای ابزار Clarification: Tool Execution Response Void Type

• نگاه به آینده: نقش منابع و پرامپت‌های MCP Looking Ahead: The Role of MCP Resources and Prompts

• خلاصه بخش و نکات کلیدی Section Summary & Key Takeaways

الگوهای طراحی ابزار در MCP MCP Tool Design Patterns

• هدف این بخش Section Goal

• بهترین روش‌ها: نام و توضیحات پارامتر ابزار Best Practices: Tool Parameter Name and Description

• راه‌اندازی پروژه عملیات فایل File Operations Project Setup

• دموی عملیات فایل File Operations Demo

• ورودی ساختاریافته از LLM Structured Input From LLM

• ارائه کانتکست به مدل‌های AI از طریق پیام‌های سیستمی Providing Context to AI Models via System Messages

• دموی عملی ورودی ساختاریافته Structured Input: Practical Demo

• رویکردهای طراحی ابزار Tool Design Approaches

• الگوی اول: تصمیمات هدایت شده توسط دستیار Pattern 1: Assistant-Driven Decisions

• تصمیمات دستیار: دموی نقاط ضعف Assistant-Driven Decisions: Vulnerability Demo

• اشتباهات معماری: چرا تصمیمات دستیار شکست می‌خورند Architectural Pitfalls: Why Assistant-Driven Decisions Fail

• ارتباط نتایج اجرای ابزار Communicating Tool Execution Results

• الگوی دوم: طراحی ابزار کپسوله‌شده Pattern 2: Encapsulated Tool Design

• مدیریت مقاوم خطاهای اجرای ابزار Handling Tool Execution Errors Robustly

• الگوی سوم: طراحی ابزار کپسوله‌شده و مقاوم Pattern 3: Encapsulated & Robust Tool Design

• کانتکست پیشرفته: انتقال متادیتا به سرورهای MCP از طریق Meta Advanced Context: Passing Metadata to MCP Servers via Meta

• MCP Meta: راه‌اندازی پروژه MCP Meta: Project Setup

• MCP Meta: دمو MCP Meta: Demo

• مدیریت پیشرفته خطاها از طریق برنامه‌نویسی داده-محور Advanced Error Handling via Data-Oriented Programming

• خلاصه بخش و نکات کلیدی Section Summary & Key Takeaways

جریان‌های کاری Agentic و استدلال چندمرحله‌ای Agentic Workflows & Multi-Turn Reasoning

• مقدمه‌ای بر جریان‌های کاری Agentic Introduction to Agentic Workflows

• معماری عامل پرواز (Flight Agent) Flight Agent Architecture

• عامل پرواز: بررسی پروژه بخش اول Flight Agent: Project Walkthrough Part 1

• عامل پرواز: بررسی پروژه بخش دوم Flight Agent: Project Walkthrough Part 2

• شکل‌دهی رفتار عامل از طریق پیام سیستمی Shaping Agent Behavior via System Message

• بررسی قابلیت‌های عامل از طریق سناریوهای عملی Exploring Agent Capabilities via Practical Scenarios

• عامل پرواز: دموی اجرا بخش اول Flight Agent: Execution Demo Part 1

• عامل پرواز: دموی اجرا بخش دوم Flight Agent: Execution Demo Part 2

• ارکستراسیون هدف-محور عامل پرواز Flight Agent Goal-Driven Orchestration

اعلان‌های پیشرفت در زمان واقعی Real-Time Progress Notifications

• مقدمه‌ای بر اعلان‌های پیشرفت (Progress Notifications) Introduction to Progress Notifications

• مفهوم کلیدی: درک توکن‌های پیشرفت Core Concept: Understanding Progress Tokens

• نحوه عملکرد اعلان‌های پیشرفت بین میزبان و سرور How Progress Notifications Work Between Host & Server

• استریمینگ زمان واقعی: ارائه به‌روزرسانی‌های پیشرفت از طریق Flux Real-Time Streaming: Exposing Progress Updates via Flux

• نحوه عملکرد اعلان‌های پیشرفت بین میزبان و رابط کاربری (UI) How Progress Notifications Work Between Host & UI

• اعلان پیشرفت: راه‌اندازی پروژه Progress Notification: Project Setup

• دموی کامل اعلان پیشرفت End-to-End Progress Notification Demo

انسان در حلقه (Human in the Loop): استخراج اطلاعات و گاردریل‌ها Human-in-the-Loop: Elicitation & Guardrails

• مقدمه‌ای بر Elicitation (استخراج اطلاعات) Introduction to Elicitation

• مرور جریان اجرای Elicitation Elicitation Execution Flow Overview

• جمع‌آوری ورودی ساختاریافته کاربر Collecting Structured User Input

• اشتباهات معماری: مسدود شدن ترد (Thread Blocking) و مشکلات Timeout Architectural Pitfalls: Thread Blocking & Timeout Issues

• انسان در حلقه: بحث طراحی سطح بالا Human-in-the-Loop: High-Level Design Discussion

• راه‌اندازی پروژه سرور MCP MCP Server Project Setup

• راه‌اندازی پروژه میزبان MCP MCP Host Project Setup

• دموی نهایی Elicitation Elicitation Final Demo

منابع MCP و دسترسی به داده‌ها MCP Resources & Data Access

• مقدمه‌ای بر منابع (Resources) MCP Introduction to MCP Resources

• مشکل معماری: سرورهای MCP چگونه داده‌ها را جذب می‌کنند Architectural Problem: How MCP Servers Ingest Data

• مفهوم کلیدی: طراحی URIهای سفارشی برای منابع Core Concept: Designing Custom Resource URIs

• نحوه عملکرد منابع How Resources Work

• مفهوم کلیدی: درک نتایج خواندن منابع Core Concept: Understanding Resource Read Results

• راه‌اندازی پروژه سرور MCP MCP Server Project Setup

• کامپوننت کلاینت میزبان MCP MCP Host Client Component

• راه‌اندازی پروژه میزبان MCP MCP Host Project Setup

• دموی ناوبری منابع Resource Navigation Demo

• بینش‌های LLM از طریق منابع: دموی یکپارچه‌سازی LLM Insights via Resources: Integration Demo

• توضیح: چگونه منابع را مقایسه کنیم Clarification: How to Compare Resources

• مدیریت خطاهای مربوط به منابع Resource-Related Error Handling

• خلاصه بخش و نکات کلیدی Section Summary & Key Takeaways

پرامپت‌های MCP و مدیریت کانتکست MCP Prompts & Context Management

• مقدمه‌ای بر پرامپت‌های MCP Introduction to MCP Prompts

• مدیریت‌کننده‌های پرامپت در سرور MCP MCP Server Prompt Handlers

• جریان اجرای کامل End-to-End Execution Flow

• بهبود تجربه کاربری: پیاده‌سازی Auto Complete برای پرامپت‌ها Enhancing UX: Implementing Auto-Complete for Prompts

• سرور MCP: راه‌اندازی پروژه MCP Server: Project Setup

• توضیح: ساختار پیام پرامپت و نقش‌ها Clarification: Prompt Message Structure & Roles

• میزبان MCP: راه‌اندازی پروژه MCP Host: Project Setup

• تزریق کانتکست: دموی اجرای پرامپت Context Injection: Prompt Execution Dem0

• خلاصه بخش و نکات کلیدی Section Summary & Key Takeaways

آزمون عملی MCP MCP Practice Test

• پروتکل مدل کانتکست (MCP) Model Context Protocol (MCP)

تست یکپارچگی MCP MCP Integration Testing

• استراتژی و رویکرد تست یکپارچگی Integration Testing Strategy & Approach

• تست یکپارچگی: ابزارهای MCP Integration Testing: MCP Tools

• تست یکپارچگی: اعلان‌های پیشرفت زمان واقعی Integration Testing: Real-Time Progress Notifications

• تست یکپارچگی: درخواست‌های Elicitation انسان در حلقه Integration Testing: Human-in-the-Loop Elicitation Requests

• تست یکپارچگی: منابع MCP Integration Testing: MCP Resources

• تست یکپارچگی: پرامپت‌های MCP Integration Testing: MCP Prompts

شبیه‌سازی مصاحبه Agentic AI و MCP MCP Agentic AI Interview Simulation

• مصاحبه مهندس بک‌اند ارشد: Agentic AI و MCP Senior Backend Engineer Interview: Agentic AI & MCP

پروژه نهایی: عامل تحلیل داده‌ها Capstone Project: Analytics Agent

• مرور پروژه نهایی: عامل تحلیل داده‌ها Capstone Overview: Analytics Agent

• مرزهای امنیتی: کنترل دسترسی AI به دیتابیس Security Boundaries: How AI Database Access is Controlled

• معماری سیستم: بحث طراحی سطح بالا System Architecture: High-Level Design Discussion

• سرور MCP: راه‌اندازی پروژه MCP Server: Project Setup

• تحمل خطا: مدیریت خطاهای SQL برای عامل‌ها Fault Tolerance: SQL Error Handling for Agents

• میزبان MCP: راه‌اندازی پروژه MCP Host: Project Setup

• مقیاس‌پذیری سیستم: استراتژی پشتیبانی از جداول بیشتر System Scalability: Strategy For Supporting More Tables

• اجرای پروژه نهایی: دموی نهایی عامل تحلیل داده‌ها Capstone Execution: Analytics Agent Final Demo