تسلط به MCP: ساخت اپلیکیشنهای هوش مصنوعی با Claude ،LangChain و Ollama
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- ساخت و استقرار سرورهای سفارشی MCP با ابزارها، منابع و APIهای واقعی
- یکپارچهسازی سرورهای MCP با Claude Desktop و گردش کارهای LangChain و LangGraph
- پیادهسازی سیستمهای RAG با استفاده از پایگاههای داده برداری برای بازیابی هوشمند اسناد
- تست، ایمنسازی و استقرار سرورهای MCP آماده محیط تولید در محیطهای ابری
پیشنیازهای دوره
- دانش اولیه برنامهنویسی در پایتون
- دسترسی به کامپیوتر با اتصال اینترنت و توانایی نصب نرمافزار.
- نیازی به تجربه قبلی در هوش مصنوعی/یادگیری ماشین نیست — همه چیز گام به گام آموزش داده میشود.
- کنجکاوی برای یادگیری عملی یکپارچهسازیهای MCP و به کارگیری آنها در پروژههای دنیای واقعی
توضیحات دوره
به پروتکل زمینه مدل (MCP) مسلط شوید و اپلیکیشنهای هوش مصنوعی آماده تولید بسازید که کلود را به داده، APIها و گردش کارهای دنیای واقعی متصل میکند.
با تسریع پذیرش هوش مصنوعی در صنایع مختلف، پروتکل زمینه مدل (MCP) به عنوان استانداردی برای اتصال مدلهای هوش مصنوعی به سیستمهای خارجی ظهور کرده است. شرکتها به طور فعال به دنبال توسعهدهندگانی هستند که بتوانند یکپارچهسازیهای امن و مقیاسپذیر MCP را ایجاد کنند. این دوره شما را در خط مقدم این حوزه به سرعت در حال رشد قرار میدهد.
چه چیزی این دوره را متفاوت میکند؟
برخلاف دورههای تئوری، شما از روز اول پروژههای واقعی میسازید. هر بخش کدنویسی عملی را با مفاهیم ضروری ترکیب میکند و تضمین میکند که هم درک و هم مهارتهای عملی را توسعه میدهید. در پایان، شما یک نمونه کار از برنامههای MCP کاربردی آماده برای استفاده در محیط تولید خواهید داشت.
مسیر یادگیری کامل: از مبانی تا پیشرفته
اصول و راهاندازی
- تسلط به معماری MCP (لایههای کلاینت، سرور، انتقال)
- راهاندازی یک محیط توسعه حرفهای با پایتون، نود جیاس و Claude Desktop
- ساخت اولین سرور MCP خود با یکپارچهسازی API آب و هوای زنده
- اشکالزدایی و تست اتصالات MCP با استفاده از ابزارهای Inspector
یکپارچهسازیهای دنیای واقعی
- اتصال مستقیم سرورهای MCP به Claude Desktop برای افزایش فوری هوش مصنوعی
- ساخت سرورهای تحلیل داده برای اکسل، پاورپوینت و پایگاههای داده SQLite
- ایجاد ابزارهای مدیریت سیستم فایل برای گردش کارهای خودکار
- پیادهسازی اتوماسیون وب با استفاده از Microsoft Playwright
گردش کارهای پیشرفته هوش مصنوعی
- توسعه سیستمهای RAG (تولید با بازیابی افزودهشده) با LangChain و پایگاههای داده برداری
- ساخت برنامههای جستجوی شغل شخصیسازیشده با ابزارها، منابع و پرامپتهای MCP
- ایجاد معماریهای چند سروره برای فرآیندهای کسب و کار پیچیده
- طراحی گردش کارهای عاملی با استفاده از LLMهای محلی با اولاما
اپلیکیشنهای آماده محیط تولید
- ساخت رابطهای وب استریملیت برای کلاینتهای MCP
- پیادهسازی استراتژیهای تست جامع با MCP Inspector
- استقرار سرورها با استفاده از پروتکلهای انتقال متعدد (STDIO، HTTP)
- ایجاد پیکربندیهای مقیاسپذیر برای محیطهای سازمانی
پروژههای عملی که خواهید ساخت
سرور هوش آب و هوای بلادرنگ
- یکپارچهسازی API زنده با مدیریت خطا
- قابلیتهای تحلیل آب و هوای چند مکان
مجموعه تحلیل داده کسب و کار
- اتوماسیون اکسل/پاورپوینت برای تولید گزارش
- مدیریت پایگاه داده SQLite با پرسوجوهای مبتنی بر هوش مصنوعی
- یکپارچهسازی ناتیون برای انتشار گزارش حرفهای
دستیار جستجوی شغل مجهز به هوش مصنوعی
- یکپارچهسازی RapidAPI برای کشف شغل
- موتور توصیه شخصیسازیشده
- پیادهسازی کامل ابزارها، منابع و پرامپتهای MCP
سیستم RAG اسناد هوشمند
- پایپ لاین پردازش و برداریسازی PDF
- مکانیسمهای بازیابی پیشرفته با LangChain
- مدیریت پایگاه دانش چند سندی
وب اپلیکیشن استریملیت
- رابط کاربری حرفهای برای تعاملات MCP
- پاسخهای بلادرنگ هوش مصنوعی و مصورسازی داده
- معماری استقرار آماده محیط تولید
مهارتهای فنی که به آن مسلط خواهید شد
- معماری MCP: درک عمیق از مشخصات پروتکل و بهترین شیوهها
- پایتون و نود جیاس: توسعه سرور پیشرفته با فریمورکهای مدرن
- یکپارچهسازی هوش مصنوعی: Claude Desktop ،LangChain، LangGraph و اولاما
- مدیریت پایگاه داده: SQLite، پایگاههای داده برداری و پایپ لاین های پردازش داده
- تست و اشکالزدایی: استراتژیهای تست جامع و عیبیابی
چه کسانی باید این دوره را بگذرانند؟
- توسعهدهندگان هوش مصنوعی/یادگیری ماشین که میخواهند هوش مصنوعی را با سیستمهای دنیای واقعی یکپارچه کنند.
- مهندسان نرمافزار که به دنبال افزودن مهارتهای پیشرفته هوش مصنوعی هستند.
- دانشمندان داده علاقهمند به ساخت گردش کارهای داده مبتنی بر هوش مصنوعی
- کارآفرینان که محصولات یا خدمات بهبود یافته با هوش مصنوعی را برنامهریزی میکنند.
- متخصصان فنی که به دنبال بروز ماندن با روندهای توسعه هوش مصنوعی هستند.
پیشنیازها
- دانش اولیه برنامهنویسی پایتون
- آشنایی با APIها و JSON
- درک رابطهای خط فرمان
- نیازی به تجربه قبلی در توسعه MCP یا هوش مصنوعی نیست.
نتایج دوره
پس از اتمام، شما قادر خواهید بود:
- معماریهای سرور MCP ایمن را طراحی و پیادهسازی کنید.
- مدلهای هوش مصنوعی را به پایگاههای داده، APIها و سرویسهای خارجی متصل کنید.
- سیستمهای RAG مقیاسپذیر برای هوشمندی اسناد بسازید.
- اپلیکیشن های هوش مصنوعی آماده تولید با رابطهای کاربری حرفهای ایجاد کنید.
- راهحلهای MCP را با اطمینان اشکالزدایی، تست و استقرار دهید.
- گردش کارهای چند عاملی را برای فرآیندهای کسب و کار پیچیده معماری کنید.
همه مواد دوره شامل کدهای قابل دانلود، فایلهای پیکربندی و راهنماهای راهاندازی گام به گام است. دسترسی مادامالعمر با بروزرسانیهای منظم با تکامل MCP.
این دوره برای چه کسانی مناسب است؟
- توسعهدهندگان، مهندسان و علاقهمندان به فناوری که میخواهند به یکپارچهسازیهای MCP مسلط شوند.
- مبتدیان در ابزارهای هوش مصنوعی که به دنبال ساخت پروژههای عملی و دست اول با کلود هستند.
