آموزش LangChain - مهندسی هوش مصنوعی عاملی با LangChain و LangGraph
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- در LangChain به مهارت برسید
- عاملهای generative AI مبتنی بر LangChain را بهصورت کامل و عملی پیادهسازی کنید.
- نظریهی مهندسی پرامپت: زنجیره تفکر ،ReAct، پرامپت نویسی Few Shot و درک چگونگی ساخت LangChain در پشت صحنه
- مهندسی زمینه
- درک کنید چگونه در کدبیس متنباز LangChain ناوبری کنید.
- نظریهی مدلهای زبانی بزرگ برای مهندسان نرمافزار
- LangChain: زنجیرههای متعدد، عاملها، DocumentLoader، TextSplitter ،OutputParser، حافظه
- RAG، فروشگاههای برداری / پایگاههای دادهی برداری (Pinecone ،FAISS)
- پروتکل زمینهی مدل (MCP)
- LangGraph
پیشنیازهای دوره
- این یک دورهی مبتدی نیست. به مفاهیم اولیه مهندسی نرمافزار نیاز است.
- مدرس فرض میکند دانشپذیران با موضوعات مهندسی نرمافزار مانند: git ،python ،pipenv، متغیرهای محیطی، کلاسها، تست و اشکال زدایی آشنا هستند.
- هیچ تجربهای در یادگیری ماشین لازم نیست.
توضیحات دوره
دانشپذیران ایدهآل این دوره، توسعهدهندگان نرمافزار / دانشمندان داده / مهندسان هوش مصنوعی/یادگیری ماشین هستند.
به دورهی مهندسی هوش مصنوعی عاملی با LangChain و LangGraph خوش آمدید.
در این دوره یاد میگیرید چگونه با استفاده از LangChain و LangGraph، که قدرتمندترین فریمورکها برای توسعهی اپلیکیشن های مدرن LLM هستند، عاملهای هوش مصنوعی و سیستمهای هوش مصنوعی عاملی را طراحی و پیادهسازی کنید.
مهندسی هوش مصنوعی عاملی بر ساخت سیستمهای هوش مصنوعیای تمرکز دارد که میتوانند استدلال کنند، برنامهریزی انجام دهند، از ابزارها استفاده کنند و تسک ها را بهصورت خودکار به پایان برسانند. با LangChain و LangGraph، شما عاملهای هوش مصنوعی، سیستمهای RAG و اپلیکیشن های پیشرفتهی LLM را در سطح تولید خواهید ساخت.
LangChain چیست؟
LangChain یک فریمورک توسعهی متنباز است که برای سادهسازی ساخت اپلیکیشن های مجهز به مدلهای زبانی بزرگ (LLM) طراحی شده است.
با استفاده از LangChain ،LangGraph، MCP و فریمورکهای مدرن LLM، شما عاملهای هوش مصنوعی آمادهی تولید، سیستمهای چندعاملی و اپلیکیشن های پیشرفتهی RAG خواهید ساخت.
لطفاً توجه داشته باشید که این دوره برای مبتدیان نیست. این دوره فرض میکند شما پیشزمینهای در مهندسی نرمافزار دارید و به Python مسلط هستید. مدرس از Pycharm IDE استفاده میکند، اما شما میتوانید از هر ویرایشگری که بخواهید استفاده کنید، چون ما فقط از قابلیتهای اولیه IDE مثل اشکال زدایی کردن و اجرای اسکریپتها استفاده میکنیم.
شما سیستمهای واقعی هوش مصنوعی عاملی را با LangChain و LangGraph خواهید ساخت:
- عامل جستوجو
- دستیار مستندسازی – یک چتبات روی مستندات پکیجهای Python (و هر دادهای که انتخاب کنید)، با استفاده از بازیابی پیشرفته و RAG.
