آموزش بوت‌کمپ ایجنت‌های هوش مصنوعی ۲۰۲۶: دوره جامع مهندسی AI Agent - آخرین آپدیت

سرفصل ها و درس ها

مقدمه‌ای بر ایجنت‌های AI: درک ایجنت‌های هوش مصنوعی Intro to AI Agents: Understanding AI agents

• دوره چه مباحثی را پوشش می‌دهد؟ What Does the Course Cover

• ایجنت هوش مصنوعی چیست؟ What Is an AI agent?

• چرا ایجنت‌ها موج بعدی تحول AI هستند؟ Why AI Agents Are Believed to Be the Next Big Thing?

• کوییز Quiz

مقدمه‌ای بر ایجنت‌های AI: اجزای ضروری برای ساخت ایجنت‌های AI Intro to AI Agents: Essential ingredients for building AI agents

• مقدمه Intro

• محیط – دنیای خارجی که ایجنت درک کرده و با آن تعامل دارد Environment – The External World That the Agent Perceives and Interacts With

• سنسورها – نحوه جمع‌آوری داده‌ها از محیط توسط ایجنت Sensors – How the Agent Collects Data About its Surroundings

• مدل – روش ایجنت برای درک اطلاعات Model – the Agent’s Way of Making Sense of Information

• کوییز Quiz

• منطق تصمیم‌گیری – قوانین و اهدافی که اقدامات ایجنت را هدایت می‌کنند Decision-making Logic – Rules and Objectives that Guide the Agent’s Actions

• اقدامات – نحوه تغییر محیط توسط ایجنت Actions – How the Agent Shapes the Environment

• محیط به‌روزرسانی شده The Updated Environment

• کوییز Quiz

مقدمه‌ای بر ایجنت‌های AI: انواع ایجنت‌ها؛ از ساختارهای ساده تا پیچیده Intro to AI Agents: Types of AI agents: from simple to complex structures

• مقدمه Intro

• ویژگی‌های کلیدی ایجنت‌های AI Key Characteristics of AI Agents

• ایجنت بازتابی ساده (Simple Reflex Agent) Simple Reflex Agent

• ایجنت بازتابی مدل-محور (Model-based Reflex Agent) Model-based Reflex Agent

• کوییز Quiz

• ایجنت هدف-محور (Goal-based Agent) Goal-based Agent

• ایجنت مطلوبیت-محور (Utility-based Agent) Utility-based Agent

• ایجنت یادگیرنده (Learning Agent) Learning Agent

• کوییز Quiz

مقدمه‌ای بر ایجنت‌های AI: هدایت و آموزش ایجنت‌های AI Intro to AI Agents: Guiding and teaching AI agents

• مقدمه Intro

• یادگیری از انسان‌ها Learning from Humans

• یادگیری از سیستم‌های خارجی Learning from External Systems

• کوییز Quiz

مقدمه‌ای بر ایجنت‌های AI: الگوهای معماری ایجنت‌های AI Intro to AI Agents: AI agent architecture patterns

• مقدمه Intro

• تفاوت LLMها در مقابل جریان‌های کاری AI و ایجنت‌ها Distinguishing LLMs vs AI Workflows vs Agents (Agentic vs Non-agentic AI)

• نحوه استدلال و عمل ایجنت‌ها (ReAct) How AI Agents Reason and Act (ReAct)

• کوییز Quiz

• استدلال ایجنت‌ها بدون مشاهده (ReWoo) How AI Agents Reason without Observation (ReWoo)

• تک-ایجنت‌ها Single Agents

• چند-ایجنت‌ها Multi-agents

• کوییز Quiz

مقدمه‌ای بر ایجنت‌های AI: پیاده‌سازی عملی ایجنت‌های AI Intro to AI Agents: Implementing AI agents in practice

• مقدمه Intro

• نحوه پیاده‌سازی ایجنت‌های AI در کسب‌وکار شما How to Implement AI Agents in Your Business

• انتخاب مدل مناسب Select a Model

• ابزارهای خارجی قابل استفاده برای ایجنت External Tools the Agent Can Use

• تنظیم دستورالعمل‌ها و بهترین روش‌های مهندسی پرامپت Configuring Instructions and Prompt Engineering Best Practices

• کوییز Quiz

• پرامپت‌نویسی Few-shot Few-shot Prompting

• استدلال زنجیره افکار (Chain of Thought) Chain of Thought Reasoning

• گاردریل‌ها (Guardrails) Guardrails

• اهمیت دخالت انسان The Importance of Human Intervention

• نحوه ارزیابی ایجنت‌های AI How to Evaluate AI Agents

• کوییز Quiz

مثال کاربردی n8n: ساخت یک اتوماسیون ایجنتی با n8n Practical example n8n: Build an agentic automation with n8n

• آشنایی با n8n Introduction to n8n

• انواع نودها در n8n Node Types in n8n

• پروژه‌ای که خواهیم ساخت The Project We Will Build

• تعریف شخصیت ایجنت: پرامپت سیستم Defining Your Agent’s Personality: The System Prompt

• افزودن مغز: تفکر در جریان کاری Adding the Brain: Making Your Workflow Think

• پیاده‌سازی حافظه در n8n Implementing Memory in n8n: Building Memory for Your Agent

• یکپارچه‌سازی ابزارها: گوگل شیت و جیمیل Integrating Tools: Google Sheets and Gmail

• تولید خروجی نهایی Producing the Final Output

مقدمه‌ای بر ایجنت‌های AI: زیرساخت ایجنت‌های AI Intro to AI Agents: AI agent infrastructure

• مقدمه Intro

• رابط‌های برنامه‌نویسی (APIs) APIs

• سرویس‌های ابری Cloud Services

• یکپارچه‌سازی داده‌ها و دانش Data and Knowledge Integration

• چارچوب‌های توسعه Development Frameworks

• استقرار (Deployment) Deployment

مقدمه‌ای بر ایجنت‌های AI: ایجنت‌های AI در کسب‌وکار Intro to AI Agents: AI agents in business

• ارزش پیشنهادی کلیدی ایجنت‌های AI The Key Value Proposition of AI Agents

• ایجنت‌های AI به عنوان هم‌تیمی AI Agents as Teammates

ماژول معماری ایجنت‌ها: مقدمه AI Agents Architecture Module: Intro

• مقدمه Intro

ماژول معماری ایجنت‌ها: مبانی هوش مصنوعی ایجنتی AI Agents Architecture Module: Foundations of Agentic AI

• جریان‌های کاری ایجنتی در مقابل ایجنت‌های AI Agentic Workflows vs. AI Agents

• اجزای اصلی ساخت یک ایجنت AI Core Building Blocks of an AI agent

• چه زمانی از ایجنت‌ها استفاده کنیم (و چه زمانی نکنیم) When (and when not) to Use AI Agents

• چرا معماری مهم است: مقیاس‌پذیری، قابلیت اطمینان و کنترل Why Architecture Matters: Scaling, Reliability & Control

ماژول معماری ایجنت‌ها: پرامپت‌نویسی برای سیستم‌های ایجنتی AI Agents Architecture Module: Prompting for Agentic Systems

• مقدمه بخش Section Introduction

• اصول کلی ساختاردهی پرامپت General Principles of Prompt Structuring

• چارچوب‌های پرامپت‌نویسی Prompting Frameworks

• پرامپت‌های مثبت و منفی Positive and Negative Prompting

• زنجیره افکار (CoT) Chain-of-Thought (CoT)

ماژول معماری ایجنت‌ها: جریان‌های کاری ایجنتی AI Agents Architecture Module: Agentic Workflows

• مقدمه بخش Section Introduction

• LLM تقویت شده The Augmented LLM

• زنجیره‌سازی پرامپت‌ها Prompt Chaining

• مسیریابی (Routing) Routing

• موازی‌سازی Parallelization

• الگوی ارکستراتور-ورکر Orchestrator-worker

• الگوی ارزیاب-بهینه‌ساز Evaluator-optimizer

ماژول معماری ایجنت‌ها: الگوهای معماری تک-ایجنت AI Agents Architecture Module: Single-Agent Architecture Patterns

• مقدمه بخش Section Introduction

• چه زمانی از معماری تک-ایجنت استفاده کنیم When to Use a Single Agent Architecture

• بازتاب (Reflection) Reflection

• مدل ReAct (فکر کن - انجام بده) ReAct (Think-Do)

• مدل Reflexion Reflexion

ماژول معماری ایجنت‌ها: برنامه‌ریزی و تجزیه وظایف AI Agents Architecture Module: Planning and Decomposition

• مقدمه بخش Section Introduction

• تجزیه وظایف (Task Decomposition) Task Decomposition

• اهمیت برنامه‌ریزی The Importance of Planning

• برنامه‌ریزی و حل مسئله (Plan and Solve) Plan and Solve

• مدل ReWOO ReWOO

• درخت افکار (Tree of Thought) Tree of Thought

ماژول معماری ایجنت‌ها: معماری‌های چند-ایجنت AI Agents Architecture Module: Multi-Agent Architectures

• مقدمه بخش Section Introduction

• مقایسه سیستم‌های تک-ایجنت در مقابل چند-ایجنت When to Use Single vs. Multi-agent Systems

• معماری‌های عمودی در مقابل افقی Vertical vs Horizontal Architectures

• چالش‌های گفتگوهای گروهی Challenges with Group Conversations

• مدل ناظر (Supervisor) Supervisor

• تیم‌های سلسله‌مراتبی Hierarchical Teams

• تیم‌های پویا Dynamic Teams

ماژول معماری ایجنت‌ها: اجرا، عملکرد و قابلیت اطمینان AI Agents Architecture Module: Execution, Performance, and Reliability

• مقدمه بخش Section Introduction

• ایجنت‌ها و اجرای ناهمزمان وظایف Agents and Asyncronous Task Execution

• معیارهای عملکرد: تأخیر و هزینه Performance Metrics - Latency and Cost

• مدیریت خطا و بازیابی Error Handling and Recovery

ماژول معماری ایجنت‌ها: سیستم‌های حافظه AI Agents Architecture Module: Memory Systems

• مقدمه بخش Section Introduction

• بافر زمینه کوتاه‌مدت Short-term Context Buffer

• تکنیک RAG با ذخیره‌ساز برداری Vector store RAG

• حافظه در سطح موجودیت (Entity level Memory) Entity-level Memory

ماژول معماری ایجنت‌ها: نظارت و کنترل AI Agents Architecture Module: Oversight and Control

• مقدمه بخش Section Introduction

• خود-بازتابی (Self reflection) Self-reflection

• انسان در حلقه (Human in the loop) Human-in-the-loop

ماژول معماری ایجنت‌ها: حاکمیت و ایمنی AI Agents Architecture Module: Governance and Safety

• الگوهای حاکمیتی Governance Patterns

• گاردریل‌ها و اجرای سیاست‌ها Guardrails and Policy Enforcement

• محدودکننده هزینه Cost-limiter

• تست سایه A/B A/B Shadow Testing

• سیستم‌های عدالت و ضد تعصب Bias and Fairness Systems

ماژول معماری ایجنت‌ها: ارزیابی و بنچ‌مارک AI Agents Architecture Module: Evaluation and Benchmarking

• مقدمه بخش Section Introduction

• نحوه اندازه‌گیری عملکرد ایجنت How to Measure Agent Performance

• بنچ‌مارک‌های آفلاین Offline Benchmarks

• معیارهای آنلاین Online Metrics

ماژول LangChain: آشنایی با LangChain LangChain Module: Introduction to LangChain

• مقدمه Introduction

• کاربردهای تجاری LangChain Business Applications of LangChain

• چه چیزی LangChain را قدرتمند می‌کند؟ What Makes LangChain Powerful?

• دوره چه مباحثی را پوشش می‌دهد؟ What Does the Course Cover?

ماژول LangChain: توکن‌ها، مدل‌ها و قیمت‌ها LangChain Module: Tokens, Models, and Prices

• توکن‌ها Tokens

• مدل‌ها و قیمت‌ها Models and Prices

ماژول LangChain: آماده‌سازی محیط LangChain Module: Setting Up the Environment

• راه اندازی محیط سفارشی Anaconda برای ادغام با Jupyter Setting Up a Custom Anaconda Environment for Jupyter Integration

• دریافت کلید API شرکت OpenAI Obtaining an OpenAI API Key

• تنظیم کلید API به عنوان متغیر محیطی Setting the API Key as an Environment Variable

ماژول LangChain: API شرکت OpenAI LangChain Module: The OpenAI API

• گام‌های نخست First Steps

• نقش‌های سیستم، کاربر و دستیار System, User, and Assistant Roles

• ساخت یک چت‌بات کنایه‌آمیز Creating a Sarcastic Chatbot

• دما (Temperature)، حداکثر توکن و استریمینگ Temperature, Max Tokens, and Streaming

ماژول LangChain: ورودی‌های مدل LangChain Module: Model Inputs

• چارچوب LangChain The LangChain Framework

• ChatOpenAI ChatOpenAI

• پیام‌های سیستم و انسانی System and Human Messages

• پیام‌های AI AI Messages

• قالب‌های پرامپت و مقادیر پرامپت Prompt Templates and Prompt Values

• قالب‌های پرامپت چت و مقادیر آن‌ها Chat Prompt Templates and Chat Prompt Values

• قالب‌های پیام چت Few-Shot Few-Shot Chat Message Prompt Templates

ماژول LangChain: پارسرهای خروجی LangChain Module: Output Parsers

• پارسر خروجی رشته‌ای (String) String Output Parser

• پارسر لیست جدا شده با کاما Comma-Separated List Output Parser

• پارسر تاریخ و زمان Datetime Output Parser

ماژول LangChain: زبان بیان LangChain (LCEL) LangChain Module: LangChain Expression Language (LCEL)

• پایپ کردن پرامپت، مدل و پارسر خروجی Piping a Prompt, Model, and an Output Parser

• پردازش دسته‌ای (Batching) Batching

• استریمینگ (Streaming) Streaming

• کلاس‌های Runnable و RunnableSequence The Runnable and RunnableSequence Classes

• پایپ کردن زنجیره‌ها و کلاس RunnablePassthrough Piping Chains and the RunnablePassthrough Class

• گراف کردن Runnableها Graphing Runnables

• RunnableParallel RunnableParallel

• پایپ کردن RunnableParallel با سایر Runnableها Piping a RunnableParallel with Other Runnables

• RunnableLambda RunnableLambda

• دکوراتور @chain The @chain Decorator

ماژول LangChain: تولید تقویت‌شده با بازیابی (RAG) LangChain Module: Retrieval Augmented Generation (RAG)

• نحوه ادغام داده‌های سفارشی در LLM How to Integrate Custom Data into an LLM

• آشنایی با RAG Introduction to RAG

• مقدمه‌ای بر بارگذاری و تقسیم اسناد Introduction to Document Loading and Splitting

• مقدمه‌ای بر جاسازی اسناد (Document Embedding) Introduction to Document Embedding

• مقدمه‌ای بر ذخیره، بازیابی و تولید اسناد Introduction to Document Storing, Retrieval, and Generation

• اندکس‌گذاری: بارگذاری با PyPDFLoader Indexing: Document Loading with PyPDFLoader

• اندکس‌گذاری: بارگذاری با Docx2txtLoader Indexing: Document Loading with Docx2txtLoader

• اندکس‌گذاری: تقسیم اسناد با Character Text Splitter (تئوری) Indexing: Document Splitting with Character Text Splitter (Theory)

• اندکس‌گذاری: تقسیم اسناد با Character Text Splitter (کدنویسی) Indexing: Document Splitting with Character Text Splitter (Code Along)

• اندکس‌گذاری: تقسیم اسناد با Markdown Header Text Splitter Indexing: Document Splitting with Markdown Header Text Splitter

• اندکس‌گذاری: جاسازی متن با OpenAI Indexing: Text Embedding with OpenAI

• اندکس‌گذاری: ایجاد ذخیره‌ساز برداری Chroma Indexing: Creating a Chroma Vector Store

• اندکس‌گذاری: بررسی و مدیریت اسناد در ذخیره‌ساز برداری Indexing: Inspecting and Managing Documents in a Vector Store

• بازیابی: جستجوی شباهت (Similarity Search) Retrieval: Similarity Search

• بازیابی: جستجوی MMR Retrieval: Maximal Marginal Relevance Search

• بازیابی: رتریور مبتنی بر Vector Store Retrieval: Vector Store-Backed Retriever

• تولید: Stuffing اسناد Generation: Stuffing Documents

• تولید: تولید پاسخ نهایی Generation: Generating a Response

ماژول LangGraph: مقدمه LangGraph Module: Introduction

• به ماژول LangGraph خوش آمدید Welcome to the LangGraph Module

• در ادامه چه خواهید دید What You Will See Next

• پیش‌نیازهای مدل Model Prerequisites

ماژول LangGraph: آماده‌سازی محیط LangGraph Module: Setting Up the Environment

• آماده‌سازی محیط Setting Up the Environment

ماژول LangGraph: اجزای گراف و پیاده‌سازی LangGraph Module: Graph Components and Implementation

• حالت‌ها (States)، نودها و لبه‌ها States, Nodes, and Edges

• اولین گراف: وارد کردن کلاس‌های مربوطه First Graph: Importing Relevant Classes

• اولین گراف: تعریف یک حالت و یک نود First Graph: Defining a State and a Node

• اولین گراف: ساخت گراف First Graph: Building the Graph

• لبه‌های شرطی: تعریف نودها و تابع مسیریابی Conditional Edges: Defining Nodes and a Routing Function

• لبه‌های شرطی: ساخت گراف Conditional Edges: Building the Graph

ماژول LangGraph: مدیریت پیام‌ها LangGraph Module: Message Management

• ساختار Annotated و توابع Reducer The Annotated Construct and Reducer Functions

• توابع Reducer در عمل Reducer Functions in Action

• کلاس MessagesState The MessagesState Class

• کلاس RemoveMessages The RemoveMessages Class

• هرس کردن پیام‌ها Trimming Messages

• خلاصه‌سازی پیام‌ها Summarizing Messages

ماژول LangGraph: پایداری در سطح ترد (Thread) LangGraph Module: Thread-Level Persistence

• چک‌پوینت‌ها و تردها Checkpointers and Threads

• حافظه کوتاه‌مدت با کلاس InMemorySaver Short-Term Memory with the InMemorySaver Class

• کلاس StateSnapshot The StateSnapshot Class

• حافظه بلندمدت با SQLite Long-Term Memory with SQLite

ماژول LangGraph: جمع‌بندی LangGraph Module: Conclusion

• جمع‌بندی Conclusion

ماژول ایجنت‌ها در عمل: معرفی دوره Agents in Practice Module: Introduction to the Course

• دوره چه مباحثی را پوشش می‌دهد؟ What does the course cover?

ماژول ایجنت‌ها در عمل: سیستم‌های ایجنتی در دنیای واقعی Agents in Practice Module: Agentic Systems in Practice

• ابزارهای توسعه ایجنت Agent Development Tools

• چرا LangGraph؟ Why LangGraph?

• آناتومی یک پروژه LangGraph Anatomy of a LangGraph Project

• تکنیک‌های پرامپت بخش اول Prompt Techniques Part 1

• تکنیک‌های پرامپت بخش دوم Prompt Techniques Part 2

• نکات و ترفندهای پرامپت‌نویسی Prompting Tips and Tricks

• ورودی سیستم در مقابل ورودی کاربر System Input vs. User Input

• پشت صحنه: چت‌بات کمک‌کار پروژه Behind Scenes - Project Helper Chatbot

ماژول ایجنت‌ها در عمل: پروژه ۱ - ایجنت کمک‌کار شغلی (ReAct) Agents in Practice Module: Project 1 - Job-Helper agent (ReAct)

• پروژه: ایجنت کمک‌کار شغلی (ReAct) Project: Job-Helper agent (ReAct)

• مرور معماری ReAct ReAct Аrchitecture Recap

• افزودن اعتبار به حساب OpenAI API Adding Funds to Your OpenAI API Account

• تنظیم کلید API شرکت OpenAI Setting Your OpenAI API Key

• نصب و راه‌اندازی Setup & Installation

• ساخت ابزارها: خواننده فایل Building the Tools: File Reader

• ساخت ابزارها: API جستجوی وب Building the Tools: Web Search API

• یکپارچه‌سازی ابزارها در ایجنت Integrating Tools into the Agent

• ساخت نود دستیار (Assistant Node) Building the Assistant Node

• ساخت گراف Building the Graph

• اجرای گراف Running the Graph

• افزودن حافظه Adding Memory

• اتصال به LangSmith Conncecting to LangSmith

ماژول ایجنت‌ها در عمل: پروژه ۲ - ایجنت کمک‌کار شغلی ReWOO Agents in Practice Module: Project 2 - ReWOO Job-Helper agent

• مرور کلی معماری ReWOO ReWOO Architecture Overview

• ساخت نود برنامه‌ریز (Planner Node) Building the Planner Node

• پیاده‌سازی اجراکننده (Executor) Implementing the Executor

• پیاده‌سازی حل‌کننده (Solver) Implementing the Solver

• اتصال گراف ReWOO Wiring Up the ReWOO Graph

• مقایسه ReAct در مقابل ReWOO ReAct vs ReWOO

ماژول ایجنت‌ها در عمل: پروژه ۳ - ارزیاب ایده‌های تجاری Agents in Practice Module: Project 3 - Business-Idea Evaluator

• مرور کلی پروژه Project Overview

• انسان در حلقه (HITL) Human-in-the-Loop (HITL)

• موازی‌سازی Parallelization

• مقداردهی اولیه حالت (State) Initializing the State

• ساخت مکانیزم انسان در حلقه Building the Human-in-the-loop

• ساخت نودهای پیش‌فرض «مشاور» Creating Pre-Made “Advisor” Nodes

• نود جمع‌آوری و ساخت گراف Collection Node and Building the Graph

• نهایی کردن پروژه Finalizing the project

• درس جایزه (Bonus) Bonus lecture