- حرفهایهایی که RAG ،LangChain یا LangGraph را برای گردش کارهای هوش مصنوعی بررسی میکنند.
- دانشجویان و توسعهدهندگان در اوایل کار خود که هدفشان نمایش مهارتهای MCP در نمونه کارها است.
تسلط به MCP: ساخت اپلیکیشنهای هوش مصنوعی با Claude ،LangChain و Ollama
-
مقدمه 04:03
-
سند بررسی راهاندازی آناکوندا و اولاما (اختیاری) 04:13
-
نصب نود جیاس [ویندوز] 03:35
-
نصب نود جیاس [مکاواس/لینوکس] 02:57
-
نصب کلود دسکتاپ [ویندوز] 04:45
-
نصب کلود دسکتاپ [مکاواس] 04:45
-
نصب مدیریت بسته پایتون uv [باید تماشا کنید] 05:06
-
بررسی ویژگیهای مدیریت بسته پایتون uv [باید تماشا کنید] 09:12
-
[حل شده] فرمان شناخته شده نیست 04:13
-
راهاندازی فایل .env 05:38
-
مقدمهای بر MCP 07:06
-
معماری MCP 06:21
-
بررسی FastMCP 07:07
-
بررسی لایه انتقال MCP 05:41
-
ساخت اولین سرور MCP آزمایشی خود 06:37
-
ساخت اولین کلاینت MCP خود با SDK پیشفرض MCP 07:22
-
ساخت اولین کلاینت MCP خود با SDK FastMCP 05:51
-
ساخت سرور و کلاینت MCP آب و هوای بلادرنگ 06:14
-
استفاده از MCP Inspector برای تست سرور MCP 06:12
-
استفاده از MCP Inspector با لایه انتقال STDIO 04:20
-
بررسی راهاندازی LLM محلی با اولاما 05:53
-
نوشتن اولین کلاینت MCP عاملی خود 04:18
-
نوشتن فایل پیکربندی سرور MCP برای کلاینت عاملی 06:14
-
اجرای کلاینت عاملی خود با لانگچین و اولاما 04:57
-
پیکربندی عامل MCP برای خواندن پیکربندی MCP از فایل json. 04:50
-
راهاندازی چند سرور MCP برای کلاینت MCP عاملی پیشرفته 04:05
-
اجرای کلاینت MCP عاملی پیشرفته با چند سرور 04:18
-
اتصال چند سرور MCP از طریق انتقال streamable-http 06:05
-
راهاندازی فایل پیکربندی json. کلود دسکتاپ برای MCP 06:00
-
استفاده از سرورهای MCP محلی با کلود دسکتاپ 04:22
-
استفاده از Microsoft-Playwright برای خودکارسازی مرورگر وب 07:07
-
جستجوی هتلها با استفاده از سرور Airbnb MCP و کلود دسکتاپ 06:06
-
راهاندازی سرور MCP اکسل برای تحلیل داده 06:11
-
تحلیل برگه اکسل تیکت پشتیبانی با سرور MCP 07:39
-
راهاندازی سرور MCP ارائه پاورپوینت 06:05
-
ایجاد ارائه با سرور پاورپوینت و اکسل 05:46
-
مقدمهای بر سرور ناتیون برای گزارش پیدیاف 03:43
-
راهاندازی یکپارچهسازی API ناتیون 04:29
-
تولید گزارش تحلیل رنگارنگ تیکتهای پشتیبانی 06:46
-
راهاندازی سرور MCP اسکیولایت 06:58
-
تحلیل پایگاه داده اسکیولایت با هوش مصنوعی 04:29
-
مدیریت فایلهای کامپیوتر با سرور MCP فایلسیستم 06:42
-
مقدمهای بر سرور MCP جستجوی شغل شخصیسازیشده 05:00
-
مقدمهای بر منابع MCP و انواع آن 06:24
-
مقدمهای بر پرامپتهای MCP 07:00
-
زمان استفاده از ابزارها، منابع و پرامپتها 04:02
-
راهاندازی سرور MCP جستجوی شغل 04:40
-
ایجاد API جستجوی شغل از پورتال JSearch در RapidAPI 07:02
-
پیادهسازی ابزار MCP تابع ()search_jobs 05:29
-
پیادهسازی ابزار MCP تابع ()save_job 06:05
-
ایجاد لایه منبع MCP 04:22
-
ایجاد لایه پرامپت MCP برای جستجوی شغل و توصیه 04:32
-
راهاندازی سرور MCP جستجوی شغل خود با کلود دسکتاپ 07:50
-
تست برنامه هوش مصنوعی جستجوی شغل کامل با منابع، ابزارها و پرامپتهای MCP 07:17
-
مقدمهای بر معماری MCP RAG 05:32
-
مقدمهای بر گردش کار پردازش سند 03:21
-
راهاندازی پیکربندی سرور MCP RAG 06:04
-
جریان پردازش داده فایل پیدیاف پیادهسازی شد 06:27
-
دانلود فایل از URL برای پردازش 04:06
-
پیادهسازی ابزار MCP تابع ()ingest_pdf 05:51
-
پیادهسازی ابزارهای MCP توابع ()retrieve() ،db_info و ()clear_db 06:26
-
اتصال MCP RAG با کلود دسکتاپ 05:32
-
تست موفق سیستم MCP RAG 07:46
-
مقدمهای بر آداپتورهای MCP لانگچین 07:14
-
نوشتن کد برنامه استریملیت برای کلاینت MCP 06:53
-
استفاده از MCP RAG با اولاما و برنامه استریملیت خود 08:55
-
مقدمهای بر دستیار تحقیق با MCP و لنگگراف 05:51
-
شروع با راهاندازی اولیه سرور FastMCP 03:55
-
نوشتن کد برای حذف محتوای تکراری در کرومای DB 03:34
-
پیادهسازی ابزار MCP تابع ()save_research_data 06:39
-
پیادهسازی بازیابی داده با ابزار MCP تابع ()search_research_data 05:58
-
پیادهسازی ابزارهای MCP توابع ()delete_research_topic و ()list_research_topics 07:43
-
تست سرور MCP تحقیق خود با کلود 07:58
-
راهاندازی کلیدهای API فایکرال و لنگاسمیت 07:28
-
راهاندازی کلاینت MCP 03:59
-
ساخت عامل لنگگراف 06:24
-
ساخت کلاینت MCP لنگگراف 05:06
-
تست دستیار تحقیق خود با MCP و لنگگراف 10:27
-
ایجاد حساب کاربری AWS 05:08
-
راهاندازی نمونه EC2 05:02
-
راهاندازی پایتون و آناکوندا روی نمونه EC2 07:30
-
اتصال VS Code خود با نمونه EC2 راه دور 06:26
-
راهاندازی کد سرور MCP روی نمونه EC2 راه دور 06:58
-
پیکربندی امنیت AWS برای اجازه دسترسی به سرور MCP 07:19
-
کار با سرور MCP مستقر شده روی AWS 08:47
-
مسیر یادگیری - آنچه در این بخش خواهید آموخت 02:29
-
راهنمای گام به گام انتشار سرور MCP به عنوان بسته PyPi 03:31
-
راهاندازی پروژه سرور MCP برای انتشار 05:27
-
راهاندازی فایلهای LICENSE و MANIFEST.in 04:48
-
تغییر فایل server.py سرور MCP برای پشتیبانی از مسیر پایگاه داده محیطی در زمان اجرا 04:18
-
راهاندازی فایل PyProject.toml 06:51
-
انتشار سرور MCP در گیتهاب 04:29
-
انتشار سرور MCP در PyPi 06:32
-
خودکارسازی انتشار بسته MCP خود در PyPi با گردش کارهای گیتهاب 06:28
-
پیکربندی کلود دسکتاپ برای استفاده از بسته منتشر شده 04:38
-
تست ابتدا به انتهای بسته MCP منتشر شده 04:16
مشخصات آموزش
تسلط به MCP: ساخت اپلیکیشنهای هوش مصنوعی با Claude ،LangChain و Ollama
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:همه سطوح
- تعداد درس:96
- مدت زمان :09:14:45
- حجم :6.12GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy