آموزش طراحی سیستم‌های چند-عاملی: پشتیبانی مشتری هوشمند با n8n - آخرین آپدیت

عامل‌های AI عملیاتی و مهندسی سیستم‌های چند-عاملی Production AI Agents & Multi-Agent Systems Engineering

• معرفی دوره Course Introduction

• معماری‌های عاملی: نحوه طراحی سیستم‌های چند-عاملی Agent Architectures: How to Design Multi-Agent Systems

• انتقال کانتکست بین عامل‌ها Context Passing Between Agents

• انسان در حلقه (HITL): ساخت لایه ایمنی Human-in-the-Loop: Building the Safety Layer

• مهندسی قابلیت اطمینان در محیط عملیاتی برای گردش کارهای AI Production Reliability Engineering for AI Workflows

• مدیریت گردش کار در محیط‌های مختلف Multi-Environment Workflow Management

• چرا تست عامل‌های AI دشوار است + استراتژی‌های Mocking Why AI Agent Testing is Difficult + Mocking Strategies

• چارچوب تست عملیاتی: لایه‌ها، تست‌های احتمالی و بهترین روش‌ها Production Testing Framework: Layers, Probabilistic Testing & Best Practices

• معرفی سیستم پشتیبانی مشتری هوشمند چند-عاملی Introduction to Multi-Agent AI Customer Support System

• مرور معماری سیستم و برنامه‌ریزی برای راه‌اندازی MCP System Architecture Overview & MCP Setup Planning

• دمو: یکپارچه‌سازی Supabase MCP و راه‌اندازی پایگاه دانش (RAG) DEMO : Supabase MCP Integration & Knowledge Base (RAG) Setup

• دمو: راه‌اندازی Airtable و پیکربندی MCP برای سیستم لاگینگ DEMO : Airtable Setup & MCP Configuration for Logging System

• دمو: اجرای نهایی گردش کار، تست و درج داده‌های نمونه DEMO : Final Workflow Execution, Testing & Dummy Data Insertion

• دمو: ساخت پایگاه دانش RAG برای پشتیبانی مشتری DEMO : Building the Customer Support RAG Knowledge Base

معماری چند-عاملی MCP و سیستم‌های پاسخگویی AI با RAG MCP Multi-Agent Architecture & AI Reply Systems with RAG

• طراحی معماری گردش کار چند-عاملی n8n مبتنی بر MCP Designing MCP-Powered n8n Multi-Agent Workflow Architecture

• ساخت عامل‌های AI: طبقه‌بند، سازنده پاسخ و سیستم نظارت انسانی Building AI Agents: Classifier, Reply Builder & Human-in-the-Loop System

• مشکلات تولید گردش کار، مقایسه مدل‌های AI و تلاش‌های بهینه‌سازی نهایی Workflow Generation Issues, AI Model Comparison & Final Optimization Attempts

• دمو: دریافت ایمیل از طریق Gmail و گردش کار مقداردهی اولیه کانتکست DEMO : Gmail-Based Email Fetching & Context Initialization Workflow

• دمو: مسیریابی عامل AI، منطق میزان اطمینان و یکپارچه‌سازی تلگرام و Airtable DEMO : AI Agent Routing, Confidence Logic & Telegram + Airtable Integration

• دمو: راه‌اندازی گردش کار سازنده پاسخ (تغییر معماری) DEMO : Setting Up the Reply Builder Workflow (Architecture Change)

• دمو: مدیریت ورودی Webhook و دریافت داده‌های مشتری DEMO : Webhook Input Handling + Customer Data Fetching

• ساخت کانتکست و آماده‌سازی RAG (یکپارچه‌سازی با Supabase) Building Context + RAG Preparation (Supabase Integration)

• دمو: تنظیمات عامل AI و تولید پیش‌نویس پاسخ DEMO: AI Agent Setup + Draft Reply Generation

• اصلاحات RAG، دیباگینگ و تکمیل نهایی گردش کار RAG Fixes, Debugging, and Final Workflow Completion

طبقه‌بندی AI، سیستم‌های HITL و کنترل گردش کار AI Classification, HITL Systems & Workflow Control

• درک عامل طبقه‌بند و بررسی مشکلات گردش کار Understanding the Classifier Agent & Workflow Issues

• دمو: طراحی عامل طبقه‌بندی AI (منطق اصلی) DEMO: Designing the AI Classification Agent (Core Logic)

• دمو: اجرا، دیباگینگ و خروجی نهایی طبقه‌بندی DEMO: Execution, Debugging & Final Classification Output

• دمو: راه‌اندازی تاییدیه HITL و گردش کار تلگرام DEMO: HITL Approval Setup & Telegram Workflow

• دمو: عملیات تایید/رد و منطق Airtable DEMO: Approval/Reject Actions & Airtable Logic

• دمو: پیکربندی Webhook و تنظیمات عامل DEMO: Webhook Configuration & Agent Setup

• دمو: مدیریت پاسخ‌های تلگرام و تست جریان DEMO: Telegram Response Handling & Flow Testing

• دمو: اعتبارسنجی نهایی HITL و جمع‌بندی گردش کار DEMO: Final HITL Validation & Workflow Wrap-Up

• خلاصه و جمع‌بندی Summary