بوتکمپ کامل MCP: ساخت عاملهای هوش مصنوعی نسل بعدی با MCP
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک پروتکل زمینه مدل (MCP) و نقش آن در ساخت سیستمهای هوش مصنوعی آگاه به متن
- اتصال LLMها به ابزارها، APIها و داده واقعی با استفاده از MCP
- ساخت و استقرار اپلیکیشن های هوش مصنوعی عاملی و RAG مجهز به MCP
- ادغام MCP با فریمورکهایی مانند LangChain ،LangGraph و CrewAI
پیشنیازهای دوره
- درک اولیه از برنامهنویسی Python و APIها.
- آشنایی با مدلهای زبانی بزرگ (LLM) مانند OpenAI یا Hugging Face
- داشتن دانش در مفاهیم هوش مصنوعی یا یادگیری ماشین مفید است اما اجباری نیست.
- یک کامپیوتر با دسترسی به اینترنت برای نصب ابزارها و فریمورکهای مورد نیاز.
توضیحات دوره
پروتکل زمینه مدل (MCP) در حال متحول کردن چگونگی عملکرد سیستمهای هوش مصنوعی مدرن است. این یک استاندارد نوظهور است که به مدلهای زبانی بزرگ (LLM) اجازه میدهد به شکلی هوشمندانه با ابزارهای خارجی، APIها و منابع داده تعامل داشته باشند. با یادگیری MCP، درک خواهید کرد که چگونه «زمینه» بین مدلهای هوش مصنوعی و محیط آنها جریان مییابد و امکان ایجاد سیستمهای واقعاً خودکار و آگاه به متن را فراهم میکند.
این دوره با عنوان «بوتکمپ کامل پروتکل زمینه مدل (MCP)»، درک عمیقی از چگونگی عملکرد MCP و چگونگی پیادهسازی موثر آن در اپلیکیشن های هوش مصنوعی در دنیای واقعی ارائه میدهد. شما معماری MCP، نقش آن در اکوسیستم هوش مصنوعی عاملی و چگونگی ادغام آن با فریمورکهایی مانند LangChain ،LangGraph و CrewAI را بررسی خواهید کرد. این دوره کاملاً عملی، مبتنی بر پروژه و برای متخصصانی طراحی شده است که میخواهند جریانهای کاری پیشرفته هوش مصنوعی بسازند.
مقدمهای بر پروتکل زمینه مدل (MCP):
- درک اینکه MCP چیست و چرا معرفی شده است.
- یادگیری اینکه چگونه MCP روش ارتباط و اشتراکگذاری اطلاعات توسط LLMها را تغییر میدهد.
- بررسی مشکلاتی که MCP در توسعه Generative AI مدرن حل میکند.
مفاهیم اصلی و معماری:
- مطالعه اجزای اصلی MCP، شامل مدلها، ابزارها و لایههای زمینه
- درک چگونگی نمایش، مدیریت و تبادل زمینه
- یادگیری اصول طراحی که MCP را مقیاسپذیر و توسعهپذیر میکند.
ساخت سیستمهای هوش مصنوعی با MCP:
- پیادهسازی گردش های کاری MCP محور با استفاده از Python
- اتصال مدلهای زبانی به APIها و پایگاههای داده واقعی
- ایجاد اپلیکیشن های آگاه به متن با قابلیت بازیابی و استدلال روی داده زنده
- ساخت سیستمهای RAG تقویتشده که بازیابی دانش را با تولید پاسخ ادغام میکنند.
ادغام با فریمورکهای پیشرو:
- استفاده از MCP با LangChain برای بهبود پایپ لاین های RAG.
- ادغام MCP با LangGraph برای استدلالهای حالتدار و مبتنی بر گراف
- ترکیب MCP با CrewAI برای ایجاد معماریهای چندعاملی.
- درک چگونگی عملکرد MCP با LLMهای متنباز و ابری مانند OpenAI ،Anthropic و Mistral
پروژههایی که خواهید ساخت:
- پروژه 1: ساخت یک دستیار هوش مصنوعی آگاه به متن با استفاده از MCP
- پروژه 2: اتصال یک LLM به APIهای واقعی از طریق MCP
- پروژه 3: ایجاد یک سیستم RAG خودکار با LangChain و MCP
- پروژه 4: توسعه یک گردش کاری چندعاملی با استفاده از CrewAI و MCP
- پروژه 5: استقرار یک سیستم هوش مصنوعی مجهز به MCP با استفاده از Docker و GitHub Actions
امنیت، استقرار و بهینهسازی:
- یادگیری بهترین شیوهها برای ایمنسازی ارتباطات و پیکربندیهای MCP
- راهاندازی محیطها با Docker و VS Code برای گردش های کاری تکرارپذیر
- خودکارسازی استقرار و تست با GitHub Actions
این دوره برای چه کسانی است؟
- مهندسان هوش مصنوعی که به دنبال ساخت سیستمهای خودکار و آگاه به متن هستند.
- دانشمندان داده و توسعهدهندگان یادگیری ماشین که معماریهای هوش مصنوعی عاملی را بررسی میکنند.
- مهندسان نرمافزاری که میخواهند LLMها را به APIها و ابزارهای خارجی متصل کنند.
- پژوهشگران و دانشجویان علاقهمند به تکامل مهندسی زمینه
نتایج کلیدی یادگیری:
- کسب درک کامل از اینکه چگونه MCP ارتباط ساختاریافته مدل به ابزار را ممکن میسازد.
- یادگیری چگونگی طراحی و استقرار سیستمهای هوشمندی که از زمینه پویا استفاده میکنند.
- کسب تجربه عملی از طریق چندین پروژه سرتاسری
- تسلط به ادغام MCP با فریمورکهای مورد استفاده در توسعه هوش مصنوعی مدرن.
تکنولوژیها و ابزارهای پوشش داده شده:
- Model Context Protocol (MCP)
- LangChain ،LangGraph ،CrewAI
- Python ،OpenAI ،Mistral ،Anthropic
- پایگاههای داده برداری (FAISS ،Chroma ،Pinecone)
- Docker ،GitHub Actions ،VS Code
در پایان این دوره، شما مهارتهای لازم برای طراحی، پیادهسازی و استقرار سیستمهای هوش مصنوعی مجهز به MCP را خواهید داشت. شما درک خواهید کرد که چگونه MCP ارتباطات مدل را بازتعریف میکند، چگونه سیستمهای RAG را ارتقا میدهد و چگونه امکان ایجاد برنامههای هوش مصنوعی عاملی هوشمند، متصل و مقیاسپذیر را فراهم میسازد.
همین امروز در این دوره شرکت کنید و به یکی از اولین متخصصانی تبدیل شوید که به پروتکل زمینه مدل زیربنای نسل بعدی توسعه هوش مصنوعی مسلط شدهاند.
این دوره برای چه کسانی مناسب است؟
- مهندسان و توسعهدهندگان هوش مصنوعی که میخواهند سیستمهای عاملی و آگاه به متن بسازند.
- دانشمندان داده و مهندسان یادگیری ماشین که به دنبال ادغام MCP در پروژههای واقعی هستند.
- توسعهدهندگان نرمافزاری که به اتصال LLMها با APIها و ابزارهای خارجی علاقهمند هستند.
- دانشجویان و پژوهشگرانی که آینده مهندسی زمینه و پروتکلهای هوش مصنوعی را بررسی میکنند.
بوتکمپ کامل MCP: ساخت عاملهای هوش مصنوعی نسل بعدی با MCP
-
مقدمهای بر MCP 17:26
-
اجزای مهم MCP 07:07
-
ارتباط بین اجزای MCP 08:34
-
مقدمه و نمای کلی 06:52
-
None 20:01
-
نصب و نمای کلی محیط توسعه Cursor IDE 06:25
-
شروع کار با Smithery AI 16:15
-
مقدمه و بررسی اجمالی 04:45
-
نصب Claude برای دسکتاپ 03:10
-
راهاندازی پوشهها و فایلهای پروژه 04:28
-
تمرین عملی ساخت سرور MCP با Python 09:59
-
نحوه اتصال سرور شما به Claude Desktop و تست آن 08:30
-
راهاندازی محیط توسعه Cursor IDE 04:41
-
نحوه اتصال سرور به Cursor IDE و تست آن 05:37
-
نمای کلی و نحوه دریافت کلید API رایگان Gemini 02:48
-
راهاندازی پوشهها، فایلها و نصب SDK هوش مصنوعی گوگل 03:51
-
بررسی خط به خط کد Python کلاینت MCP 07:17
-
تست کلاینت MCP شما با سرور اختصاصیتان 04:13
-
مقدمهای بر Docker و دلیل نیاز به آن 05:21
-
راهاندازی Docker 04:01
-
کانتینری کردن سرور MCP با Docker و تست آن 08:46
-
معرفی آداپتورهای MCP در LangChain 02:50
-
سادهسازی کد کلاینت با LangGraph و آداپتورهای LangChain 12:00
-
مقدمهای بر استفاده از چندین سرور 03:34
-
کدنویسی و تست کلاینت MCP با پشتیبانی از چندین سرور 08:56
-
مقدمهای بر SSE و نمای کلی 05:37
-
راهاندازی پوشهها و پروژه 03:24
-
بررسی کد سرور MCP مبتنی بر SSE 04:25
-
بررسی کد کلاینت MCP مبتنی بر SSE 03:55
-
داکریزه کردن سرور MCP 01:52
-
تست محلی سرور و کلاینت MCP مبتنی بر SSE 03:58
-
ایجاد حساب کاربری AWS 03:09
-
نحوه ایجاد نمونه (Instance) در EC2 04:06
-
نحوه نصب Docker در EC2 02:27
-
استقرار سرور MCP SSE 04:16
-
تست سرور MCP SSE 03:47
-
مقدمهای بر پروژه 03:04
-
ساختار پوشههای پروژه 02:29
-
راهاندازی پروژه 02:12
-
توسعه پروژه 19:58
-
مقدمهای بر پروژه 11:52
-
ساختار پوشههای پروژه 05:02
-
راهاندازی پروژه 04:00
-
توسعه سیستم 22:01
-
توسعه اپلیکیشن 27:56
-
توسعه و تست بخش MCP 06:45
-
مقدمهای بر پروژه 03:02
-
معماری پروژه 06:31
-
راهاندازی پروژه 06:01
-
نحوه دریافت کلیدهای API 02:19
-
توسعه توابع - بخش 1 28:27
-
توسعه توابع - بخش 2 07:10
-
توسعه ابزارهای MCP 07:06
-
تست اپلیکیشن و دموی نهایی 03:04
-
مقدمهای بر پروژه 05:14
-
معماری پروژه 08:43
-
راهاندازی پروژه 03:32
-
نحوه دریافت کلیدهای API 02:04
-
استخراج علائم و تشخیص بیماری 15:33
-
دریافت مقالات پزشکی از PubMed 05:25
-
خلاصهساز مقالات 01:46
-
نقطه پایانی (Endpoint) در FastAPI 09:58
-
توسعه و تست ابزارهای MCP 06:43
-
ADK چیست؟ 02:08
-
دموی سریع عامل ساخته شده 04:32
-
معماری عامل 03:02
-
ساختار پوشههای عامل 02:22
-
راهاندازی Google ADK 01:42
-
کلید API برای Gemini 01:35
-
توسعه عامل با استفاده از ADK 19:09
مشخصات آموزش
بوتکمپ کامل MCP: ساخت عاملهای هوش مصنوعی نسل بعدی با MCP
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:همه سطوح
- تعداد درس:70
- مدت زمان :08:10:50
- حجم :6.75GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy