آموزش عوامل هوشمند AI و سیستم‌های چند-عاملی با ۱۰۰ آزمایشگاه Agentic AI - آخرین آپدیت

دانلود AI Agents & Multi-Agent Systems with Agentic AI 100 Labs

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: از آزمایش‌های ساده مبتنی بر پرامپت تا توسعه عوامل خودکار در سطح صنعتی، MCP، RAG، LLMOps و پلتفرم‌های هوش مصنوعی سازمانی. طراحی سیستم‌های Agentic AI در سطح تولید بر اساس اصول بنیادی. ساخت عوامل هوشمند خودکار با قابلیت استدلال، برنامه‌ریزی، مدیریت حافظه و استفاده از ابزارها. ایجاد زیرساخت‌های هوش مصنوعی مستقل با استفاده از مدل‌های متن‌باز و معماری‌های سازمانی میزبانی‌شده. اجرای یک پروژه نهایی در سطح دکترا که توانایی‌های مهندسی Agentic AI در دنیای واقعی (مورد نیاز کارفرمایان مدرن) را به نمایش می‌گذارد. مهندسی اکوسیستم‌های چند-عاملی که با یکدیگر همکاری، هماهنگی، بازبینی و اصلاح خودکار دارند. تسلط بر پروتکل MCP (Model Context Protocol) برای دسترسی امن به ابزارهای سازمانی. طراحی و پیاده‌سازی پلتفرم‌های تولید محتوای تقویت‌شده با بازیابی (RAG) با استفاده از پایگاه‌های داده برداری و سیستم‌های دانش سازمانی. اتوماسیون جریان‌های کاری پیچیده تجاری با معماری‌های رویداد-محور و مدل‌های نظارت انسانی (Human-in-the-loop). پیش نیازها: هیچ تجربه قبلی در زمینه هوش مصنوعی مورد نیاز نیست. این دوره از مفاهیم پایه شروع شده و به صورت تدریجی به سمت سیستم‌های مقیاس سازمانی پیش می‌رود. دانش توصیه شده: سواد پایه کامپیوتری درک اولیه از نحوه عملکرد نرم‌افزارها آشنایی با مرورگرهای وب و محیط خط فرمان (CLI) مفید است اما اجباری نیست.

این دوره شامل استفاده از هوش مصنوعی است.

هزینه این دوره صرفاً بابت زمان سرمایه‌گذاری شده برای ساخت این برنامه جامع آموزشی است.

ساخت دمو را متوقف کنید. مهندسی سیستم‌ها را آغاز کنید.

صنعت هوش مصنوعی در حال تجربه یک روند خطرناک است.

هزاران توسعه‌دهنده در حال یادگیری «کدنویسی بر اساس حس» (Vibe Coding) هستند.

آن‌ها می‌توانند پرامپت بنویسند.
می‌توانند یک چت‌بات بسازند.
می‌توانند یک API را متصل کنند.

اما وقتی از آن‌ها خواسته می‌شود یک پلتفرم Agentic AI قابل اعتماد، قابل مشاهده، امن و مقیاس‌پذیر طراحی کنند که در یک سازمان واقعی عمل کند، اکثر پروژه‌ها شکست می‌خورند.

چرا؟

زیرا هوش مصنوعی در سطح تولید (Production AI) صرفاً مهندسی پرامپت نیست.

هوش مصنوعی صنعتی یعنی مهندسی.

این امر نیازمند معماری، ارکستراسیون، سیستم‌های حافظه، ادغام ابزارها، حاکمیت، قابلیت مشاهده، خط لوله‌های استقرار، کنترل‌های امنیتی و قابلیت اطمینان عملیاتی است.

این دوره برای پر کردن این شکاف طراحی شده است.

مسیر جامع ۱۰۰ آزمایشگاه

این یک دوره تئوری نیست.

این مجموعه‌ای از دموهای پراکنده نیست.

این یک برنامه مهندسی تدریجی و دقیق شامل ۱۰۰ آزمایشگاه عملی است که شما را از یک مبتدی مطلق به یک معمار پیشرفته Agentic AI تبدیل می‌کند.

شما با یادگیری موارد زیر شروع خواهید کرد:

  • مبانی عوامل هوشمند (AI Agents)

  • پایه‌های پایتون

  • رابط‌های برنامه‌نویسی (APIs)

  • مهندسی پرامپت

  • استفاده از ابزارها

  • خروجی‌های ساختاریافته

سپس به مراحل زیر پیش خواهید رفت:

  • مهندسی LLM

  • استراتژی‌های انتخاب مدل

  • استنتاج محلی (Local Inference)

  • استقرار هوش مصنوعی متن‌باز

  • معماری لایه سرویس

در مرحله بعد، بر این موارد مسلط می‌شوید:

  • فریم‌ورک‌های عاملی (Agent Frameworks)

  • سیستم‌های حافظه

  • معماری‌های برنامه‌ریزی

  • حلقه‌های بازتاب (Reflection Loops)

  • عوامل خود-اصلاح‌گر

و سپس مهندسی واقعی آغاز می‌شود.

محتویات دوره چیست؟

ماژول ۱ — مبانی: ساخت اولین عامل هوشمند صنعتی و درک نحوه عملکرد واقعی سیستم‌های Agentic AI.

ماژول ۲ — مهندسی LLM: یادگیری نحوه عملکرد مدل‌های زبانی، فرآیند استنتاج و طراحی لایه‌های سرویس AI توسط حرفه‌ای‌ها.

ماژول ۳ — مهندسی عامل: طراحی عواملی که فکر می‌کنند، برنامه‌ریزی می‌کنند، به خاطر می‌سپارند و وظایف را با الگوهای معماری اثبات شده اجرا می‌کنند.

ماژول ۴ — مهندسی MCP: تسلط بر پروتکلی که به سرعت در حال تبدیل شدن به استاندارد صنعت برای اتصال سیستم‌های AI به ابزارها و منابع سازمانی است.

ماژول ۵ — RAG سازمانی: ساخت دستیارهای دانشی با قابلیت جستجو، بازیابی و استدلال روی دانش سازمانی در مقیاس بزرگ.

ماژول ۶ — اتوماسیون جریان کاری: تبدیل AI از یک موتور گفتگو به یک پلتفرم عملیاتی که فرآیندهای تجاری را پیش می‌برد.

ماژول ۷ — سیستم‌های چند-عاملی: ایجاد تیم‌هایی از عوامل متخصص که با هم همکاری، بازبینی، تایید و اهداف پیچیده را اجرا می‌کنند.

ماژول ۸ — مهندسی داده برای عوامل: یادگیری نحوه پردازش، اعتبارسنجی، حاکمیت و تحلیل اطلاعات در سیستم‌های AI سازمانی.

ماژول ۹ — امنیت و حاکمیت: پیاده‌سازی مدیریت هویت، مدیریت اسرار (Secrets)، کنترل‌های انطباق، لاگ‌های حسابرسی و روش‌های هوش مصنوعی مسئولانه.

ماژول ۱۰ — قابلیت اطمینان و LLMOps: استقرار و مدیریت سیستم‌های AI با استفاده از قابلیت مشاهده، چارچوب‌های ارزیابی، خط لوله‌های CI/CD، کوبرنتیز و عملیات صنعتی.

پروژه نهایی تحول‌آفرین

آزمایشگاه ۱۰۰: پلتفرم Agentic AI سازمانی مستقل

اکثر دوره‌ها با یک چت‌بات به پایان می‌رسند.

این دوره با یک پلتفرم سازمانی به پایان می‌رسد.

شما یک اکوسیستم کامل Agentic AI را طراحی و مستقر خواهید کرد که شامل موارد زیر است:

  • عوامل تحقیق خودکار

  • عوامل برنامه‌ریز

  • عوامل بررسی انطباق

  • عوامل گزارش‌دهی

  • RAG سازمانی

  • ادغام‌های MCP

  • حافظه بلندمدت

  • استقرار با کوبرنتیز (Kubernetes)

  • داشبوردهای قابلیت مشاهده

  • کنترل‌های حاکمیتی

  • جریان‌های کاری تایید انسانی

  • معماری امنیتی

  • رویه های بازیابی پس از حادثه (Disaster Recovery)

این نوع پروژه معمولاً در قراردادهای مشاوره سازمانی، برنامه‌های تحقیقاتی پیشرفته و تیم‌های مهندسی سطح بالا یافت می‌شود.

با تکمیل آزمایشگاه ۱۰۰، شما دارای پروژه‌ای در پورتفولیو خواهید بود که توانایی مهندسی شما را در دنیای واقعی، بسیار فراتر از پروژه‌های آموزشی معمولی AI نشان می‌دهد.

چرا اکنون ثبت‌نام کنید؟

Agentic AI یکی از ارزشمندترین رشته‌های مهندسی در صنعت فناوری در حال تبدیل شدن است.

مهندسینانی که سیستم‌های خودکار، MCP، RAG، LLMOps و استقرار سازمانی را درک می‌کنند، نسل بعدی نرم‌افزارها را تعریف خواهند کرد.

فرصت‌ها عظیم است.

اما پنجره فرصت برای تبدیل شدن به یک متخصص اولیه باز نخواهد ماند.

اگر می‌خواهید از پرامپت‌نویسی ساده عبور کرده و یاد بگیرید که سیستم‌های AI در سطح تولید واقعاً چگونه ساخته می‌شوند، این دوره نقشه راه شماست.

امروز سفر ۱۰۰ آزمایشگاهی خود را آغاز کنید و مهارت‌های لازم برای مهندسی آینده سیستم‌های هوش مصنوعی خودکار را کسب کنید.


سرفصل ها و درس ها

مقدمه‌ای بر عوامل هوشمند و سیستم‌های چند-عاملی با ۱۰۰ آزمایشگاه Agentic AI Introduction to AI Agents & Multi-Agent Systems with Agentic AI 100 Labs

  • مقدمه Introduction

ماژول ۱ — مبانی و اولین نقطه عطف موفقیت MODULE 1 — Foundations and First Success Milestone

  • مبانی و اولین نقطه عطف موفقیت Foundations and First Success Milestone

  • آزمایشگاه ۱. درک معماری Agentic AI Lab 1. Understanding Agentic AI Architecture

  • آزمایشگاه ۲. راه‌اندازی محیط توسعه محلی Lab 2. Local Development Environment Setup

  • آزمایشگاه ۳. مبانی پایتون برای عوامل هوشمند Lab 3. Python Foundations for AI Agents

  • آزمایشگاه ۴. محیط‌های مجازی و مدیریت وابستگی‌ها Lab 4. Virtual Environments and Dependency Management

  • آزمایشگاه ۵. گیت و جریان‌های کاری مشارکتی Lab 5. Git and Collaborative Workflows

  • آزمایشگاه ۶. درک APIها و سرویس‌های وب Lab 6. Understanding APIs and Web Services

  • آزمایشگاه ۷. ساخت یک ابزار ساده با استفاده از عامل Lab 7. Building a Simple Tool-Using Agent

  • آزمایشگاه ۸. مبانی مهندسی پرامپت Lab 8. Prompt Engineering Fundamentals

  • آزمایشگاه ۹. خروجی‌های ساختاریافته و پاسخ‌های JSON Lab 9. Structured Outputs and JSON Responses

  • آزمایشگاه ۱۰. اولین نقطه عطف عامل در سطح تولید Lab 10. First Production-Style Agent Milestone

ماژول ۲ — مبانی مهندسی LLM MODULE 2 — LLM Engineering Foundations

  • مبانی مهندسی LLM LLM Engineering Foundations

  • آزمایشگاه ۱۱. مبانی LLM Lab 11. LLM Fundamentals

  • آزمایشگاه ۱۲. توکنایزیشن و پنجره‌های بافت (Context Windows) Lab 12. Tokenization and Context Windows

  • آزمایشگاه ۱۳. استراتژی‌های انتخاب مدل Lab 13. Model Selection Strategies

  • آزمایشگاه ۱۴. مدل‌های متن‌باز در مقابل مدل‌های میزبانی‌شده Lab 14. Open Source vs Hosted Models

  • آزمایشگاه ۱۵. استنتاج محلی با Ollama Lab 15. Local Inference with Ollama

  • آزمایشگاه ۱۶. اجرای مدل‌های متن‌باز به صورت محلی Lab 16. Running Open Models Locally

  • آزمایشگاه ۱۷. کنترل‌های دما (Temperature) و نمونه‌برداری Lab 17. Temperature and Sampling Controls

  • آزمایشگاه ۱۸. قالب‌های پرامپت Lab 18. Prompt Templates

  • آزمایشگاه ۱۹. اعتبارسنجی پاسخ‌ها Lab 19. Response Validation

  • آزمایشگاه ۲۰. ساخت یک لایه سرویس LLM قدرتمند Lab 20. Building a Robust LLM Service Layer

ماژول ۳ — مبانی فریم‌ورک‌های عاملی MODULE 3 — Agent Framework Fundamentals

  • مبانی فریم‌ورک‌های عاملی Agent Framework Fundamentals

  • آزمایشگاه ۲۱. الگوهای طراحی عامل Lab 21. Agent Design Patterns

  • آزمایشگاه ۲۲. معماری فراخوانی ابزار Lab 22. Tool Calling Architecture

  • آزمایشگاه ۲۳. جریان‌های کاری فراخوانی تابع Lab 23. Function Calling Workflows

  • آزمایشگاه ۲۴. مدیریت وضعیت عامل Lab 24. Agent State Management

  • آزمایشگاه ۲۵. مفاهیم حافظه Lab 25. Memory Concepts

  • آزمایشگاه ۲۶. سیستم‌های حافظه کوتاه‌مدت Lab 26. Short-Term Memory Systems

  • آزمایشگاه ۲۷. سیستم‌های حافظه بلندمدت Lab 27. Long-Term Memory Systems

  • آزمایشگاه ۲۸. استراتژی‌های برنامه‌ریزی عامل Lab 28. Agent Planning Strategies

  • آزمایشگاه ۲۹. بازتاب و اصلاح خودکار Lab 29. Reflection and Self-Correction

  • آزمایشگاه ۳۰. معماری عامل در سطح تولید Lab 30. Production Agent Architecture

ماژول ۴ — مهندسی MCP MODULE 4 — MCP Engineering

  • مهندسی MCP MCP Engineering

  • آزمایشگاه ۳۱. مقدمه‌ای بر MCP Lab 31. Introduction to MCP

  • آزمایشگاه ۳۲. مبانی پروتکل MCP Lab 32. MCP Protocol Fundamentals

  • آزمایشگاه ۳۳. معماری کلاینت MCP Lab 33. MCP Client Architecture

  • آزمایشگاه ۳۴. معماری سرور MCP Lab 34. MCP Server Architecture

  • آزمایشگاه ۳۵. ساخت اولین سرور MCP شما Lab 35. Building Your First MCP Server

  • آزمایشگاه ۳۶. ارائه امن ابزارها Lab 36. Secure Tool Exposure

  • آزمایشگاه ۳۷. ادغام MCP با ابزارهای متعدد Lab 37. Multi-Tool MCP Integration

  • آزمایشگاه ۳۸. اتصال به APIهای خارجی Lab 38. External API Connectivity

  • آزمایشگاه ۳۹. الگوهای MCP سازمانی Lab 39. Enterprise MCP Patterns

  • آزمایشگاه ۴۰. پلتفرم MCP در سطح تولید Lab 40. Production MCP Platform

ماژول ۵ — تولید محتوای تقویت‌شده با بازیابی (RAG) MODULE 5 — Retrieval-Augmented Generation

  • تولید محتوای تقویت‌شده با بازیابی (RAG) Retrieval-Augmented Generation

  • آزمایشگاه ۴۱. مبانی معماری RAG Lab 41. RAG Architecture Fundamentals

  • آزمایشگاه ۴۲. توضیح مفهوم Embeddings Lab 42. Embeddings Explained

  • آزمایشگاه ۴۳. مفاهیم پایگاه داده برداری Lab 43. Vector Database Concepts

  • آزمایشگاه ۴۴. ذخیره‌سازی برداری محلی Lab 44. Local Vector Storage

  • آزمایشگاه ۴۵. پایگاه‌های داده برداری صنعتی Lab 45. Production Vector Databases

  • آزمایشگاه ۴۶. خط لوله‌های جذب اسناد Lab 46. Document Ingestion Pipelines

  • آزمایشگاه ۴۷. استراتژی‌های تکه‌تکه کردن (Chunking) Lab 47. Chunking Strategies

  • آزمایشگاه ۴۸. طراحی متادیتا Lab 48. Metadata Design

  • آزمایشگاه ۴۹. بهینه‌سازی بازیابی Lab 49. Retrieval Optimization

  • آزمایشگاه ۵۰. دستیار دانش سازمانی Lab 50. Enterprise Knowledge Assistant

ماژول ۶ — مهندسی جریان کاری و اتوماسیون MODULE 6 — Workflow and Automation Engineering

  • مهندسی جریان کاری و اتوماسیون Workflow and Automation Engineering

  • آزمایشگاه ۵۱. مبانی اتوماسیون جریان کاری Lab 51. Workflow Automation Fundamentals

  • آزمایشگاه ۵۲. سیستم‌های رویداد-محور Lab 52. Event-Driven Systems

  • آزمایشگاه ۵۳. جریان‌های کاری ارکستره شده توسط عامل Lab 53. Agent-Orchestrated Workflows

  • آزمایشگاه ۵۴. طراحی نظارت انسانی (Human in the Loop) Lab 54. Human-in-the-Loop Design

  • آزمایشگاه ۵۵. جریان‌های کاری تایید Lab 55. Approval Workflows

  • آزمایشگاه ۵۶. اتوماسیون فرآیندهای تجاری Lab 56. Business Process Automation

  • آزمایشگاه ۵۷. صف‌های وظیفه Lab 57. Task Queues

  • آزمایشگاه ۵۸. اتوماسیون زمان‌بندی‌شده Lab 58. Scheduled Automation

  • آزمایشگاه ۵۹. جریان‌های کاری بلندمدت عامل Lab 59. Long-Running Agent Workflows

  • آزمایشگاه ۶۰. خط لوله اتوماسیون سازمانی Lab 60. Enterprise Automation Pipeline

ماژول ۷ — سیستم‌های چند-عاملی MODULE 7 — Multi-Agent Systems

  • سیستم‌های چند-عاملی Multi-Agent Systems

  • آزمایشگاه ۶۱. معماری چند-عاملی Lab 61. Multi-Agent Architecture

  • آزمایشگاه ۶۲. الگوهای ارتباطی عامل‌ها Lab 62. Agent Communication Patterns

  • آزمایشگاه ۶۳. مدل‌های هماهنگی عامل‌ها Lab 63. Agent Coordination Models

  • آزمایشگاه ۶۴. سیستم‌های عاملی سلسله‌مراتبی Lab 64. Hierarchical Agent Systems

  • آزمایشگاه ۶۵. طراحی عامل تحقیق Lab 65. Research Agent Design

  • آزمایشگاه ۶۶. طراحی عامل برنامه‌ریز Lab 66. Planner Agent Design

  • آزمایشگاه ۶۷. طراحی عامل اجراکننده Lab 67. Executor Agent Design

  • آزمایشگاه ۶۸. طراحی عامل بازبین Lab 68. Reviewer Agent Design

  • آزمایشگاه ۶۹. الگوهای هوش جمعی (Swarm Intelligence) Lab 69. Swarm Intelligence Patterns

  • آزمایشگاه ۷۰. پلتفرم چند-عاملی سازمانی Lab 70. Enterprise Multi-Agent Platform

ماژول ۸ — مهندسی داده برای عوامل هوشمند MODULE 8 — Data Engineering for Agents

  • مهندسی داده برای عوامل هوشمند Data Engineering for Agents

  • آزمایشگاه ۷۱. مبانی خط لوله داده Lab 71. Data Pipeline Fundamentals

  • آزمایشگاه ۷۲. تکنیک‌های اعتبارسنجی داده‌ها Lab 72. Data Validation Techniques

  • آزمایشگاه ۷۳. سیستم‌های دانش ساختاریافته Lab 73. Structured Knowledge Systems

  • آزمایشگاه ۷۴. مدل‌های دانش گراف-محور Lab 74. Graph-Based Knowledge Models

  • آزمایشگاه ۷۵. کنترل‌های کیفیت داده Lab 75. Data Quality Controls

  • آزمایشگاه ۷۶. قراردادهای داده عاملی Lab 76. Agent Data Contracts

  • آزمایشگاه ۷۷. مبانی استریمینگ داده‌ها Lab 77. Event Streaming Basics

  • آزمایشگاه ۷۸. پردازش داده‌های بلادرنگ Lab 78. Real-Time Data Processing

  • آزمایشگاه ۷۹. تحلیل داده‌ها برای سیستم‌های عاملی Lab 79. Analytics for Agent Systems

  • آزمایشگاه ۸۰. معماری داده‌های صنعتی Lab 80. Production Data Architecture

ماژول ۹ — امنیت، حاکمیت و انطباق MODULE 9 — Security, Governance and Compliance

  • امنیت، حاکمیت و انطباق Security, Governance and Compliance

  • آزمایشگاه ۸۱. مدل‌سازی تهدیدات AI Lab 81. AI Threat Modeling

  • آزمایشگاه ۸۲. مدیریت هویت و دسترسی Lab 82. Identity and Access Management

  • آزمایشگاه ۸۳. مدیریت اسرار Lab 83. Secrets Management

  • آزمایشگاه ۸۴. فراخوانی امن ابزارها Lab 84. Secure Tool Invocation

  • آزمایشگاه ۸۵. محیط‌های ایزوله (Sandboxing) عامل Lab 85. Agent Sandboxing

  • آزمایشگاه ۸۶. لاگ‌های حسابرسی Lab 86. Audit Logging

  • آزمایشگاه ۸۷. کنترل‌های حریم خصوصی داده‌ها Lab 87. Data Privacy Controls

  • آزمایشگاه ۸۸. سیستم‌های AI منطبق با GDPR Lab 88. GDPR-Aware AI Systems

  • آزمایشگاه ۸۹. چارچوب‌های حاکمیت AI Lab 89. AI Governance Frameworks

  • آزمایشگاه ۹۰. معماری انطباق سازمانی Lab 90. Enterprise Compliance Architecture

ماژول ۱۰ — قابلیت اطمینان، قابلیت مشاهده و LLMOps MODULE 10 — Reliability, Observability and LLMOps

  • قابلیت اطمینان، قابلیت مشاهده و LLMOps Reliability, Observability and LLMOps

  • آزمایشگاه ۹۱. مبانی قابلیت مشاهده Lab 91. Observability Fundamentals

  • آزمایشگاه ۹۲. تله‌متری عامل Lab 92. Agent Telemetry

  • آزمایشگاه ۹۳. ردیابی توزیع‌شده (Distributed Tracing) Lab 93. Distributed Tracing

  • آزمایشگاه ۹۴. چارچوب‌های ارزیابی Lab 94. Evaluation Frameworks

  • آزمایشگاه ۹۵. تشخیص توهمات (Hallucination Detection) Lab 95. Hallucination Detection

  • آزمایشگاه ۹۶. مهندسی قابلیت اطمینان Lab 96. Reliability Engineering

  • آزمایشگاه ۹۷. خط لوله‌های LLMOps Lab 97. LLMOps Pipelines

  • آزمایشگاه ۹۸. استقرار کوبرنتیز برای عامل‌ها Lab 98. Kubernetes Deployment for Agents

  • آزمایشگاه ۹۹. استقرار پلتفرم هوش مصنوعی مستقل Lab 99. Sovereign AI Platform Deployment

  • آزمایشگاه ۱۰۰. پروژه نهایی: پلتفرم Agentic AI سازمانی مستقل Lab 100. Sovereign Enterprise Agentic AI Platform Capstone

جمع‌بندی Conclusion

  • جمع‌بندی Conclusion

نمایش نظرات

آموزش عوامل هوشمند AI و سیستم‌های چند-عاملی با ۱۰۰ آزمایشگاه Agentic AI
جزییات دوره
2 hours
112
(آخرین آپدیت)
23
از 5
ندارد
ندارد
ندارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dar Al Taqniya Dar Al Taqniya

تکنولوژی ساده شده برای همه