آموزش هوش مصنوعی عاملمحور (Agentic AI) و توسعه خودگردان - آخرین آپدیت
دانلود Agentic AI and Autonomous Development
هوش مصنوعی عاملمحور (Agentic AI) در حال تغییر نحوه کار ماست و برنامهنویسی نیز از این قاعده مستثنی نیست. عاملهای هوش مصنوعی قدرت معماران خودگردان و یکپارچه را فراهم میکنند که درست در کنار شما فعالیت میکنند. در این دوره، با مدرس Noah Gift همراه شوید تا مبانی مدل Actor برای توسعه خودگردان با استفاده از عاملهای هوش مصنوعی در زبانهای Go، Rust و Deno را بررسی کند. نکاتی برای ساخت، پیادهسازی و نظارت بر سیستمهای Actor خود بیاموزید و یاد بگیرید که چگونه نهتنها از عاملهای اصلی، بلکه از زیر-عاملها (Subagents) نیز بهره ببرید. در طول مسیر، Noah به شما نشان میدهد که چگونه با زیر-عاملهای خود در Claude، PMAT و Clippy کار کنید.
این دوره توسط Noah Gift و Pragmatic AI Labs ایجاد شده است و ما مفتخریم که این آموزش را در کتابخانه خود میزبانی کنیم.مقدمه Introduction
-
مرور کلی دوره Course overview
1. مبانی مدل Actor 1. Foundations of the Actor Model
-
مدل Actor: جداسازی، ارسال پیام و همروندی The actor model: Isolation, message passing, and concurrency
-
شفافیت مکان در سیستمهای Actor Location transparency in actor systems
2. پیادهسازی Actorها در Go 2. Go Actors Implementation
-
ساخت سیستمهای Actor در Go: دمو و walkthrough Building Go actor systems: Demo and walkthrough
-
پیادهسازی ناظر (Supervisor) در Go Go supervisor implementation
3. پیادهسازی Actorها در Rust 3. Rust Actors Implementation
-
درختهای نظارتی Actor در Rust Actor supervision trees in Rust
-
سیستمهای Actor در Rust: دمو و الگوها Rust actor systems: Demo and patterns
4. پیادهسازی Actorها در TypeScript و Deno 4. TypeScript and Deno Actors Implementation
-
عاملهای Deno: ساخت سیستمهای Actor ناهمگام (Async) Deno actors: Building async actor systems
5. عاملهای هوش مصنوعی و زیر-عاملها 5. AI Agents and Subagents
-
زیر-عاملهای Claude: معماری چند-عاملی Claude subagents: Multiagent architecture
-
بررسی عمیق معماری زیر-عامل PMAT PMAT subagent architecture deep dive
-
عاملهای متعدد تحت نظارت: الگوهای هماهنگی Supervised multiple agents: Coordination patterns
-
مدلهای زبانی کوچک (SLMs) برای عاملها SLMs: Small language models for agents
-
زیر-عامل Clippy: اتوماسیون بازبینی کد Clippy subagent: Code review automation
-
برتری عاملهای ساده: فلسفه طراحی Simple agents win: Design philosophy
-
قانون آمداهل و عملکرد زیر-عاملها Amdahl's law and subagent performance
جمعبندی Conclusion
-
مخزن پروژه کدنویسی عاملمحور: مرور کلی Agentic coding project repository: Overview
https://donyad.com/d/f5ea45
Noah Gift
کارشناس MLOps | انفرادی | نویسنده | استادیار | CTO
نوح به طور گسترده با AWS کار می کند و یک قهرمان یادگیری ماشین AWS است. او دارای چندین گواهینامه صنعتی برای AWS است. نوح آموزش و طراحی دوره های آموزشی ماشین فارغ التحصیل، MLOps، A.I.، علم داده و مشاوره در زمینه یادگیری ماشین و معماری ابری را انجام می دهد. مسئولیت های او شامل رهبری ابتکار صدور گواهینامه چند ابری برای دانش آموزان است. نوح نقش های مختلفی را به صورت حرفه ای ایفا کرده است، از جمله CTO، مدیر کل، مشاور مدیر ارشد فناوری، مشاور ارشد دانشمند داده و معمار ابر. او همچنین دارای چندین تیتراژ فیلم در فیلمهای اصلی برای کارهای فنی از جمله آواتار، مرد عنکبوتی 3 و بازگشت سوپرمن است.
Pragmatic AI Labs
آزمایشگاههای هوش مصنوعی عملگرا یک آموزشدهنده فناوری است.
آزمایشگاههای هوش مصنوعی عملی همه را، صرفنظر از ابزار یا پیشزمینه، به دانشی برای تغییر خود و ارتقای جوامع خود مجهز میکند. آزمایشگاههای هوش مصنوعی عملگرا تلاش میکنند تا آموزش را دموکراتیک کرده و زندگی را از طریق فناوری خلاقانه و اخلاقی تقویت کنند. با مدرسان برجسته از دانشگاههای برتر با تجربه صنعت در دنیای واقعی، برنامههای آن بر ارائه مهارتهای در دسترس و پیشرفته تمرکز دارد که منجر به تحقق مشاغل و در عین حال اجتناب از آسیب و بهبود رفاه انسان میشود.
نمایش نظرات