دوره 2026 عامل دقیق - RAG چند عامله با Gemini و Langchain

آنچه یاد خواهید گرفت:

• ساخت عامل‌های هوش مصنوعی آماده تولید با استفاده از گوگل Gemini و LangChain نسخه 1، MCP و الگوهای طراحی مدرن عامل
• طراحی و پیاده‌سازی پایپ لاین های RAG چندوجهی با استفاده از Docling، Gemini، پایگاه داده برداری Qdrant و جستجوی ترکیبی
• پردازش فایل‌های PDF، جداول و تصاویر در مقیاس بزرگ با استفاده از Docling، داکر و تکنیک‌های استخراج داده ساختاریافته
• پیاده‌سازی جستجوی ترکیبی، رتبه‌بندی مجدد، حافظه، ابزارهای MCP و ذخیره‌سازی متن بهینه‌شده از نظر هزینه در سیستم‌های هوش مصنوعی واقعی
• ایجاد سیستم‌های تحقیقاتی چندعامله خودمختار با عامل‌های هماهنگ‌کننده، پژوهشگر و ویراستار برای کاربردهای مالی

پیش‌نیازهای دوره

• دانش اولیه با پایتون لازم است. آشنایی با APIها، داکر یا مفاهیم RAG مفید است اما اجباری نیست.

توضیحات دوره

این دوره یک راهنمای کامل و عملی برای ساخت عامل‌های هوش مصنوعی و سیستم‌های تحقیقات عمیق واقعی با استفاده از گوگل Gemini و LangChain نسخه 1، MCP و تکنیک‌های مدرن RAG است.

شما از مبانی مطلق عامل‌های هوش مصنوعی شروع کرده و به تدریج به سمت ساخت سیستم‌های چندعامله خودمختار پیشرفته مورد استفاده در تحقیقات مالی عمیق حرکت خواهید کرد. این دوره به صورت پیشرونده طراحی شده است تا مبتدیان بتوانند همراهی کنند، در حالی که توسعه‌دهندگان با تجربه همچنان الگوهای پیشرفته درجه تولید را خواهند آموخت.

تمرکز این دوره تنها بر تئوری نیست. شما همه چیز را قدم به قدم با استفاده از نوتبوک‌های پایتون، APIهای واقعی، اسناد واقعی و خطوط لوله داده واقعی خواهید ساخت.

آنچه این دوره پوشش می‌دهد.

ابتدا درک خواهید کرد که یک عامل هوش مصنوعی واقعاً چیست. شما الگوهای مختلف عامل، چگونگی استدلال عامل‌ها، چگونگی اقدام آن‌ها و چگونگی انتخاب طرح عامل مناسب برای یک پروژه واقعی را یاد خواهید گرفت.

سپس گوگل Gemini AI Studio و LangSmith را به درستی راه‌اندازی خواهید کرد. این شامل ایجاد کلیدهای API، درک قیمت‌گذاری، محدودیت‌های نرخ و ردیابی اجرای عامل‌ها می‌شود تا بتوانید مانند یک حرفه‌ای عامل‌های خود را دیباگ و نظارت کنید.

پس از آن، یک بوت‌کمپ کامل Gemini و LangChain را طی خواهید کرد. شما یاد خواهید گرفت که چگونه مدل‌های Gemini را در پایتون استفاده کنید، پیام‌ها داخلی چگونه کار می‌کنند، پاسخ‌های استریم چگونه عمل می‌کنند، ورودی‌های چندوجهی چگونه پردازش می‌شوند و چگونه از ابزارها، فراخوانی تابع، حالت استدلال، گراندینگ و ذخیره‌سازی متن برای کاهش هزینه و بهبود عملکرد استفاده کنید.

پس از روشن شدن اصول، به بررسی عامل‌های LangChain خواهید پرداخت. شما عامل‌هایی با قابلیت حافظه، مدیریت استیت، میان‌افزار خلاصه‌سازی، مدل‌های جایگزین، محافظت از اطلاعات شناسایی شخصی، پلنرها، پاسخ‌های استریم و خروجی‌های ساختاریافته با استفاده از Pydantic خواهید ساخت.

سپس دوره از طریق یک کاربرد مالی، MCP را معرفی می‌کند. شما سرورهای MCP خارجی مانند Yahoo Finance را متصل کرده، آن‌ها را به عنوان ابزار LangChain بارگذاری کرده و یک عامل تحقیق سهام کامل با پرامپت‌ها و پلنرهای ساختاریافته خواهید ساخت.

سیستم‌های مالی Deep RAG و چندوجهی

• بخش بزرگی از این دوره بر روی سیستم‌های Deep RAG برای امور مالی متمرکز است.
• شما یاد خواهید گرفت که چرا RAG چندوجهی سخت است، چه مشکلاتی با PDFها، جداول، تصاویر و اسناد طولانی رخ می‌دهد و چگونه یک پایپ لاین RAG عمیق قابل اعتماد طراحی کنید.
• با استفاده از Docling، داده‌ را از PDFهای مالی استخراج خواهید کرد. این شامل تبدیل PDFها به markdown، استخراج جداول همراه با متن، ردیابی شماره صفحات، استخراج تصاویر و اعتبارسنجی یکپارچگی داده در مقیاس می‌شود.
• سپس با استفاده از مدل‌های چندوجهی Gemini، توصیف‌های دقیقی از تصاویر تولید کرده و آن توصیف‌ها را در markdown ذخیره خواهید کرد تا همه چیز در یک پایپ لاین متنی واحد قابل پردازش باشد.
• در مرحله بعد، حجم زیادی از داده‌های چندوجهی را در پایگاه داده برداری Qdrant وارد خواهید کرد. شما جستجوی متراکم، جستجوی پراکنده، جستجوی ترکیبی، فیلترگذاری متادیتا، حذف تکرار با استفاده از هش فایل‌ها و بهترین شیوه ها برای تکه‌بندی و مدل‌های بازیابی را یاد خواهید گرفت.
• علاوه بر این، پایپ لاین های بازیابی پیشرفته‌ای با استفاده از جستجوی ترکیبی و رتبه‌بندی مجدد cross-encoder برای کیفیت بهتر پاسخ خواهید ساخت.

ساخت سیستم‌های تحقیقات عمیق چندعامله واقعی

در بخش‌های پایانی، سیستم‌های تحقیقات عمیق چندعامله کامل را از صفر خواهید ساخت.

شما عامل‌های خودمختاری طراحی خواهید کرد که مانند یک تیم تحقیقاتی متخصص با عامل‌های هماهنگ‌کننده، پژوهشگر و ویراستار کار می‌کنند. این عامل‌ها تسک ها را برنامه ریزی کرده، تحقیقات عمیق اجرا کرده، نتایج را ترکیب کرده و خروجی‌های ساختاریافته تولید می‌کنند.

شما یاد خواهید گرفت که وضعیت عامل‌ها چگونه به اشتراک گذاشته می‌شود، ابزارها چگونه در زمان اجرا تزریق می‌شوند، فایل‌ها چگونه توسط عامل‌ها مدیریت می‌شوند و پرامپت‌ها برای نقش‌های هماهنگ‌کننده، پژوهشگر و ویراستار چگونه متفاوت طراحی می‌شوند.

همچنین معماری عامل عمیق داخلی LangChain را بررسی کرده و یک عامل تحقیق مالی عمیق کامل با استفاده از عامل‌های فرعی و یک بک‌اند فایل خواهید ساخت.

این دوره برای چه کسانی است؟

این دوره برای توسعه‌دهندگانی است که می‌خواهند فراتر از چت‌بات‌های ساده رفته و سیستم‌های هوش مصنوعی جدی بسازند.

این دوره ایده‌آل است برای:

• مهندسان هوش مصنوعی که با مدل‌های زبانی بزرگ کار می‌کنند.
• توسعه‌دهندگان بک‌اند که سیستم‌های RAG می‌سازند.
• دانشمندان داده که با اسناد و تحقیقات کار می‌کنند.
• متخصصان مالی و تحلیل که به اتوماسیون هوش مصنوعی علاقه‌مندند.
• هر کسی که می‌خواهد درک کند سیستم‌های چندعامله واقعی در محیط تولید چگونه ساخته می‌شوند.

دانش اولیه با پایتون توصیه می‌شود، اما مقداری تجربه قبلی در عامل یا RAG نیز پیشنهاد می‌گردد.

در پایان این دوره، شما قادر خواهید بود عامل‌های هوش مصنوعی پیشرفته، پایپ لاین RAG چندوجهی و سیستم‌های تحقیقاتی چندعامله خودمختار را با استفاده از Gemini و LangChain طراحی، ساخته و دیباگ کنید.

شما تنها مفاهیم را درک نخواهید کرد. بلکه سیستم‌های کامل و سرتاسری‌ ساخته‌اید که می‌توانید در پروژه‌های واقعی، استارتاپ‌ها یا محیط‌های سازمانی مجدداً استفاده کنید.

این دوره برای چه کسانی مناسب است؟

• مهندسان هوش مصنوعی، توسعه‌دهندگان بک‌اند و دانشمندان داده که می‌خواهند عامل‌های مبتنی بر Gemini، سیستم‌های RAG چندوجهی و گردش کارهای تحقیقات عمیق را با استفاده از LangChain ،Docling، داکر و Qdrant بسازند.