آموزش مسترکلاس مهندسی عامل‌های هوش مصنوعی (Agentic AI) ۲۰۲۶ - آخرین آپدیت

سرفصل ها و درس ها

مقدمه و خوش‌آمدگویی به دوره! Introduction and Welcome to the Course!

• خوش‌آمدگویی و دموی عامل‌های هوش مصنوعی! Welcome to the Course & AI Agents Demo!

• سرفصل‌های دوره و اهداف کلیدی یادگیری Course Outline & Key Learning Objectives

• نکات کلیدی برای موفقیت Key Success Tips

• راه‌اندازی محیط و دانلود Anaconda برای مک، ویندوز و لینوکس Environment Setup & Anaconda Download for Mac, Windows, & Linux

• دانلود منابع دوره Download the Course Materials

فریم‌ورک OpenAI Agents SDK (عامل تک) Open AI Agents SDK Framework (Single-Agent)

• پروژه ۱: ساخت عامل‌های ساده هوش مصنوعی بدون حافظه و ابزار Project 1: Build Simple AI Agents with No Memory & No Tools

• تکلیف ۱: مقدمه و اهداف ماژول - ساخت عامل‌های ساده Task 1. Introduction & Module Objectives - Build Simple AI Agents

• تکلیف ۲: راه‌اندازی محیط و پیکربندی OpenAI API Task 2. Environment Setup and OpenAI API Configuration

• تکلیف ۳: ساخت و اجرای اولین عامل هوش مصنوعی (بدون حافظه و ابزار) Task 3. Build and Run Our First AI Agent (No Memory & No Tools)

• سوال تمرینی: تغییر مدل و تست عامل با ورودی جدید Practice Opportunity Question: Change Model & Test Agent with New Input

• پاسخ تمرینی: تغییر مدل و تست عامل با ورودی جدید Practice Opportunity Solution: Change Model & Test Agent with New Input

• تکلیف ۴: تست حافظه، توکنایزیشن و Traces در OpenAI API Task 4. Memory Test, Tokenization, & OpenAI API Traces

• سوال تمرینی: ساخت عامل هوش مصنوعی تولیدکننده توییت Practice Opportunity Question: Build Tweet Generator AI Agent

• پاسخ تمرینی: ساخت عامل هوش مصنوعی تولیدکننده توییت Practice Opportunity Solution: Build Tweet Generator AI Agent

• پروژه ۲: ساخت عامل هوش مصنوعی دارای حافظه Project 2: Build an AI Agent with Memory

• تکلیف ۱: بررسی پروژه و اهداف یادگیری - عامل‌ها با حافظه Task 1. Project Overview and Key Learning Objectives - AI Agents with Memory

• تکلیف ۲: ساخت یک عامل بدون وضعیت (Stateless) و بدون حافظه Task 2. Build a stateless AI Agent with No Memory

• تکلیف ۳: ساخت عامل هوش مصنوعی دارای حافظه Task 3. Build an AI Agent with Memory

• سوال تمرینی: ساخت عامل برنامه‌ریز سفر همراه با حافظه Practice Opportunity Question: Build A Travel Planner AI Agent + Memory

• پاسخ تمرینی: ساخت عامل برنامه‌ریز سفر همراه با حافظه Practice Opportunity Solution: Build A Travel Planner AI Agent + Memory

• پروژه ۳: ساخت عامل‌های هوش مصنوعی مجهز به ابزار Project 3: Build AI Agents with Tools

• تکلیف ۱: بررسی پروژه و اهداف یادگیری - عامل‌ها با ابزار Task 1. Project Overview and Key Learning Objectives - AI Agents with Tools

• تکلیف ۲: راه‌اندازی Tavily Search API Task 2. Setup Tavily Search API

• تکلیف ۳: ایجاد تابع جستجوی Tavily و توسعه یک ابزار Task 3. Create a Tavily Search Function and Develop a Tool

• سوال تمرینی: تابع و ابزار جستجوی Tavily Practice Opportunity Question: Tavily Search Function & Tool

• پاسخ تمرینی: تابع و ابزار جستجوی Tavily Practice Opportunity Solution: Tavily Search Function & Tool

• تکلیف ۴: ساخت و اجرای عامل‌ها با ابزار جستجوی Tavily Task 4. Build and Run AI Agents with Tavily Search Tool

• سوال تمرینی: تست عامل‌های دارای ابزار و حافظه Practice Opportunity Question: Test AI Agents With Tools & Memory

• پاسخ تمرینی: تست عامل‌های دارای ابزار و حافظه Practice Opportunity Solution: Test AI Agents With Tools & Memory

• تکلیف ۵: بهره‌برداری از ابزارهای داخلی OpenAI Task 5. Leverage Existing OpenAI Built-In Tools

فریم‌ورک OpenAI Agents SDK (چند-عاملی) Open AI Agents SDK Framework (Multi-Agent)

• تکلیف ۱: بررسی پروژه و اهداف یادگیری - ساخت تیم‌های چند-عاملی Task 1. Project Overview & Key Learning Objectives - Building Multi Agent Teams

• تکلیف ۲: راه‌اندازی OpenAI API و ابزارهای مورد نیاز Task 2. Setup OpenAI API & Required Tools

• تکلیف ۳: تعریف دو عامل در OpenAI Agents SDK (عامل محقق و تحلیلگر) Task 3. Define Two AI Agents in OpenAI Agents SDK (Researcher & Analyst Agents)

• سوال تمرینی: اجرای هر دو عامل هوش مصنوعی Practice Opportunity Question: Run Both AI Agents

• پاسخ تمرینی: اجرای هر دو عامل هوش مصنوعی Practice Opportunity Solution: Run Both AI Agents

• تکلیف ۴: تعریف عامل نویسنده برای تولید خودکار گزارش Task 4. Define a Writer Agent for Automatic Report Generation

• سوال تمرینی: به‌روزرسانی دستورالعمل‌های عامل نویسنده Practice Opportunity Question: Update the Writer Agent Instructions

• پاسخ تمرینی: به‌روزرسانی دستورالعمل‌های عامل نویسنده Practice Opportunity Solution: Update the Writer Agent Instructions

• تکلیف ۵: ساخت مدیر برای سازماندهی چند-عامل و ردیابی اجرا (Trace Execution) Task 5. Build a Manager for Multiple AI Agents Orchestration + Trace Execution

• سوال تمرینی: توسعه تیم عامل‌های هوش مصنوعی برای تبلیغات خلاقانه Practice Opportunity Question - Develop a Creative Advertising AI Agents Team

• پاسخ تمرینی: توسعه تیم عامل‌های هوش مصنوعی برای تبلیغات خلاقانه Practice Opportunity Solution - Develop a Creative Advertising AI Agents Team

• تکلیف ۱: بررسی پروژه و اهداف یادگیری - گاردریل‌ها و انتقال‌ها (Handoffs) Task 1. Project Overview & Key Learning Objectives - Guardrails & Handoffs

• تکلیف ۲: راه‌اندازی OpenAI API و ابزارها Task 2. Setup OpenAI API & Tools

• ساخت عامل‌های هوش مصنوعی با گاردریل‌ها Build AI Agents with Guardrails

• سوال تمرینی: عامل‌های هوش مصنوعی با گاردریل‌ها Practice Opportunity Question: AI Agents with Guardrails

• پاسخ تمرینی: عامل‌های هوش مصنوعی با گاردریل‌ها Practice Opportunity Solution: AI Agents with Guardrails

• تکلیف ۴: تعریف تیمی از عامل‌ها (عامل‌های بنیادی و تحلیلگر) Task 4. Define a Team of AI Agents (Fundamentals & Analyst AI Agents)

• تکلیف ۵: ایجاد عامل‌های هوش مصنوعی به عنوان ابزار Task 5. Create AI Agents As Tools

• سوال تمرینی: ردیابی چند-عاملی در پلتفرم OpenAI API Practice Opportunity Question: Multi-Agent Traces on OpenAI API Platform

• پاسخ تمرینی: ردیابی چند-عاملی در پلتفرم OpenAI API Practice Opportunity Solution: Multi-Agent Traces on OpenAI API Platform

• تکلیف ۶: عامل‌های هوش مصنوعی با قابلیت انتقال (Handoffs) Task 6. AI Agents with Handoffs

• سوال تمرینی: عامل‌های هوش مصنوعی به عنوان ابزار Practice Opportunity Question: AI Agents as Tool

• پاسخ تمرینی: عامل‌های هوش مصنوعی به عنوان ابزار Practice Opportunity Solution - AI Agents as Tool

فریم‌ورک AutoGen AutoGen FrameWork

• تکلیف ۱: مقدمه و اهداف - ساخت تیم‌های عامل با AutoGen Task 1: Introduction & Goals – Build AI Agent Teams with AutoGen

• تکلیف ۲: بررسی قابلیت‌ها و ویژگی‌های کلیدی AutoGen Task 2: Explore AutoGen Capabilities & Key Features

• سوال تمرینی: طراحی تیم‌های عامل هوش مصنوعی Practice Opportunity Question: AI Agents Teams Design

• پاسخ تمرینی: طراحی تیم‌های عامل هوش مصنوعی Practice Opportunity Solution: AI Agents Teams Design

• تکلیف ۳: اولین ساخت - ایجاد عامل‌ها در AutoGen (با GPT-4o) Task 3: Your First Build – Creating AI Agents in AutoGen (GPT-4o)

• سوال تمرینی: ساخت عامل‌ها در AutoGen Practice Opportunity Question: Building AI Agents in AutoGen

• پاسخ تمرینی: ساخت عامل‌ها در AutoGen Practice Opportunity Solution: Building AI Agents in AutoGen

• تکلیف ۴: تست گفتگوهای عامل‌ها با LLM مشابه (OpenAI GPT-4o) Task 4. Test AI Agents Conversations with Similar LLM (OpenAI GPT-4o)

• سوال تمرینی: تغییر پارامترهای تابع initiate_chat() Practice Opportunity Question: Modify initiate_chat() Function Parameters

• پاسخ تمرینی: تغییر پارامترهای تابع initiate_chat() Practice Opportunity Solution: Modify initiate_chat() Function Parameters

• تکلیف ۵: پیکربندی عامل‌های چند-مدلی در AutoGen با Gemini و GPT-4o Task 5. Configure Multi-Model AI Agents in AutoGen with Gemini & OpenAI's GPT-4o

• سوال تمرینی: پیکربندی عامل‌ها با استفاده از Claude شرکت Anthropic Practice Opportunity Question: Configure AI Agents using Anthropic's Claude

• پاسخ تمرینی: پیکربندی عامل‌ها با استفاده از Claude شرکت Anthropic Practice Opportunity Solution: Configure AI Agents using Anthropic's Claude

• تکلیف ۶: فعال‌سازی گفتگوهای چند-مدلی در AutoGen Task 6. Trigger Multi-Model AI Agents Conversations in AutoGen

• سوال تمرینی: تنظیم سطح خلاقیت عامل هوش مصنوعی Practice Opportunity Question: Adjusting AI Agent's Creativity Level

• پاسخ تمرینی: تنظیم سطح خلاقیت عامل Practice Opportunity Solution: Adjusting Agent's Creativity Level

• تکلیف ۷: افزودن انسان (User Proxy Agent) و بهره‌برداری از Group Chat Task 7. Adding Human (User Proxy Agent) & Leveraging Group Chat

• سوال تمرینی: افزودن استراتژیست شبکه‌های اجتماعی Claude به چت Practice Opportunity Question: Adding Claude's Social Media Strategist to Chat

• پاسخ تمرینی: افزودن استراتژیست شبکه‌های اجتماعی Claude به چت Practice Opportunity Solution: Adding Claude's Social Media Strategist to Chat

• جمع‌بندی، خلاصه و پیام تشکر! Conclusion, Summary, & Thank You Message!

فریم‌ورک LangGraph LangGraph FrameWork

• تکلیف ۱: شروع پروژه - طراحی جریان‌های کاری عامل‌محور در LangGraph Task 1. Project Kickoff: Crafting AI Agentic Workflows in LangGraph

• تکلیف ۲: تسلط بر اجزای LangGraph: نودها، لبه‌ها و مبانی State Graph Task 2. Master LangGraph Components: Nodes, Edges & State Graph Essentials

• تکلیف ۳: ساخت اولین جریان کاری عامل‌محور - بخش اول Task 3. Build Your First AI Agentic Workflow – Part 1

• تکلیف ۳: ساخت اولین جریان کاری عامل‌محور - بخش دوم Task 3. Build Your First AI Agentic Workflow – Part 2

• سوال تمرینی: تست عامل خلاصه‌ساز در LangGraph Practice Opportunity Question: Test Summarization AI Agent in LangGraph

• پاسخ تمرینی: تست عامل خلاصه‌ساز در LangGraph Practice Opportunity Solution: Test Summarization AI Agent in LangGraph

• تکلیف ۴: ایجاد یک جریان کاری چند-نودی در LangGraph Task 4. Create a Multi-Node AI Agentic Workflow in LangGraph

• سوال تمرینی: افزودن نود تحلیل احساسات (Sentiment) به جریان کاری Practice Opportunity Question: Add a Sentiment Node to an AI Agentic Workflow

• پاسخ تمرینی: افزودن نود تحلیل احساسات به جریان کاری Practice Opportunity Solution: Add a Sentiment Node to an AI Agentic Workflow

• تکلیف ۵: ساخت جریان کاری با یک ابزار و لبه‌های شرطی - بخش اول Task 5. Build an AI Workflow with One Tool & Conditional Edges – Part 1

• تکلیف ۵: ساخت جریان کاری با یک ابزار و لبه‌های شرطی - بخش دوم Task 5. Build an AI Workflow with One Tool & Conditional Edges – Part 2

• سوال تمرینی: فراخوانی ابزارها در LangGraph Practice Opportunity Question: Calling Tools in LangGraph

• پاسخ تمرینی: فراخوانی ابزارها در LangGraph Practice Opportunity Solution: Calling Tools in LangGraph

• تکلیف ۶: ایجاد و یکپارچه‌سازی ابزار سفارشی در جریان‌های کاری LangGraph Task 6. Create & Integrate a Custom Tool in LangGraph Workflows

• سوال تمرینی: تعریف ابزارهای سفارشی جدید در LangGraph Practice Opportunity Question: Define New Custom Tools in LangGraph

• پاسخ تمرینی: تعریف ابزارهای سفارشی جدید در LangGraph Practice Opportunity Solution: Define New Custom Tools in LangGraph

• تکلیف ۷: استفاده از LangGraph و Amadeus برای ساخت ابزار جستجوی پرواز با ToolNode Task 7. Use LangGraph + Amadeus to Build a Flight Search Tool with ToolNode

• سوال تمرینی: افزودن ابزار جستجوی هتل با استفاده از Amadeus Practice Opportunity Question: Adding Hotel Search Tool Using Amadeus

• پاسخ تمرینی: افزودن ابزار جستجوی هتل با استفاده از Amadeus Practice Opportunity Solution: Adding Hotel Search Tool Using Amadeus

• تکلیف ۸: ترکیب تمام ویژگی‌ها برای ساخت عامل رزرو هوشمند Task 8. Combine All Features to Build the AI Booking Agent

• سوال تمرینی: تست ابزار رزرو عامل هوشمند Practice Opportunity Question: Test the AI Agent Booking Tool

• پاسخ تمرینی: تست ابزار رزرو عامل هوشمند Practice Opportunity Solution: Test the AI Agent Booking Tool

• تکلیف ۹: یکپارچه‌سازی عامل رزرو با Gradio در LangGraph Task 9. Integrate the AI Booking Agent with Gradio in LangGraph

• خلاصه، جمع‌بندی و پیام تشکر! Summary, Wrap-Up, & Thank You Message!

فریم‌ورک CrewAI CrewAI FrameWork

• تکلیف ۱: شروع پروژه - ساخت تیم هوش مصنوعی علوم داده با CrewAI Task 1. Project Kickoff: Building a Data Science AI Team with CrewAI

• تکلیف ۲: مدل‌های رگرسیون: بررسی کلی آموزش و ارزیابی Task 2. Regression Models: Training & Evaluation Overview

• تکلیف الف: مقدمه پروژه عملی - رگرسیون یادگیری ماشین (ML) Task A. Hands-On Project Intro: ML Regression

• تکلیف ب: مبانی رگرسیون ۱۰۱ - پایه‌های یادگیری ماشین Task B. Regression 101: Foundations of Machine Learning

• سوال چالش تمرینی: تست مبانی رگرسیون Practice Challenge Question: Test Your Regression Basics

• پاسخ چالش تمرینی: تست مبانی رگرسیون Practice Challenge Solution: Test Your Regression Basics

• تکلیف ج: بازرسی داده‌ها بخش اول - وارد کردن کتابخانه‌ها و نگاه اول Task C. Data Inspection Part 1: Importing Libraries & First Look

• تکلیف ج: بازرسی داده‌ها بخش دوم - وارد کردن کتابخانه‌ها و نگاه اول Task C. Data Inspection Part 2: Importing Libraries & First Look

• سوال تمرینی: بازرسی داده‌ها در پایتون Practice Opportunity Question: Inspecting Data in Python

• پاسخ تمرینی: بازرسی داده‌ها در پایتون Practice Opportunity Solution: Inspecting Data in Python

• تکلیف د: مدیریت داده‌های گم‌شده - تکنیک‌های Imputation Task D. Managing Missing Data: Imputation Techniques

• سوال تمرینی: جایگذاری داده‌ها و مدیریت مجموعه‌داده‌های ناقص Practice Opportunity Question: Data Imputation & Handling Missing Dataset

• پاسخ تمرینی: جایگذاری داده‌ها و مدیریت مجموعه‌داده‌های ناقص Practice Opportunity Solution: Data Imputation & Handling Missing Dataset

• تکلیف ه: بصری‌سازی و اکتشاف داده‌ها Task E. Data Visualization & Exploration

• سوال تمرینی: بصری‌سازی و اکتشاف Practice Opportunity Question: Visualization & Exploration

• پاسخ تمرینی: بصری‌سازی و اکتشاف Practice Opportunity Solution: Visualization & Exploration

• تکلیف و: پیش‌پردازش و تقسیم‌بندی داده‌ها (آموزشی در مقابل تست) Task F. Data Pre-Processing & Splitting (Training Vs. Testing)

• سوال تمرینی: پیش‌پردازش و تقسیم‌بندی داده‌ها Practice Opportunity Question: Data Pre-Processing & Splitting

• پاسخ تمرینی: پیش‌پردازش و تقسیم‌بندی داده‌ها Practice Opportunity Solution: Data Pre-Processing & Splitting

• تکلیف ز: استفاده از Scikit Learn برای رگرسیون ML Task G. Scikit-Learn for ML Regression

• سوال تمرینی: Scikit Learn برای رگرسیون ML Practice Opportunity Question: Scikit-Learn for ML Regression

• پاسخ تمرینی: Scikit Learn برای رگرسیون ML Practice Opportunity Solution: Scikit-Learn for ML Regression

• تکلیف ح: Scikit Learn برای رگرسیون Random Forest Task H. Scikit-Learn for Random Forest Regression

• سوال تمرینی: رگرسیون XGBoost Practice Opportunity Question: XG-Boost Regression

• پاسخ تمرینی: رگرسیون XGBoost Practice Opportunity Solution: XG-Boost Regression

• تکلیف ط: تحلیل اهمیت ویژگی‌ها (Feature Importance) Task I. Feature Importance Analysis

• سوال تمرینی: تحلیل اهمیت ویژگی‌ها Practice Opportunity Question: Feature Importance Analysis

• پاسخ تمرینی: تحلیل اهمیت ویژگی‌ها Practice Opportunity Solution: Feature Importance Analysis

• تکلیف ۳: بررسی عناصر اصلی CrewAI (عامل‌ها، وظایف، ابزارها) Task 3. Explore CrewAI Core Elements (Agents, Tasks, Tools)

• تکلیف ۴: بارگذاری و اعتبارسنجی ابزار NotebookCodeExecutor Task 4. Load & Validate the NotebookCodeExecutor Tool

• سوال تمرینی: اجرای ابزار NotebookCodeExecutor Practice Opportunity Question: Run the NotebookCodeExecutor Tool

• پاسخ تمرینی: اجرای ابزار NotebookCodeExecutor Practice Opportunity Solution: Running the NotebookCodeExecutor Tool

• تکلیف ۵: راه‌اندازی چندین عامل هوش مصنوعی در CrewAI Task 5. Set Up Multiple AI Agents in CrewAI

• سوال تمرینی: تنظیم عامل‌های موجود Practice Opportunity Question: Adjust Existing AI Agents

• پاسخ تمرینی: تنظیم عامل‌های موجود Practice Opportunity Solution: Adjusting Existing AI Agents

• تکلیف ۶: نقشه‌برداری وظایف کلیدی و عامل‌های مسئول در CrewAI Task 6. Map Out Key Tasks in CrewAI & Responsible Agents

• تکلیف ۷: ساخت و تجمیع تیم + اتوماسیون جریان کاری علوم داده Task 7. Build & Assemble the Crew + Automate a Data Science Workflow

• سوال تمرینی: تغییر وظایف برای ایجاد درخت تصمیم (Decision Trees) Practice Opportunity Question: Modify Tasks to Create Decision Trees

• پاسخ تمرینی: تغییر وظایف برای ایجاد درخت تصمیم Practice Opportunity Solution: Modifying Tasks for Decision Tree Creation

• جمع‌بندی و بینش‌های نهایی Summary & Closing Insights

پروتکل زمینه مدل (MCP) Model Context Protocol (MCP)

• تکلیف ۱: بررسی پروژه و مقدمه‌ای بر پروتکل زمینه مدل (MCP) Task 1. Project Overview & Introduction to Model Context Protocol (MCP)

• تکلیف ۲: بررسی عمیق پروتکل زمینه مدل (MCP) Task 2. Deep Dive into Model Context Protocol (MCP)

• تکلیف ۳: راه‌اندازی کتابخانه‌ها و پیکربندی API Task 3. Setting Up Libraries & API Configuration

• تکلیف ۴-الف (بخش ۱): ساخت سرور MCP همراه با ابزارها Task 4A (Part 1). Building the MCP Server with Tools

• تکلیف ۴-الف (بخش ۲): ادامه ساخت سرور MCP و یکپارچه‌سازی ابزارها Task 4A (Part 2). Continuing MCP Server Build & Tool Integration

• تکلیف ۴-ب: راه‌اندازی سرور MCP Task 4B. Launching the MCP Server

• سوال تمرینی: افزودن ابزار جدید به سرور MCP Practice Opportunity Question: Adding a New Tool to the MCP Server

• پاسخ تمرینی: افزودن ابزار جدید به سرور MCP Practice Opportunity Solution: Adding a New Tool to the MCP Server

• تکلیف ۵: بررسی ابزارها در سرور MCP و دریافت Manifest (Schema) Task 5. Explore Tools on MCP Server and Fetch the Manifest (Schema)

• سوال تمرینی: مانیفست سرور MCP (اسکیما) Practice Opportunity Question: MCP Server Manifest (Schema)

• پاسخ تمرینی: مانیفست سرور MCP (اسکیما) Practice Opportunity Solution: MCP Server Manifest (Schema)

• تکلیف ۶: ساخت عامل هوش مصنوعی با OpenAI Agents SDK و ابزارهای MCP Task 6. Create an AI Agent Using OpenAI Agents SDK With MCP Tools

• جمع‌بندی، خلاصه و تشکر! Conclusion, Summary, & Thank You!

فریم‌ورک n8n (بدون کد) N8N (No-Code) FrameWork

• مقدمه‌ای بر n8n: ویژگی‌ها، مبانی جریان کاری و اهداف یادگیری Introduction to n8n: Features, Workflow Basics, and Learning Goals

• ساخت اولین جریان کاری عامل خلاصه‌ساز در n8n Build Your First Agentic AI Summarization Workflow in n8n

• خروجی گرفتن از جریان‌ها، مدیریت متغیرها و ردیابی لاگ‌ها Export Workflows, Manage Variables, and Track Logs

• سوال تمرینی: ایجاد جریان کاری عامل ترجمه با Claude Practice Opportunity Question: Create Translation Agentic Workflow with Claude

• پاسخ تمرینی: ایجاد جریان کاری عامل ترجمه با Claude Practice Opportunity Solution: Create Translation Agentic Workflow with Claude

• افزودن جستجو، حافظه و بررسی قالب‌های n8n Adding Search, Memory, and Exploring n8n Templates

• سوال تمرینی: تست قابلیت‌های جستجوی عامل Practice Opportunity Question: Test Agent Search Capabilities

• پاسخ تمرینی: تست قابلیت‌های جستجوی عامل Practice Opportunity Solution: Test Agent Search Capabilities

• یکپارچه‌سازی Google Sheets در جریان‌های کاری عامل‌محور با n8n Integrating Google Sheets into Agentic Workflows with n8n

• سوال تمرینی: ساخت جریان کاری عامل تبدیل به پایتون Practice Opportunity Question: Build a Python Conversion Agentic Workflow

• پاسخ تمرینی: ساخت جریان کاری عامل تبدیل به پایتون Practice Opportunity Solution: Build a Python Conversion Agentic Workflow

• تولید خروجی ساختاریافته با Output Parser در n8n Generate Structured Output with the Output Parser in n8n

• اتوماسیون زمان‌بندی تقویم با جریان‌های کاری Google Calendar Automate Calendar Scheduling with Google Calendar Workflows

• افزودن قابلیت‌های تحریک (Trigger) از طریق ایمیل Adding Email Triggering Capabilities

مطالب تکمیلی - عامل‌های هوش مصنوعی در محیط عملیاتی Additional Materials - AI Agents in Production

• عامل‌های هوش مصنوعی در محیط عملیاتی AI Agents in Production

تبریک برای اتمام دوره! Congratulations on Completing the Course!

• تبریکات! Congratulations!