آموزش ساخت ایجنت‌های هوش مصنوعی در سطح عملیاتی با JavaScript: LangChain و LangGraph - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• دموی پروژه‌های دوره Course projects demo

• پیش‌نیازهای دوره و آنچه این دوره نیست Course Prerequisites and What this course is not

• نحوه دنبال کردن دوره و منابع مورد نیاز How to follow this course and Resources to follow

• مهم: کدام مدل‌ها استفاده شوند؟ پولی یا رایگان؟ IMP: Which models to use - paid or free ?

مبانی: LangChain، ایجنت‌ها و جریان‌ها Foundations: LangChain, Agents & Flow

• اپلیکیشن‌های AI مدرن: UI ← ارکستراسیون ← مدل‌ها و ابزارها Modern AI apps: UI → Orchestration → Models & Tools

• ایجنت هوش مصنوعی چیست؟ What is an AI agent

• تفاوت زنجیره‌ها (Chains) و ایجنت‌ها Chains vs agents

• جایگاه LangChain در این استک Where LangChain fits in this stack

• جایگاه LangGraph در این استک Where LangGraph fits in this stack

• طرز فکر JSON first (پیش‌نمایش کلی) JSON-first mindset (high-level teaser)

راه اندازی و سلام ایجنت Orientation & Hello agent

• در حال ساخت چه چیزی هستیم؟ What are we building ?

• راه‌اندازی پروژه و نصب وابستگی‌ها: کد استارتر Setting up project and install dependencies: Starter Code

• مدل‌های OpenAI، Gemini و Groq: کلیدهای API و بررسی کلی OpenAI, Gemini & Groq models - API keys, overview

• تنظیمات محیطی (Env) Env setup

• پیاده‌سازی تامین‌کننده Google Gemini Google gemini provider implementation

• پیاده‌سازی تامین‌کننده Groq Groq provider implementation

• پیاده‌سازی تامین‌کننده OpenAI OpenAI provider implementation

• اولین ایجنت و خروجی آن Hello agent and output

مبانی LLM: رویکرد JSON First LLM Fundamentals: JSON-First Approach

• توکن‌ها، هزینه و پنجره کانتکست Tokens, cost and context window

• تنظیمات نمونه‌برداری: temperature، top_p، max_tokens Sampling knobs: temperature, top_p, max_tokens

• مدل‌های چت در مقابل ابزارها Chat models VS Tools

• شمای Zod به عنوان قرارداد برای خروجی‌ها Zod schemas as contracts for outputs

• خروجی‌های ساختاریافته Structured outputs

JSON و خروجی‌های ساختاریافته در عمل JSON & Structured Output in Action

• در حال ساخت چه چیزی هستیم؟ What are we building?

• راه‌اندازی پروژه و کد استارتر Next JS Setting up project and Next JS starter Code

• ساخت شمای Zod Creating zod schema

• پیاده‌سازی مدل‌های OpenAI، Gemini و Groq Implementing OpenAI, Gemini and Groq models

• پیاده‌سازی منطق اصلی پرسش (Ask) Implement core ask logic

• پیاده‌سازی مسیر بک‌اند Ask و راه‌اندازی سرور Express Implementing ask backend route and setting up express server

• ساخت API Route در Next.js Creating next js api route

• ساخت کامپوننت UI برای Ask و یکپارچه‌سازی با API Creating ask UI component and integrating with ask api route

مبانی Langchain Langchain fundamentals

• چرا از LangChain JS به جای SDKهای خام استفاده کنیم Why use LangChain JS over raw SDKs

• بلوک‌های سازنده اصلی: پرامپت، مدل، پارسر خروجی Core building blocks: Prompt, Model, Output Parser

• Runnables و LCEL Runnables & LCEL

مبانی Tool Calling: جستجو v1 (LCEL) Tool-Calling 101: Search v1 (LCEL)

• بررسی کلی پروژه Project overview

• جریان پروژه و معرفی Tavily Project flow and introduction to Tavily

• کد استارتر برای بک‌اند و فرانت‌اند Starter code for backend and frontend

• تنظیم شمای env Setting up env schema

• نصب LangChain JS، SDKهای تامین‌کننده و پیاده‌سازی مدل‌های چت Install LangChain JS, provider SDKs and implementing chat models

• شمای جستجوی وب Web search schema

• پیاده‌سازی جستجوی وب با Tavily Web search with Tavily implementation

• پیاده‌سازی منطق Openurl Openurl logic implementation

• منطق خلاصه‌سازی با پیام‌های System و Human در LangChain Summarize logic with langchain system and human message

• ساخت LCEL: ایجاد تایپ‌ها Build LCEL: create types

• ساخت LCEL: پیاده‌سازی استراتژی مسیریابی Build LCEL: implement route strategy

• ساخت LCEL: پیاده‌سازی خط لوله وب - بخش ۱ Build LCEL: implement web pipeline - part 1

• ساخت LCEL: پیاده‌سازی خط لوله وب - بخش ۲ Build LCEL: implement web pipeline - part 2

• ساخت LCEL: پیاده‌سازی خط لوله مستقیم Build LCEL: implement direct pipeline

• ساخت LCEL: منطق اعتبارسنجی نهایی Build LCEL: final validation logic

• ساخت LCEL: پیاده‌سازی زنجیره جستجو Build LCEL: implement search chain

• افزودن مسیر جستجو و راه‌اندازی سرور Express Add search route and setup express server

• یکپارچه‌سازی ایجنت جستجو با Next.js - بخش ۱ Integrate search agent with next js - Part 1

• یکپارچه‌سازی ایجنت جستجو با Next.js - بخش ۲ Integrate search agent with next js - Part 2

• دیباگ، رفع مشکلات و تست ایجنت جستجو Debugging , fixing issues and testing search agent

مقدمه‌ای بر RAG Introduction to RAG

• RAG چیست و RAG دو مرحله‌ای: Ingestion در مقابل Query What is RAG and Two-phase RAG: ingestion vs query

• تکه تکه کردن (Chunking) و Embeddingها Chunking and Embeddings

• مفهوم Vector Store Vector store concept

RAG سبک (دستیار اسناد) Light RAG (Docs Helper)

• در حال ساخت چه چیزی هستیم؟ What are we building ?

• جریان پروژه و نحوه رویکرد ما Project flow and how we will approach ?

• پیاده‌سازی منطق Chunking Chunk logic implementation

• پیاده‌سازی منطق ذخیره‌سازی با MemoryVectorStore Store logic implementation with MemoryVectorStore

• پیاده‌سازی Ingest Ingest implementation

• پیاده‌سازی منطق Ask - بخش ۱ Ask logic implementation - part 1

• پیاده‌سازی منطق Ask - بخش ۲ Ask logic implementation - part 2

• ساخت مسیر Express برای Light RAG Create light RAG express route

• یکپارچه‌سازی RAG با UI در Next.js - بخش ۱ Integrate RAG with next js UI - part 1

• یکپارچه‌سازی RAG با UI در Next.js - بخش ۲ Integrate RAG with next js UI - part 2

مبانی LangGraph LangGraph Fundamentals

• LangGraph چیست و چرا به ارکستراسیون فراتر از LCEL نیاز داریم What is LangGraph and Why we need orchestration beyond LCEL

• State، گره‌ها (Nodes) و یال‌ها (Edges) State, Nodes and Edges

• انشعابات، حلقه‌ها و Checkpointها Branching, loops and checkpoints

• انسان در حلقه: توقف، تایید، ادامه Human-in-the-loop: pause, approve, resume

LangGraph در عمل: ایجنت تایید وظایف LangGraph in action: Task Approval Agent

• در حال ساخت چه چیزی هستیم؟ What are we building?

• جریان پروژه و نحوه رویکرد ما Project flow and how we will approach

• کد استارتر و نصب پکیج‌ها Starter code and installing packages

• تنظیم فایل env Setting up env file

• ساخت تایپ‌ها و State برای گراف Creating types and state for graph

• پیاده‌سازی گره اعتبارسنجی (Validate) Implementing validate node

• پیاده‌سازی گره برنامه‌ریزی (Plan) Implementing plan node

• پیاده‌سازی گره تایید و منطق Interrupt Implementing approve node and interrupt logic

• پیاده‌سازی گره اجرا (Execute) Implementing execute node

• پیاده‌سازی گره نهایی‌سازی (Finalize) Implementing finalize node

• پیاده‌سازی منطق گراف LangGraph Implementing langgraph graph logic

• ساخت مسیرهای Express برای گراف Creating express routes for our graph

• ساخت سرور Express Creating express server

• یکپارچه‌سازی با Next.js - بخش ۱ Integrate with next js - part 1

• یکپارچه‌سازی با Next.js - بخش ۲ Integrate with next js - part 2

• یکپارچه‌سازی با Next.js - بخش ۳ Integrate with next js - part 3

• یکپارچه‌سازی با Next.js - بخش ۴ Integrate with next js - part 4

• یکپارچه‌سازی با Next.js و تست - بخش ۵ Integrate with next js & testing - part 5

• یکپارچه‌سازی با Next.js و تست - بخش ۶ Integrate with next js & testing - part 6

RAG ایجنتی با Vector DB Agentic RAG with Vector DB

• در حال ساخت چه چیزی هستیم؟ What are we building ?

• جریان پروژه Project flow

• کد استارتر Starter code

• تنظیمات env Env setup

• پیاده‌سازی نمونه مدل OpenAI Implementing OpenAI model instance

• پیاده‌سازی کلاینت Mongo و نمونه DB Implementing Mongo client and DB instance

• پیاده‌سازی پایگاه دانش (KB): تایپ‌ها Implementing knowledge base (KB) - Types

• پیاده‌سازی پایگاه دانش (KB): Loader Implementing knowledge base (KB) - Loader

• پیاده‌سازی پایگاه دانش (KB): Splitter Implementing knowledge base (KB) - Splitter

• پیاده‌سازی پایگاه دانش (KB): Vector Store Implementing knowledge base (KB) - Vector Store

• پیاده‌سازی پایگاه دانش (KB): درج تکه‌ها در Vector Store Implementing knowledge base (KB) - Ingest chunks to vector store

• پیاده‌سازی پایگاه دانش (KB): Retriever Implementing knowledge base (KB) - Retriever

• پیاده‌سازی مسیرهای پایگاه دانش Implement Knowledge base routes

• ساخت فایل server.ts و تست منطق پایگاه دانش Create server.ts file and testing Knowledge base logic

• پیاده‌سازی سیاست‌ها و ابزارهای ایجنت Implement Agent - policy and tools

• پیاده‌سازی منطق createAgent برای ایجنت Implement Agent - createAgent logic

• ساخت مسیر ایجنت بدون حافظه Create agent route without memory

• پیاده‌سازی منطق حافظه (Memory) ایجنت Implement Agent - memory logic

• اصلاح مسیر ایجنت با منطق حافظه Modify agent route with memory logic

• یکپارچه‌سازی با Next.js و تست - بخش ۱ Integrate with next js & testing - part 1

• یکپارچه‌سازی با Next.js و تست - بخش ۲ Integrate with next js & testing - part 2