هوش مصنوعی عاملی کاربردی: RAG، برنامه‌ریزی و جستجوی برداری

آنچه یاد خواهید گرفت:

• تشخیص اپلیکیشن های گفتگوی مبتنی بر LLM از سیستم‌های عاملی از نظر خودمختاری، ابزارها و حافظه
• اعمال حلقه درک → استدلال → اقدام برای تسک های چندمرحله‌ای و هدف‌محور
• هماهنگ‌سازی گردش‌های کاری به سبک مدل-کنترل‌کننده-پروموتر (MCP) برای عامل‌ها
• پیاده‌سازی Retrieval-Augmented Generation (RAG) همراه با ارجاع‌دهی و استناد
• یکپارچه‌سازی جستجوی وب (Tavily) و رتبه‌بندی مبتنی بر LLM برای واکشی و خلاصه‌سازی منابع
• ذخیره‌سازی سابقه تعاملات با SQLite و انتقال بردارهای تعبیه به ChromaDB
• مهندسی ستون‌های موضوعی، وزن‌ها و کاهش اهمیت بر اساس تازگی برای شخصی‌سازی نتایج
• انجام بازرتبه‌بندی معنایی برای بهبود کیفیت و تنوع پیشنهادها
• کاهش ریسک‌های عامل شامل تزریق پرامپت، مسمومیت حافظه و جعل هویت
• ارزیابی عملکرد عامل با آزمون‌های آفلاین و بررسی‌های مبتنی بر سناریو
• بسته‌بندی و انتشار یک عامل گزینش خبر خط فرمان با پیکربندی‌ها و پرامپت‌های قابل بازتولید

پیش‌نیازهای دوره

• دانش کاربردی پایتون و محیط‌های مجازی؛ آشنایی کامل با خط فرمان و Git
• درک مفاهیم APIهای HTTP و JSON؛ آشنایی اولیه با پرامپت‌های LLM

توضیحات دوره

Generative AI از «آگاهان» واکنشی به «عاملان» پیش‌فعال در حال حرکت است که درک می‌کنند، برنامه‌ریزی می‌کنند و در جهت اهداف اقدام می‌نمایند. این تحول - هوش مصنوعی عاملی - استدلال LLM را با ابزارها، حافظه و گردش‌های کاری ترکیب می‌کند تا سیستم‌ها بتوانند تسک های چندمرحله‌ای را به‌طور خودمختار اجرا کنند.

سازمان‌ها اکنون انتظار عامل‌هایی را دارند که پاسخ‌ها را با RAG مستند کنند، APIها را هماهنگ سازند و با رعایت محدودیت‌های حفاظتی به‌طور قابل اعتماد عمل کنند - این موضوع پرسش‌های جدیدی درباره خودمختاری، پاسخگویی و نظارت مطرح می‌کند.

آنچه این دوره پوشش می‌دهد:

شما یک پشته کامل هوش مصنوعی عاملی را خواهید آموخت: حلقه درک←استدلال←اقدام؛ Retrieval-Augmented Generation؛ برنامه‌ریزی و حافظه؛ گردش کار MCP (مدل-کنترل‌کننده-پروموتر )؛ و گزینه‌های انتخاب چارچوب (LangChain ،LlamaIndex ،CrewAI ،AutoGen). ما مفاهیم را به یک ساخت عملی تبدیل می‌کنیم: یک «گزینش‌گر خبر شخصی‌سازی‌شده» خط فرمان که از Tavily برای جستجوی زنده، ChatGPT/Gemini برای رتبه‌بندی و خلاصه‌سازی، یک ذخیره‌گاه درون‌حافظه/SQLite ← ChromaDB، وزن‌دهی ستون‌های موضوعی، بازرتبه‌بندی معنایی و تولید توضیح استفاده می‌کند.

آنچه خواهید آموخت

• تشخیص تفاوت LLMها در مقابل هوش مصنوعی عاملی از نظر خودمختاری، حافظه و استفاده از ابزار
• اعمال حلقه درک←استدلال←اقدام برای تسک های واقعی
• پیاده‌سازی هماهنگ‌سازی MCP (مدل-کنترل‌کننده-پروموتر ) برای عامل‌ها
• مستندسازی پاسخ‌ها با RAG برای افزایش صحت و قابلیت اطمینان
• ساخت یک عامل خط فرمان که ترجیحات را جمع‌آوری کرده و یک حلقه توصیه مستمر را اجرا می‌کند.
• یکپارچه‌سازی جستجوی Tavily + ChatGPT/Gemini برای بازیابی و رتبه‌بندی.
• ذخیره‌سازی سابقه تعاملات (SQLite) و انتقال به بردارهای تعبیه ChromaDB
• مهندسی ستون‌های موضوعی، انتخاب وزن‌دار و بازرتبه‌بندی معنایی
• تولید توضیحات قابل ارائه به کاربر برای پیشنهادها (هوش مصنوعی توضیح‌پذیر - XAI)
• پرداختن به ریسک‌های عامل: مسمومیت حافظه، دستکاری اهداف، جعل هویت
• مقایسه چارچوب‌ها (LangChain ،LlamaIndex، CrewAI ،AutoGen) برای تطبیق با اهداف
• اعمال بهترین شیوه های ساختاردهی پرامپت و پروژه برای کدنویسی عاملی

کاربرد در دنیای واقعی و موارد استفاده

ما یک همراه پیش‌فعال طراحی می‌کنیم که علایق را پایش کرده، مقالات تازه را واکشی می‌کند، مدل ترجیحات را بر اساس علاقه/بی‌علاقگی بروزرسانی می‌کند و به‌طور خودمختار تکرار می‌شود - که برنامه‌ریزی عامل، استفاده از ابزار و حافظه را در یک گردش کار فشرده به تصویر می‌کشد.
شما خواهید دید که چگونه از یک حلقه ساده به یک سیستم توصیه‌گر در سطح تولید تکامل پیدا کنید: استخراج موضوع، اکتشاف وزن‌دار در مقابل بهره‌برداری، بردارهای معنایی، فهرست مجاز منابع، کاهش اهمیت بر اساس تازگی و یک پیام قابل خواندن برای کاربر مبنی بر «چرا این مورد توصیه شد».

قالب دوره و تجربه یادگیری

ماژول‌های ساختاریافته، جلسات توجیهی مفهومی را با آزمایشگاه‌های عملی ترکیب می‌کنند: راه‌اندازی محیط و داربست MCP؛ پیاده‌سازی RAG؛ اتصال Tavily+ChatGPT؛ افزودن ماندگاری (SQLite → ChromaDB)؛ معرفی ستون‌های موضوعی و بازرتبه‌بندی معنایی؛ افزودن تجربه کاربری توضیح‌دهی؛ سپس مستحکم‌سازی با آزمون‌ها و کاهش ریسک‌ها. انتظار چک‌لیست‌ها، پرامپت‌ها و بازنویسی‌های همسو با بهترین روش‌های مهندسی را داشته باشید.

موضوعات/کلمات کلیدی اصلی: هوش مصنوعی عاملی، درک-استدلال-اقدام، گردش کار MCP ،RAG ،LangChain، LlamaIndex ،CrewAI ،AutoGen ،Tavily ،ChatGPT/Gemini، SQLite ،ChromaDB، بردارهای تعبیه، بازرتبه‌بندی معنایی، ستون‌های موضوعی، توضیح‌پذیری، ریسک‌های عامل

پیش‌نیازها:

• دانش کاربردی پایتون و محیط‌های مجازی؛ آشنایی کامل با خط فرمان و Git
• درک مفاهیم APIهای HTTP و JSON؛ آشنایی ابتدایی با پرامپت‌های LLM

ابزارها و چارچوب‌های استفاده‌شده: LangChain ،Tavily، ChatGPT/Gemini ،SQLite ،ChromaDB ،pytest

پروژه نهایی: «گزینش‌گر خبر شخصی‌سازی‌شده» خط فرمان با یادگیری ترجیحات، ستون‌های موضوعی و بازرتبه‌بندی معنایی، به‌همراه توضیحات قابل ارائه به کاربر

این دوره برای چه کسانی مناسب است؟

• مهندسان نرم‌افزار و یادگیری ماشین که برنامه‌های LLM و خودکارسازی‌های داخلی را پیاده‌سازی می‌کنند.
• مدیران محصول داده/هوش مصنوعی که قابلیت‌های عامل، محدودیت‌های حفاظتی و شاخص‌های کلیدی عملکرد را مشخص می‌کنند.
• معماران راه‌حل و تیم‌های پلتفرم که عامل‌ها را با APIها، جستجو و ذخایر داده یکپارچه می‌سازند.
• مسئولان امنیت، ریسک و انطباق که رفتارها و کنترل‌های خودمختار را ارزیابی می‌کنند.
• برنامه‌نویسان پایتون در سطح متوسط که از مهندسی پرامپت به سیستم‌های عاملی منتقل می‌شوند.