یادگیری هوش مصنوعی عاملی - ساخت گردشکارهای خودکار چندایجنتی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک دقیق LLMs، ایجنتهای هوش مصنوعی، MCP، سامانههای چندایجنتی و هوش مصنوعی عاملی
- ساخت گردشکارهای چندایجنتی با استفاده از فریمورک AutoGen مایکروسافت
- توسعه ایجنتهای تخصصی مانند ایجنت جیرا برای تحلیل باگ، ایجنت Playwright برای اتوماسیون مرورگر، ایجنت API برای تست و ایجنت پایگاه داده برای تحلیل داده
- ساخت ایجنتهای هوش مصنوعی هوشمند و خودمختار که با هم همکاری میکنند، خودتصحیح میشوند و تسکهای پیچیده را بدون مداخله مداوم انسان به انجام میرسانند.
- درک قدرت مهندسی کانتکس برای فعالسازی کارکرد مؤثر ایجنتهای هوش مصنوعی در دستیابی به اهداف تعریف شده
- کسب دانش جامع درباره مفاهیم فریمورک AutoGen از جمله ایجنتهای دستیار، همکاری انسان در حلقه، استراتژیهای خاتمه و حفظ state
- ساخت الگوی طراحی فکتوری ایجنت برای ایجاد ایجنتهای تخصصی قابل استفاده مجدد برای مقاصد چندگانه
- دریافت دانش عمیق درباره MCPs و نحوه تعریف پیکربندیهای آنها برای کاربردهای واقعی
پیشنیازهای دوره
- بدون الزامات - داشتن دانش اولیه از پایتون مفید است، اما در بخش آخر دوره نیز به عنوان یادگیری اختیاری پوشش داده میشود.
توضیحات دوره
به آینده اتوماسیون هوش مصنوعی، هوش مصنوعی عاملی با فریمورک AutoGen خوش آمدید!
این دوره راهنمای کامل شما برای ساخت ایجنتهای هوش مصنوعی هوشمند و خودمختار است که با هم همکاری میکنند، به طور مداوم خود را اصلاح میکنند و تسکهای پیچیده را بدون مداخله مداوم انسان انجام میدهند. حتی اگر در این حوزه تازهکار باشید، از مبانی مطلق شروع میکنیم. هیچ دانش قبلی از فریمورکهای ایجنت نیاز نیست.
شما با تسلط به اصول اولیه مدلهای زبانی بزرگ (LLMs)، ایجنتهای هوش مصنوعی، سیستمهای چندایجنتی و پروتکل کانتکس مدل (MCP) که ستون فقرات ارتباط بین ایجنتها و ابزارها را تشکیل میدهد شروع میکنید. در ادامه، یاد میگیرید چگونه کانتکسها را مهندسی کرده و پرامپتهایی بنویسید که پتانسیل واقعی ایجنتهای هوش مصنوعی شما را آزاد سازد.
از طریق پروژههای عملی، ایجنتهای واقعی مانند ایجنتهای اتوماسیون مرورگر، ایجنتهای پایگاه داده، ایجنتهای API و ایجنتهای جیرا را میسازید. ما فراتر از تئوری با الگوهای همکاری پیشرفته، از جمله چتهای گروهی چندایجنتی، گردشکارهای کانتکس محور و اعتبارسنجی خودکار آشنا میشویم.
در پایان، مهارتهای لازم برای ساخت سیستمهای عاملی آماده تولید با استفاده از الگوی فکتوری ایجنت را خواهید داشت که شما را قادر میسازد تا گردشکارهای هوش مصنوعی قابل استفاده مجدد، مقیاسپذیر و با کارایی بالا طراحی کنید.
اگر آمادهاید از کاربرهای هوش مصنوعی به سازندگان هوش مصنوعی ارتقا یابید، این دوره ابزارها و ذهنیت لازم برای رهبری موج بعدی نوآوری در هوش مصنوعی را در اختیارتان قرار میدهد.
این دوره از استک پایتون و مبانی پایتون استفاده میکند و مبانی پایتون به طور کامل در بخش آخر دوره برای مرور دوباره بررسی شدهاند.
این دوره برای چه کسانی مناسب است؟
- مهندسان هوش مصنوعی
- مهندسان QA
- توسعهدهندگان
- مهندسان نرمافزار
- تحلیلگران و مدیران کسبوکار
یادگیری هوش مصنوعی عاملی - ساخت گردشکارهای خودکار چندایجنتی
-
سؤالات متداول (حتماً ببینید) - آنچه از این دوره یاد خواهید گرفت؟ 07:42
-
LLM چیست؟ ویژگیها و محدودیتهای آن 07:39
-
انتقال از LLM به ایجنتهای هوش مصنوعی - ایجنت هوش مصنوعی در چه زمینههایی درخشان است؟ 09:37
-
MCP چیست؟ چگونه این MCP به یک LLM قدرتی بیحدومرز میدهد؟ 28:09
-
ایجاد ایجنتی که با استفاده از MCP Servers در Playwright و سلنیوم مرورگر وب را خودکار کند 14:36
-
ایجاد ایجنتی که بتواند داده را از پایگاه داده SQL با فریمینگ کوئریهای پیچیده استخراج کند 23:40
-
ایجاد ایجنتی که بتواند تست API انجام دهد و با فایلهای سیستم محلی با داده ارتباط برقرار کند 18:29
-
ایجاد ایجنتی که بتواند داده را در فایل اکسل برای هر سناریو بخواند و بنویسد 12:49
-
معایب داشتن یک ایجنت و اینکه چگونه چندایجنتی این مشکل را حل میکند 05:48
-
هوش مصنوعی عاملی چیست؟ اهمیت گردشکارهای چندایجنتی 08:36
-
راهاندازی پایتون و IDE برای شروع کار در ماشین ویندوز 06:15
-
راهاندازی پایتون و IDE برای شروع کار در ماشین مک 06:42
-
راهاندازی محیط مجازی پایتون و نصب پکیجهای AutoGen در محیط پایتون 09:54
-
چگونه هر کدی در پایتون را اجرا کرده و فراخوانی توابع آن را آغاز کنیم؟ 04:51
-
آشنایی با AssistantAgent و پیادهسازی آن با یک مثال 12:53
-
چگونه AssistantAgent به ورودیهای چندوجهی مانند تصاویر و فایلها پاسخ میدهد؟ 14:39
-
RoundRobinGroupChat چیست؟ چگونه بین ایجنتها در یک تیم هماهنگی ایجاد کنیم؟ 11:46
-
شرطی خاتمه چیست و چرا به آن نیاز داریم؟ خاتمه با MessageMax 08:13
-
چگونه انسان در حلقه را دریافت کنیم؟ - آشنایی با کلاس UserProxyAgent در AutoGen 17:18
-
مکانیزم ذخیره State - چگونه با حفظ State بین ایجنتها جابجا شویم؟ 14:06
-
SelectorGroupChat - چگونه به طور پویا تعیین کنیم کدام ایجنت در تیم عمل میکند؟ 16:06
-
ایجنت ویژه AutoGen با قابلیتهای داخلی اتوماسیون مرورگر 12:36
-
چگونه پشتیبانی ابزارهای MCP را به ایجنت دستیار با کلاس mcpworkbench اضافه کنیم؟ 16:34
-
مثال End to End شامل ایجنت دستیار، MCP، انسان در حلقه، تیمها و خاتمه 09:39
-
درک اهداف گردشکار چندایجنتی با یک طرح اجرایی 06:30
-
راهاندازی حساب جیرا در ابر برای اجرای پروژه هوش مصنوعی عاملی 06:22
-
بررسی سطح بالا در مورد نحوه ایجاد باگها و بازیابی آنها در پروژه جیرا 07:17
-
درک نحوه افزودن متغیرهای محیطی جیرا به ایجنت دستیار - دمو 12:30
-
ایجاد ایجنت جیرا با یکپارچهسازی Jira mcpworkbench درون ایجنت دستیار 10:47
-
ایجاد ایجنت اتوماسیون مرورگر با یکپارچهسازی Playwright mcpworkbench 05:41
-
مهم - راهاندازی کانتکس برای جیرا و ایجنتهای مرورگر به منظور دستیابی به هدف 15:49
-
گردشکار end to end کامل برای ساخت راهحل هوش مصنوعی عاملی با تیمهای RoundRobin 09:00
-
اجرای گردشکار چندایجنتی و تحلیل دقیق رفتار خروجی ایجنتها 11:50
-
ایجنتهای پایگاه داده، API و اکسل - درک اهداف چند ایجنت و گردشکار آن 06:32
-
AgentFactory چیست؟ چگونه ایجنتها را درون فکتوری ایزوله کرده و ایجاد کنیم؟ 12:18
-
ساخت فایل پیکربندی MCP، اتصال فکتوری و فایل پیکربندی به جریان تست اصلی - بخش 1 07:28
-
ساخت فایل پیکربندی MCP، اتصال فکتوری و فایل پیکربندی به جریان تست اصلی - بخش 2 09:07
-
گردشکار end to end کامل برای ساخت راهحل هوش مصنوعی عاملی با مفاهیم AutoGen 05:56
-
ارائه پیامهای سیستم به ایجنتهای پایگاه داده، ایجنتهای API و ایجنتهای اکسل به صورت منطقی - بخش 1 13:26
-
اجرای گردشکار چندایجنتی و تحلیل دقیق رفتار خروجی ایجنتها 12:39
-
خلاصه هوش مصنوعی عاملی - مفاهیم گردشکار چند ایجنت یاد گرفته شده در دوره 04:47
-
ارائه پیامهای سیستم به ایجنتهای پایگاه داده، ایجنتهای API و ایجنتهای اکسل بهصورت منطقی - بخش 2 07:14
-
برنامه Hello World در پایتون با مبانی 08:35
-
تایپهای داده در پایتون و نحوه تشخیص تایپ در رانتایم 05:17
-
تایپ داده لیست و عملیاتهای آن برای دستکاری 12:47
-
تایپهای داده تاپل و دیکشنری در پایتون با مثالها 08:28
-
شرطی if-else در پایتون با مثالهای عملی 03:10
-
چگونه در رانتایم، دیکشنریها را بسازیم و داده را به آنها اضافه کنیم؟ 07:55
-
نحوه کار حلقهها در پایتون و اهمیت indentation کد 08:58
-
مثالهای برنامهنویسی با استفاده از حلقه for 04:17
-
مثالهای برنامهنویسی با استفاده از حلقه while 10:27
-
توابع چه هستند؟ چگونه در پایتون از آنها استفاده کنیم؟ 10:46
-
اصول برنامهنویسی شیگرا (OOP) - کلاسها و آبجکتها در پایتون 07:38
-
Constructor چیست و نقش آن در برنامهنویسی شیگرا؟ 13:38
-
مفاهیم وراثت با مثالهایی در پایتون 12:12
-
رشتهها و توابع آن در پایتون 09:53
مشخصات آموزش
یادگیری هوش مصنوعی عاملی - ساخت گردشکارهای خودکار چندایجنتی
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:همه سطوح
- تعداد درس:56
- مدت زمان :09:52:32
- حجم :8.03GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy