آموزش توسعه عاملهای هوش مصنوعی (AI Agent) با پایتون - آخرین آپدیت
دانلود AI Agent Development with Python
به دوره توسعه عاملهای هوش مصنوعی با پایتونخوش آمدید؛ دورهای کاربردی که برای کمک به شما در ساخت عاملهای هوشمند (AI Agents)، دستیارهای AI، عاملهای ابزار-محور، عاملهای پژوهشیو اپلیکیشنهای چند-عاملیاز صفر طراحی شده است.
در این دوره، خواهید آموخت که چگونه اپلیکیشنهای هوش مصنوعی مولدمدرن با استفاده از پایتون ساخته میشوند. به جای یادگیری صرف تئوری، پروژههای عملی خواهید ساخت که نشان میدهد چگونه عاملهای AI میتوانند درخواستهای کاربر را درک کنند، وظایف را برنامهریزی کنند، از ابزارها استفاده کنند، اطلاعات را به خاطر بسپارند، در اسناد جستجو کنند، پژوهش انجام دهند و با سایر عاملهای تخصصی همکاری کنند.
ما با مبانی عاملهای هوش مصنوعیشروع میکنیم و میآموزیم که آنها چه تفاوتی با چتباتهای ساده دارند. شما اولین دستیار هوش مصنوعی پایتونیخود را میسازید و با پرامپتها، تاریخچه گفتگو، پاسخهای ساختاریافته و حلقه پایه اجرای عامل آشنا میشوید. از آنجا به سراغ برنامهریزی عامل (Agent Planning)میرویم، جایی که اپلیکیشن شما میتواند اهداف بزرگ را به گامهای کوچکتر و قابل اجرا تبدیل کند.
سپس، عاملهای AI فراخوان ابزار (Tool-calling)را خواهید ساخت که میتوانند با توابع پایتون، APIها، فایلها، ماشینحسابها، ابزارهای جستجو و جریانهای کاری کسبوکار تعامل داشته باشند. یاد میگیرید چگونه ابزارها را طراحی کنید، درخواستهای کاربر را مسیریابی کنید، پاسخهای ابزار را مدیریت کنید و رفتارهای ایمنتر و قابل اعتمادتری برای عامل ایجاد کنید.
همچنین یاد میگیرید چگونه اپلیکیشنهای RAGرا با استفاده از تولید تقویتشده با بازیابیبسازید. این بدان معناست که عامل AI شما قادر خواهد بود به سوالات از اسناد خصوصی، PDFها، خطمشیها، دفترچههای راهنما و پایگاههای دانش پاسخ دهد. شما با امبدینگها (Embeddings)، پایگاههای داده برداری، تکهتکه کردن اسناد، جستجوی معنایی و سیستمهای حافظه کار خواهید کرد تا عاملهای شما پاسخهای مفیدتر و مستندتری ارائه دهند.
با پیشروی در دوره، یک عامل پژوهشی خودمختارخواهید ساخت که میتواند اطلاعات را جمعآوری کرده، یافتهها را سازماندهی کند، بینشها را خلاصه کرده و گزارشهای مفیدی تولید کند. همچنین یاد میگیرید چگونه سیستمهای چند-عاملیایجاد کنید، جایی که عاملهای مختلف مانند یک تیم با هم کار میکنند؛ مثلاً یک عامل برنامهریز، عامل پژوهش، عامل ابزار، عامل تحلیلگر، عامل نویسنده و عامل بازبین.
این دوره از Python، Ollama، مدلهای زبانی محلی (Local LLMs)، Streamlit، RAG، جریانهای کاری عاملو معماری چند-عاملیاستفاده میکند تا درک کنید اپلیکیشنهای کاربردی AI چگونه طراحی و ساخته میشوند. هیچ API از OpenAI مورد نیاز نیست و یاد میگیرید چگونه با مدلهای محلی با استفاده از Ollama کار کنید.
در پایان این دوره، شما نحوه طراحی و ساخت کامل اپلیکیشنهای عامل هوش مصنوعی با پایتونرا درک خواهید کرد. قادر خواهید بود دستیاران AI بسازید، جریانهای کاری را خودکار کنید، اپلیکیشنهای پاسخدهی به اسناد را ایجاد کنید، عاملهای پژوهشی توسعه دهید و اپلیکیشنهای چند-عاملی را برای موارد استفاده واقعی طراحی کنید.
این دوره برای توسعهدهندگان پایتون، مهندسان نرمافزار، دانشجویان، فریلنسرها، متخصصان IT و هر کسی که میخواهد توسعه هوش مصنوعی مولد، اتوماسیون AI، اپلیکیشنهای LLM، سیستمهای RAGو عاملهای AI خودمختاررا از طریق پروژههای عملی بیاموزد، ایدهآل است.
پروژه نمایشی (Teaser) Teaser Project
-
مرکز فرماندهی کانسیرج هوشمند هتلی Hotel AI Concierge Command Center
روز اول —مبانی عاملهای هوش مصنوعی Day 1 — AI Agent Foundations
-
اصول اولیه عاملهای هوش مصنوعی AI Agents Fundamentals
-
حلقه اجرای عامل The Agent Execution Loop
-
مهندسی پرامپت و شخصیتهای عامل (Personas) Prompt Engineering and Agent Personas
-
ساخت اولین عامل پایتونی شما Building Your First Python Agent
-
طراحی ساختاریافته عامل و بهترین روشها Structured Agent Design and Best Practices
-
کارگاه عملی: دستیار هوش مصنوعی شخصی Hands-On Lab: Personal AI Assistant
-
دمو: دستیار هوش مصنوعی شخصی Demo: Personal AI Assistant
روز دوم —برنامهریزی، استدلال و خروجیهای ساختاریافته Day 2 — Planning, Reasoning, and Structured Outputs
-
مبانی برنامهریزی Planning Fundamentals
-
معماریهای برنامهریزی عامل Agent Planning Architectures
-
تامل (Reflection) و تصمیمگیری Reflection and Decision Making
-
خروجیهای ساختاریافته با Pydantic Structured Outputs with Pydantic
-
برنامهریزی ایمن و قابل اعتماد Safe and Reliable Planning
-
کارگاه عملی: عامل برنامهریز وظایف AI Hands-On Lab: AI Task Planning Agent
-
دمو: عامل برنامهریز وظایف AI Demo: AI Task Planning Agent
روز سوم —ابزارها، توابع و APIهای خارجی Day 3 — Tools, Functions, and External APIs
-
چرا عاملهای AI به ابزارها نیاز دارند Why AI Agents Need Tools
-
طراحی ابزارهای پایتونی قابل استفاده مجدد Designing Reusable Python Tools
-
کار با APIهای خارجی Working with External APIs
-
اجرای قابل اعتماد ابزارها Reliable Tool Execution
-
هماهنگسازی پیشرفته ابزارها Advanced Tool Orchestration
-
کارگاه عملی: عامل بهرهوری ابزار-محور Hands-On Lab: Tool-Using Productivity Agent
-
دمو: عامل بهرهوری ابزار-محور Demo: Tool-Using Productivity Agent
روز چهارم —حافظه، دانش و RAG Day 4 — Memory, Knowledge, and RAG
-
مبانی حافظه عامل Agent Memory Fundamentals
-
سیستمهای حافظه پایدار Persistent Memory Systems
-
پایگاههای داده برداری و امبدینگها Vector Databases and Embeddings
-
تولید تقویتشده با بازیابی (RAG) Retrieval-Augmented Generation (RAG)
-
مدیریت موثر حافظه Effective Memory Management
-
کارگاه عملی: دستیار اسناد با قابلیت حافظه Hands-On Lab: Memory-Enabled Document Assistant
-
دمو: دستیار اسناد با قابلیت حافظه Demo: Memory-Enabled Document Assistant
روز پنجم —عاملهای پژوهشی خودمختار Day 5 — Autonomous Research Agents
-
مبانی پژوهش خودمختار Autonomous Research Fundamentals
-
جمعآوری هوشمندانه اطلاعات Intelligent Information Gathering
-
کیفیت پژوهش و تایید اعتبار Research Quality and Verification
-
حلقههای پژوهشی تکرارشونده Iterative Research Loops
-
تولید گزارش و ارائه شواهد Report Generation and Evidence
-
کارگاه عملی: عامل پژوهشی خودمختار Hands-On Lab: Autonomous Research Agent
-
دمو: عامل پژوهشی خودمختار Demo: Autonomous Research Agent
روز ششم —سیستمهای چند-عاملی Day 6 — Multi-Agent Systems
-
مبانی سیستمهای چند-عاملی Multi-Agent Fundamentals
-
معماریهای چند-عاملی Multi-Agent Architectures
-
ارتباطات و هماهنگی بین عاملها Agent Communication and Coordination
-
هماهنگسازی جریان کاری با LangGraph Workflow Orchestration with LangGraph
-
ساخت سیستمهای چند-عاملی قابل اعتماد Building Reliable Multi-Agent Systems
-
کارگاه عملی: جریان کاری تحلیل و تولید محتوای چند-عاملی Hands-On Lab: Multi-Agent Content and Analysis Workflow
-
دمو: جریان کاری تحلیل و تولید محتوای چند-عاملی Demo: Multi-Agent Content and Analysis Workflow
روز هفتم —اپلیکیشنهای خودمختار آماده تولید Day 7 — Production-Ready Autonomous Applications
-
معماری جامع (End-to-End) عامل End-to-End Agent Architecture
-
مدیریت جریان کاری و نظارت انسانی Workflow Management and Human Oversight
-
قابلیت اطمینان و عملکرد Reliability and Performance
-
سیستمهای AI امن و مستحکم Robust and Secure AI Systems
-
ارزیابی، تست و استقرار Evaluation, Testing, and Deployment
-
کارگاه عملی: دستیار عملیات هوش مصنوعی خودمختار Hands-On Lab: Autonomous AI Operations Assistant
-
دمو: دستیار عملیات هوش مصنوعی خودمختار Demo: Autonomous AI Operations Assistant
School of AI
Arjun Vaid
نمایش نظرات