- نظریه مهندسی پرامپت
- نظریه مهندسی زمینه
- مقدمهای بر LangGraph
- پروتکل زمینهی مدل (MCP)
- عاملهای عمیق
موضوعات پوششدادهشده در مهندسی هوش مصنوعی عاملی:
اصول هوش مصنوعی عاملی
- عاملهای هوش مصنوعی
- معماریهای هوش مصنوعی عاملی
- سیستمهای چندعاملی
- اصول مهندسی هوش مصنوعی
LLM و مهندسی پرامپت
- مهندسی پرامپت
- پرامپتنویسی Few-Shot
- زنجیرهی تفکر
- پرامپتنویسی ReAct
- مهندسی زمینه
فریمورکهای عامل
- LangChain
- LangGraph
- پروتکل زمینهی مدل (MCP)
- فراخوانی ابزار
زیرساخت عاملهای هوش مصنوعی
- پایگاههای دادهی برداری (Pinecone ،FAISS ،Chroma)
- Retrieval Augmented Generation (RAG)
- سیستمهای حافظه
- ردیابی LangSmith
در طول دوره، روی تمرینهای عملی و پروژههای واقعی کار خواهید کرد تا درک خود را از مفاهیم و تکنیکهای پوششدادهشده تقویت کنید. تا پایان دوره، در استفاده از LangChain برای ساخت اپلیکیشن های قدرتمند، کارآمد و انعطافپذیر LLM برای طیف گستردهای از کاربردها مهارت خواهید داشت.
چرا این دوره؟
- بروز: پوشش LangChain V.1+ و جدیدترین اکوسیستم LangGraph.
- عملی: پروژههای واقعی، APIهای واقعی، مهارتهای کاربردی
- مؤثر برای مسیر شغلی: یک قدم جلوتر در بازار کار LLM و generative AI بمانید.
- راهنمایی گامبهگام: شفاف، خلاصه، بدون اتلاف وقت.
- انعطافپذیر: از هر IDE پایتونی میتوانید استفاده کنید (Pycharm نمایش داده شده، اما الزامی نیست).
این دوره برای توسعهدهندگانی ایدهآل است که میخواهند مهندسی هوش مصنوعی عاملی، عاملهای هوش مصنوعی با Python و توسعهی اپلیکیشن های LLM را یاد بگیرند.
شما یاد میگیرید چگونه معماریهای عامل را طراحی کنید، عاملهای استفادهکننده از ابزار را پیادهسازی کنید و با استفاده از LangChain و LangGraph، سیستمهای هوش مصنوعی عاملی مقیاسپذیر بسازید.
سلب مسئولیتها
لطفاً توجه داشته باشید که این دوره برای مبتدیان نیست. این دوره فرض میکند شما پیشزمینهای در مهندسی نرمافزار دارید و به Python مسلط هستید.
مدرس از Pycharm IDE استفاده میکند، اما شما میتوانید از هر ویرایشگری که بخواهید استفاده کنید، چون ما فقط از قابلیتهای اولیه IDE مثل اشکال زدایی کردن و اجرای اسکریپتها استفاده میکنیم.
این دوره برای چه کسانی مناسب است؟
- مهندسان نرمافزار که میخواهند یاد بگیرند چگونه با LangChain و LangGraph اپلیکیشن های مبتنی بر generative AI بسازند.
- توسعهدهندگانی که میخواهند یاد بگیرند چگونه با LangChain و LangGraph اپلیکیشن های مبتنی بر generative AI بسازند.
- مهندسانی که میخواهند یاد بگیرند چگونه با LangChain و LangGraph اپلیکیشن های مبتنی بر generative AI بسازند.
آموزش LangChain - مهندسی هوش مصنوعی عاملی با LangChain و LangGraph
-
مقدمهی دوره 02:43
-
اهداف دوره 05:00
-
ساختار دوره + چگونه بهترین استفاده را از Udemy ببرید؟ [لطفاً رد نکنید] 02:53
-
جامعهی دوره 02:43
-
LangChain چیست؟ LangChain در کمتر از 6 دقیقه 06:00
-
چه چیزی میسازیم؟ زنجیرهی Hello World در LangChain 01:04
-
راهاندازی پروژه 15:05
-
اصول LangChain: قالبهای پرامپت، ChatModelها و زنجیرهها 05:55
-
ساخت یک زنجیرهی LangChain برای خلاصهسازی متن 11:12
-
اشکال زدایی و ردیابی زنجیرهی LangChain ما 01:41
-
استفاده از مدلهای محلی Open-Weights با LangChain و Ollama 06:20
-
ادغام LangSmith برای ردیابی اپلیکیشن های LangChain 07:18
-
آزمون اصول LCEL در LangChain None
-
تغییر مدل در LangChain: یکپارچهسازی Groq API None
-
نسخهبندی معنایی در LangChain 01:43
-
عاملهای هوش مصنوعی چیستند؟ یک بررسی سطح بالا 05:10
-
چه چیزی میسازیم؟ عامل جستوجوی شغل با هوش مصنوعی 04:24
-
تکامل عاملهای ReAct در LangChain 03:21
-
راهاندازی محیط برای یک عامل جستوجوی LangChain 06:30
-
ساخت اولین عامل LangChain شما: ابزارها و LLMها 08:03
-
از کوئری تا پاسخ: یک عامل LangChain چگونه فکر میکند؟ 07:08
-
ادغام جستوجوی واقعی با Tavily و ابزارهای LangChain 09:20
-
خروجی ساختاریافته با عاملهای LangChain با استفاده از Pydantic 09:34
-
[نظریه] پاسخهای قابلپیشبینی عامل با خروجی ساختاریافته در LangChain 03:15
-
مقدمهای بر معماری اصلی عاملهای هوش مصنوعی: بررسی عمیق 03:55
-
چه چیزی میسازیم؟ یک عامل تجارت الکترونیک 01:29
-
[نظریه] خلاصهی ReACT 07:02
-
راهاندازی 05:45
-
نوشتن ابزارها 09:02
-
اتصال ابزار و پرامپتنویسی دفاعی 05:28
-
درک حلقهی عامل ReAct در LangChain 11:26
-
تغییر مدل 03:46
-
آزمون: حلقهی عامل هوش مصنوعی با فراخوانی ابزار در LangChain None
-
-------- [لایه 2] اسکیماهای JSON دستی در برابر انتزاع ابزار در LangChain -------- 08:55
-
ساخت حلقهی عامل ReAct با Ollama SDK خام 07:41
-
جمعبندی 01:55
-
آزمون: فراخوانی تابع خام — عامل هوش مصنوعی بدون LangChain None
-
چه چیزی میسازیم؟ فراخوانی تابع - بله، داریم فراخوانی تابع میسازیم 05:28
-
تولید توضیحات پویا برای ابزارها در Python 07:00
-
درک ReAct Prompt: ساخت عاملهای هوش مصنوعی بدون فراخوانی تابع 08:05
-
پیادهسازی دستی فراخوانی ابزار برای LLMها 06:43
-
حلقهی عامل با ReAct Prompt 15:26
-
مصاحبه با عاملها None
-
مقدمه 02:04
-
[نظریه] درک فراخوانی تابع برای LLMها 07:04
-
مقدمهای بر Retrieval Augmentation Generation (RAG) 07:46
-
مقدمهای بر پیادهسازی RAG 13:58
-
Medium Analyzer - راهاندازی Boilerplate پروژه 12:46
-
Medium Analyzer - مرور کلاسها: TextLoader ،TextSplitter ،OpenAIEmbeddings ،Pinecone 09:00
-
Medium Analyzer - پیادهسازی جذب داده 15:01
-
جمعبندی 01:38
-
Medium Analyzer - پیادهسازی بازیابی ساده 17:53
-
Medium Analyzer - RAG دو مرحلهای 16:58
-
مستندات RAG در LangChain 09:48
-
آزمون پیادهسازی RAG با فروشگاههای برداری None
-
چه چیزی میسازیم؟ یک Cursor سبک / قابلیت ویژه (RAG) 02:12
-
راهاندازی محیط 05:33
-
مقدمهای بر پایپ لاین جذب داده 02:18
-
ایمپورت ها 13:08
-
Tavily Crawling 12:27
-
[اختیاری] TavilyMap و TavilyExtract برای قابلیت سفارشیسازی بالا 12:19
-
[اختیاری] بررسی عمیق Crawling 16:48
-
جمعبندی 01:06
-
تقسیمبندی (تقسیم متن) 04:37
-
ایندکسگذاری دستهای 11:28
-
پیادهسازی عامل بازیابی 12:45
-
اجرا، اشکال زدایی و ردیابی عامل RAG 08:21
-
«فرانتاند» با Streamlit (رابط کاربری) 19:24
-
دستیار مستندسازی در تولید 06:28
-
معماری RAG 04:04
-
خلاصهی LLMها 03:52
-
پرامپت چیست؟ ساختار یک پرامپت رسمی 02:55
-
پرامپتنویسی Zero Shot 02:42
-
پرامپتنویسی Few Shot 08:26
-
پرامپتنویسی زنجیرهی تفکر 08:33
-
پرامپتنویسی ReAct 07:18
-
نکات سریع مهندسی پرامپت 08:59
-
مهندسی زمینه 05:20
-
مهندسی زمینه برای یک System Prompt 10:20
-
اپلیکیشن های LLM در تولید 08:33
-
چشمانداز توسعهی اپلیکیشن های LLM 04:01
-
LLMها در تولید: حریم خصوصی و نگهداری داده 08:41
-
UI/UX مولد با CopilotKit 04:51
-
دورههای رسمی LangChain Academy 02:22
-
LLMهای متنباز در برابر ارائهدهندگان مدیریتشده LLM (Deepseek) 09:05
-
اعتماد به نتایج هوش مصنوعی از Assaf Elovic و Harrison Chase 05:00
-
[جدید] ترس از جا ماندن از هوش مصنوعی به وضعیت عادی جدید تبدیل شده است 11:09
-
دوره تمام شد؟ قدم بعدی چیست! 06:00
-
LangGraph چیست؟ 04:56
-
چرا LangGraph؟ LangGraph در برابر LangChain 16:42
-
گرافها چیستند؟ 03:36
-
LangGraph و مهندسی جریان 06:03
-
کامپوننت های اصلی LangGraph 05:17
-
[عملی] پیادهسازی ReAct AgentExecutor با LangGraph 02:20
-
[عملی] شروع کنید: راهاندازی محیط پروژهی عامل ReAct شما 05:09
-
[عملی] کدنویسی مغز عامل: پیادهسازی ReAct Runnable 08:28
-
[عملی] 43. بلوکهای سازنده: تعریف گرههای عامل شما در LangGraph 05:52
-
[عملی] جان بخشیدن به عامل ReAct شما: اتصال گرهها به یک گراف 07:21
-
[عملی] اجرای عامل ReAct ما در LangGraph با فراخوانی تابع 07:45
-
[مهم] ساخت عاملهای مدرن LLM: از تاریخچه تا LangGraph v1.0 08:49
-
چه چیزی میسازیم؟ یک عامل بازتاب 01:26
-
راهاندازی پروژه 04:44
-
ساخت زنجیرهی Reflector و زنجیرهی بازبین توییت 04:48
-
تعریف گراف LangGraph ما 19:17
-
ردیابی با LangSmith 03:09
-
چه چیزی میسازیم؟ یک عامل Reflexion 06:20
-
راهاندازی پروژه 03:42
-
عامل Actor نسخه 2 16:40
-
عامل بازبین 04:17
-
ToolNode - اجرای ابزارها 07:10
-
ساخت گراف LangGraph ما 11:54
-
ردیابی گراف ما 07:22
-
در این بخش چه میسازیم؟ - معماری RAG عاملمحور 02:39
-
بهبود کیفیت RAG با جریان RAG اصلاحی 01:24
-
راهاندازی Boilerplate برای یک عامل RAG عاملی با LangGraph 04:33
-
ساختار کد 07:25
-
پایپ لاین جذب داده به فروشگاه برداری در LangChain (WebLoader ،ChromaDB) 06:54
-
مدیریت جریان اطلاعات در GraphState :LangGraph 02:08
-
بازیابی زمینه برای LLMها: گرهی Retrieve در LangGraph 02:04
-
ساخت فیلتر ارتباطسنجی برای RAG با استفاده از خروجی ساختاریافته در LangChain 12:53
-
پیادهسازی گرهی جستوجوی وب در LangGraph با استفاده از Tavily API 04:53
-
ساخت زنجیره و گرهی تولید LLM برای LangGraph 05:04
-
ساخت و اجرای عامل کامل LangGraph 07:40
-
Self RAG - مقدمه 01:30
-
Self RAG - پیادهسازی 15:33
-
RAG تطبیقی 11:34
-
[نظریه] چرا MCP؟ (پروتکل زمینهی مدل) 04:41
-
[نظریه] LLMها واقعاً چگونه از ابزارها استفاده میکنند؟: درک فراخوانی ابزار 05:06
-
[نظریه] معماری MCP 07:20
-
[نظریه] خلاصهی پروتکل با فراخوانی ابزار 09:00
-
[نظریه] سرورهای MCP 08:44
-
آزمون MCP None
-
چه چیزی را میسازیم؟ MCP Doc 01:11
-
MCP Inspector 02:54
-
LLM.txt 05:33
-
mcpdoc 12:13
-
مقدمه 00:39
-
Boilerplate 10:01
-
سرورها 05:43
-
چه چیزی را با MCP میسازیم؟ 01:10
-
سرور سادهی MCP 02:42
-
پر کردن شکاف: توضیح LangChain MCP Adapter 04:23
-
Importها 08:46
-
کلاینت 08:45
-
ردیابی 08:13
-
[جدید، مهم] نوشتن کد منسوخ را متوقف کنید: سرور رسمی MCP در LangChain 08:00
-
LangChain Hub - دریافت پرامپت از جامعه 04:08
-
محیط آزمایشی TextSplitting 03:52
-
LangChain در برابر LlamaIndex 02:45
-
مقدمهای بر بخش عاملهای عمیق 01:21
-
عاملهای عمیق: طبقهبندی عاملها: عاملهای سطحی، عاملهای عمیق، عاملهای کدنویسی 11:11
-
عاملهای عمیق: چگونه عاملهای عمیق از فهرستهای کار پویا برای حل وظایف پیچیده استفاده میکنند؟ 02:48
-
عاملهای عمیق: زیرعاملها و واگذاری سلسلهمراتبی 06:12
-
عاملهای عمیق: جریان زمینهی زیرعاملها 06:02
-
فایل سیستمهای عاملهای عمیق 06:31
-
3 لایهی مهارتهای عامل هوش مصنوعی: از استفاده تا کد منبع 01:56
-
سطح 1: استفاده از مهارتهای عامل در Deep Agents CLI 07:57
-
لایه 2: ردیابی مهارتهای عامل هوش مصنوعی با LangSmith 12:45
-
جمعبندی (LangChain Deep Agents چگونه میانافزار مهارت را پیادهسازی میکنند؟) 01:46
-
لایه 3: درون skills.py - سازوکار افشای تدریجی 08:13
-
آزمون مهارتهای عامل None
-
ChatModels 08:49
-
پیامها 04:08
-
RecursiveCharacterTextSplitter 01:55
-
سند 01:23
-
راهکارهای مدیریت محدودیت توکن در LangChain 11:29
-
مقدمهای بر حافظه در LangChain - حل ارجاع هممرجع 03:10
-
بررسی عمیق نظریهی حافظه در LangChain (LangGraph) 08:31
-
معماری اصلی هوش مصنوعی در سطح تولید 03:19
-
چگونه کاری کنیم کاربران به عاملهای هوش مصنوعی شما اعتماد کنند؟ 02:48
-
آموزش: ساخت یک چرخهی بازخورد سبک برای هوش مصنوعی 01:45
-
مقدمه 02:14
-
عاملهای هوش مصنوعی در رقابتهای CTF امنیت سایبری 04:39
-
مهندسی Harness 04:41
-
مدیریت نوسان و توهم در عاملهای تولید 03:21
-
امنیت اپلیکیشن های LLM چیست؟ 03:44
-
مقدمه 04:51
-
کدنویسی با هوش مصنوعی بهندرت آسیبپذیریهای تزریق SQL یا XSS ایجاد میکند 04:07
-
عاملهای هوش مصنوعی در کنترل دسترسی مبتنی بر نقش دچار مشکل میشوند 04:20
-
عاملهای کدنویسی هوش مصنوعی در منطق کسبوکار و SSRF دچار مشکل میشوند 05:51
-
عاملهای کدنویسی هوش مصنوعی در برابر محدودیت نرخ و CSRF دچار مشکل میشوند 04:23
-
مهندسی پرامپت کد ناامن هوش مصنوعی را اصلاح نمیکند 03:57
مشخصات آموزش
آموزش LangChain - مهندسی هوش مصنوعی عاملی با LangChain و LangGraph
- تاریخ به روز رسانی: 1405/04/12
- سطح دوره:متوسط
- تعداد درس:182
- مدت زمان :19:08:17
- حجم :16.77GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy