آموزش معماری‌های هوش مصنوعی عامل‌محور (Agentic AI) همراه با الگوها، فریمورک‌ها و MCP - آخرین آپدیت

مقدمه Introduction

• مقدمه Introduction

• ابزارها و منابع دوره و اسلایدهای آموزشی Tools and Resources for the Course - Course Slides

• پروژه دوره: طراحی معماری Agentic AI برای میکروسرویس‌های فروشگاه الکترونیکی Course Project: Design Agentic AI Architecture for EShop Microservices

• تکامل: از هوش مصنوعی مولد به هوش مصنوعی عامل‌محور The Evolution: From Generative AI to Agentic AI

عوامل هوش مصنوعی چیستند؟ اصول کلیدی What are AI Agents? Key Principles

• عوامل هوش مصنوعی چیستند؟ اصول کلیدی What are AI Agents? Key Principles

• عوامل AI چگونه از هوش مصنوعی مولد استفاده می‌کنند؟ How AI Agents Use Generative AI?

• چه زمانی از عوامل AI استفاده کنیم (و چه زمانی نکنیم) When to Use AI Agents (And When Not To)

• کجا از عوامل استفاده کنیم؟ موارد استفاده واقعی برای عوامل AI Where to Use Agents? Real-world Use Cases for AI Agents

• بخش‌های دشوار: چالش‌ها و محدودیت‌های عوامل AI The Hard Parts: Challenges and Limitations of AI Agents

• [طراحی] طراحی اولین عامل AI ساده شما [DESIGN] Designing Your First Simple AI Agent

آناتومی عامل: بررسی عمیق اجزای اصلی Agent Anatomy - A Deep Dive Into Core Components

• مقدمه آناتومی عامل: بررسی عمیق اجزای اصلی Introduction - Agent Anatomy: A Deep Dive Into Core Components

• «مغز»: مدل پایه (LLM) The "Brain" - The Foundation Model (LLM)

• «حواس»: ادراک و مدیریت ورودی‌ها The "Senses" - Perception and Input Handling

• «نقشه راه»: برنامه‌ریزی و تجزیه وظایف The "Blueprint" - Planning and Task Decomposition

• «دفترچه یادداشت»: معماری حافظه The "Notebook" - The Architecture of Memory

• «دست‌ها»: اقدام و فراخوانی ابزارها The "Hands" - Action and Tool Calling

• «حلقه بازخورد»: یادگیری و انطباق The "Feedback Loop" - Learning and Adaptation

• «صدا»: ارتباطات عامل The "Voice" - Agent Communication

• [طراحی] ساخت عامل «دستیار پژوهشی» [DESIGN] Building a "Research Assistant" Agent

• حلقه عامل‌محور: ادراک، استدلال، اقدام، یادگیری (PRAL) The Agentic Loop: Perception, Reasoning, Action, Learning (PRAL)

• [طراحی] ساخت عامل ChatGPT با حلقه PRAL [DESIGN] Build ChatGPT Agent with The Agentic Loop (PRAL)

• [طراحی] ساخت عامل سلامت با حلقه PRAL و حضور انسان در چرخه [DESIGN] Build Health Agent with The Agentic Loop (PRAL) & Human-in-the-loop

هوش مصنوعی عامل‌محور (Agentic AI) چیست؟ What is Agentic AI?

• مقدمه: هوش مصنوعی عامل‌محور چیست؟ Introduction - What is Agentic AI?

• عامل AI در مقابل Agentic AI: تفاوت حیاتی AI Agent vs. Agentic AI: The Critical Difference

• معماری عامل‌محور چیست؟ (سیستم‌های چندعاملی - MAS) What is Agentic Architecture? (Multi-Agent System (MAS))

• نحوه عملکرد Agentic AI: معماری‌های سطح سیستم (ارکستراسیون یا کورئوگرافی) How Agentic AI Works: System-Level Architectures (Orchestration or Choreography)

• [طراحی] ارکستراسیون و کورئوگرافی در معماری‌های Agentic AI [DESIGN] Orchestration and Choreography of Agentic AI Architectures

• بخش‌های دشوار: چالش‌های سیستم‌های Agentic AI The Hard Parts: Challenges of Agentic AI Systems

از جریان‌های کاری سنتی به جریان‌های عامل‌محور From Traditional to Agentic Workflows

• مقدمه: از جریان‌های کاری سنتی به جریان‌های عامل‌محور Introduction - From Traditional to Agentic Workflows

• اجزای جریان کاری عامل‌محور: وضعیت (State)، گره‌ها و یال‌ها Components of Agentic Workflow: State, Nodes and Edges

• الگوهای ارکستراسیون عامل‌محور (ترتیبی، همزمان، چت گروهی، تحویل وظیفه) Agentic Orchestration Patterns (Sequential, Concurrent, Group chat, Handoff)

• فریمورک‌های ساخت جریان کاری (رویکرد کد-محور) Frameworks for Building Workflows (Code-First)

• پلتفرم‌های ساخت جریان کاری (رویکرد Low-Code) Platforms for Building Workflows (Low-Code)

چشم‌انداز فریمورک‌ها The Frameworks Landscape

• مقدمه: چشم‌انداز فریمورک‌ها Introduction - The Frameworks Landscape

• «جعبه ابزار عمومی»: LangChain و LangGraph The "Generalist Toolkit": LangChain & LangGraph

• «متخصص داده»: بررسی عمیق LlamaIndex The "Data Specialist": LlamaIndex Deep Dive

• «متخصص چندعاملی»: فریمورک عامل مایکروسافت The "Multi-Agent Specialist": Microsoft Agent Framework

• «پلتفرم‌های مدیریت شده»: عوامل ابری (AWS, Azure, Google) The "Managed Platforms": Cloud Agents (AWS, Azure, Google)

چرایی استفاده از الگوهای طراحی عامل‌محور The "Why" of Agentic Design Patterns

• مقدمه: چرایی استفاده از الگوهای طراحی عامل‌محور Introduction - The "Why" of Agentic Design Patterns

• اصول طراحی عامل‌محور The Agentic Design Principles

• الگوی «استفاده از ابزار» The "Tool Use" Pattern

• الگوی «برنامه‌ریزی» The "Planning" Pattern

• الگوی «تامل/بازاندیشی» (Metacognition) The "Reflection" Pattern (Metacognition)

• الگوی ترکیبی ReAct The "ReAct" Compound Pattern

• مقدمه‌ای بر الگوهای چندعاملی Introduction to Multi-Agent Patterns

• الگوی «مسیریاب و متخصص» The "Router & Specialist" Pattern

• الگوی «تحویل وظیفه» (جریان کاری ترتیبی) The "Handoff" Pattern (Sequential Workflow)

• الگوی «چت گروهی / مناظره» The "Group Chat / Debate" Pattern

• الگوی «سوارم/تجمع» (موازی‌سازی) The "Swarm" Pattern (Parallelization)

• مقدمه‌ای بر الگوهای کنترل و ایمنی Introduction to Control & Safety Patterns

• الگوی «حضور انسان در چرخه» (HITL) The "Human-in-the-Loop" (HITL) Pattern

• الگوی «خروج / منطق سفارشی» The "Ejection / Custom Logic" Pattern

محدودیت‌های RAG سنتی The Limitations of Traditional RAG

• مقدمه: محدودیت‌های RAG سنتی Introduction - The Limitations of Traditional RAG

• Agentic RAG چیست؟ What is Agentic RAG?

• Agentic RAG در مقابل RAG سنتی: تفاوت حیاتی Agentic RAG vs. Traditional RAG: The Critical Difference

• نحوه عملکرد Agentic RAG: حلقه «پژوهشگر فعال» How Agentic RAG Works: The "Active Researcher" Loop

• موارد استفاده از Agentic RAG Agentic RAG Use Cases

پروتکل‌های ارتباطی عوامل Agent Communication Protocols

• مقدمه: «مشکل پروتکل» Introduction - The "Protocol Problem"

• پروتکل ارتباطی عامل (ACP) چیست؟ What is the Agent Communication Protocol (ACP)?

• پروتکل A2A (عامل به عامل) چیست؟ What is the A2A (Agent-to-Agent) Protocol?

• پروتکل تعامل کاربر و عامل (AG UI) چیست؟ What is the Agent-user interaction (AG-UI) protocol?

• پروتکل مدل کانتکست (MCP) چیست؟ What is the Model-Context Protocol (MCP)?

• دیدگاه معمار: مقایسه MCP در برابر ACP و A2A The Architect's View: MCP vs. ACP vs. A2A

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

• مقدمه: چرا MCP؟ Introduction - Why MCP?

• معماری MCP: میزبان/کلاینت، سرور و پروتکل The MCP Architecture: MCP Host/Client, Server and Protocol

• مفاهیم اصلی و تعاریف MCP (بررسی عمیق مشخصات فنی) MCP Core Concepts & Definitions (The "Spec" Deep Dive)

• چرخه حیات MCP (نحوه عملکرد) The MCP Lifecycle (How it Works)

• دیدگاه معمار: MCP در برابر OpenAPI (چرایی انتخاب) The Architect's View: MCP vs. OpenAPI (The "Why")

• الگوهای طراحی MCP و مطالعات موردی MCP Design Patterns & Case Studies

مهندسی کانتکست Context Engineering

• مهندسی کانتکست چیست؟ What is Context Engineering?

• مهندسی پرامپت در مقابل مهندسی کانتکست (تغییر رویکرد حیاتی) Prompt Engineering vs. Context Engineering (The Critical Shift)

• آناتومی کانتکست (انواع کانتکست) The Anatomy of Context (Types of Context)

• استراتژی‌های مهندسی کانتکست موثر Strategies for Effective Context Engineering

• مثال‌هایی از موارد استفاده مهندسی کانتکست Example Use Cases of Context Engineering

چرخه حیات توسعه عامل AI AI Agent Development Lifecycle

• توسعه عامل AI چیست؟ تغییر به سمت احتمالات What is AI Agent Development? The Probabilistic Shift

• چرخه حیات توسعه عامل (ADLC): راهنمای ۷ مرحله‌ای The Agent Development Lifecycle (ADLC): A 7-Step Guide

• بررسی عمیق: چالش «ارزیابی» Deep Dive: The Challenge of "Evaluation"

• بررسی عمیق: AgentOps (مشاهده‌پذیری و نظارت) Deep Dive: "AgentOps" (Observability & Monitoring)

• ملاحظات سازمانی: گاردریل‌های LLM برای جلوگیری از نشت داده و تزریق پرامپت Enterprise Considerations: LLM Guardrails for Data Leakage, Prompt Injection

• چرخه حیات «ابزار»: مدیریت سرورهای MCP The "Tool" Lifecycle: Managing MCP Servers

• «نقشه راه»: معماری مرجع برای یک پلتفرم Agentic AI The "Blueprint": Reference Architecture for an Agentic AI Platform

جمع‌بندی Conclusion

• سپاسگزاری Thanks