دوره آموزشی
دوبله زبان فارسی
ایجنتهای هوش مصنوعی و گردشکارهای ایجنتی با Spring AI ،MCP و Java
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- ساخت ایجنتهای هوش مصنوعی با استفاده از Spring AI و Java
- طراحی گردشکارهای ایجنت و سیستمهای استدلال چندمرحلهای
- پیادهسازی MCP Servers با استفاده از Spring Boot
- ساخت و ارائه ابزارهای MCP، منابع و پرامپتها
- یکپارچهسازی OpenAI و Gemini و مدلهای زبانی محلی با استفاده از Ollama
- ساخت گردشکارهای انسان در حلقه با استفاده از Elicitation
- مدیریت گردشکارهای غیرهمزمان با استفاده از Progress Notifications
- نوشتن تست یکپارچهسازی برای سیستمهای مبتنی بر MCP
- پیادهسازی خروجی ساختاریافته و تکنیکهای مهندسی پرامپت
- استفاده مؤثر از ChatClient و ChatMemory و Advisors
پیشنیازهای دوره
- هیچ دانش قبلی از هوش مصنوعی لازم نیست. ما از مبانی شروع میکنیم و رویکردی عملی خواهیم داشت.
- آشنایی با Java و Spring Boot لازم است.
- استفاده از OpenAI و Gemini APIs ممکن است هزینه اندکی داشته باشد.
توضیحات دوره
ساخت ایجنتهای هوش مصنوعی و گردشکارهای ایجنتی با استفاده از Spring AI و MCP و Java. (آخرین نسخههای Spring Boot 4.0 و Spring AI 2.0)
کل این دوره درباره توسعه ایجنتهای هوش مصنوعی اختصاصی خود از ابتدا است. این یک مسترکلاس عمیق و معماری محور برای ساخت ایجنتهای هوش مصنوعی و گردشکارهای ایجنتی در سطح تولید با استفاده از Java و Spring AI و پورتکل کانتکس مدل (MCP) است.
آنچه مسلط میشوید:
- ساخت ایجنتهای هوش مصنوعی با استفاده از Spring AI و Java
- طراحی گردشکارهای ایجنتی و سیستمهای استدلال چندمرحلهای
- درک معماری MCP و جریان ارتباطی آن
- پیادهسازی ابزارهای MCP، منابع و پرامپتها
- ساخت گردشکارهای انسان در حلقه با استفاده از Elicitation
- مدیریت گردشکارهای غیرهمزمان با استفاده از Progress Notifications
- یکپارچهسازی OpenAI و Gemini و مدلهای محلی با استفاده از Ollama
- استفادهی مؤثر از ChatClient و ChatMemory و Advisors
- پیادهسازی خروجی ساختاریافته و تکنیکهای مهندسی پرامپت
- طراحی میکروسرویسهای مجهز به هوش مصنوعی با Spring Boot
- نوشتن تست یکپارچهسازی برای سیستمهای مبتنی بر MCP
- اعمال الگوهای معماری واقعی هوش مصنوعی و بهترین شیوههای پیادهسازی
آنچه در پایان دوره قادر خواهید بود:
- ایجنتهای هوش مصنوعی و گردشکارهای ایجنتی در سطح تولید را با Spring AI و Java بسازید.
- MCP Servers را همراه با ابزارها، منابع و پرامپتها طراحی و پیادهسازی کنید.
- OpenAI و Gemini و LLMs محلی را در اپلیکیشنهای Spring Boot یکپارچه کنید.
- سیستمهای هوش مصنوعی آگاه از کانتکس را با استفاده از ChatMemory و Advisors و Structured Output بسازید.
- الگوهای معماری، استراتژیهای تست و بهترین شیوههای هوش مصنوعی در سطح تولید را بهکار بگیرید.
در طول دوره، سیستمهای عملی و شبیه تولید را با استفاده از Spring Boot و Spring AI و MCP خواهیم ساخت.
این دوره برای چه کسانی مناسب است؟
- توسعهدهندگان Java و Spring که در حال بررسی ایجنتهای هوش مصنوعی و MCP هستند.
ایجنتهای هوش مصنوعی و گردشکارهای ایجنتی با Spring AI ،MCP و Java
-
آنچه یاد خواهید گرفت 05:30
-
مقدمهای بر Generative AI 05:16
-
درک LLMs و پارامترهای اصلی 02:25
-
مقدمهای بر Ollama 03:14
-
اجرای Ollama با Docker 02:45
-
اجرای مدلها به صورت محلی با Ollama 04:59
-
ساخت کلید API برای OpenAI 08:29
-
ساخت کلید API برای Gemini 03:14
-
مقدمهای بر ChatClient 04:05
-
LLMs غیرقطعی هستند 03:49
-
بحث درباره ساختار پروژه Playground 05:06
-
راهاندازی پروژه Playground 08:25
-
اولین تعامل با LLM 03:51
-
رویکرد یادگیری: شروع ساده 01:15
-
دموی اولین تعامل با LLM 04:16
-
توضیح: از کدام Spring Profile استفاده کنیم؟ 01:14
-
پیادهسازی پاسخهای استریمینگ 04:53
-
توضیح: چرا برای دموها از JUnit استفاده میکنیم؟ 01:00
-
بررسی توکنهای LLM 03:31
-
دموی Tokenizer در OpenAI 01:27
-
درک متادیتا، توکنها و محدودیتهای نرخ 06:51
-
[اختیاری] توکنهای Max 06:31
-
[اختیاری] فاین تیونینگ خلاقیت با دما 03:25
-
پیکربندی ChatOptions پیشفرض 00:41
-
انتخاب پویای مدل در ران تایم 05:12
-
پیکربندی Beans چندمدلی 03:14
-
کار با ارائهدهندگان چندمدلی 05:37
-
خروجی ساختار یافته نیتیو 06:04
-
خروجی ساختار یافته: نگاشت تک انتیتی 03:34
-
خروجی ساختار یافته: نگاشت چند انتیتی 02:59
-
نگاشت چند انتیتی: مشکل OpenAI و راهحل جایگزین 02:54
-
مفهوم اصلی: پرامپتهای سیستم 02:47
-
دموی پیادهسازی پرامپت سیستم 03:30
-
پرامپتهای سیستم پیشفرض 00:52
-
کانتکس پویا با قالبهای پرامپت 03:20
-
دموی قالبهای پرامپت 01:56
-
تکلیف دوره: موتور پیشنهاددهنده فیلم None
-
عیبیابی مشکل پیشنهاد فیلم 01:21
-
مهندسی پرامپت: بهبود تدریجی 02:14
-
فیکس کردن مشکل پیشنهاد فیلم 01:06
-
خلاصه بخش و نکات کلیدی 06:27
-
مقدمهای بر Advisors 02:33
-
پیادهسازی Advisor سفارشی 03:39
-
درک پارامترهای Advisor 02:50
-
Advisor ساده لاگر 01:18
-
درک نقشهای پیام 04:40
-
دموی نقشهای پیام 01:12
-
ChatMemory چگونه کار میکند؟ 06:00
-
نکته: تغییر ناسازگار در Spring AI 2.0 01:12
-
دموی ChatMemory 03:52
-
چرا شناسههای گفتگو مهم هستند؟ 02:42
-
دموی گفتگوهای موازی 05:55
-
خلاصه بخش و نکات کلیدی 02:56
-
آزمون تمرینی Spring AI None
-
TalentFlow: بررسی اپلیکیشن 04:43
-
بررسی ساختار پروژه چندماژوله 02:33
-
بررسی Candidate Service 05:10
-
بررسی Job Service 06:42
-
Career Advisor: بحث درباره معماری 04:32
-
Career Advisor: راهاندازی پروژه 02:16
-
پیادهسازی کلاینتهای شغل و متقاضی 05:47
-
پرامپتهای Career Advisor 03:59
-
توضیح: آیا تسکهای داپلیکیت داریم؟ 01:58
-
پیادهسازی API یافتن شغلها: بخش 1 06:50
-
پیادهسازی API یافتن شغلها: بخش 2 03:16
-
پیادهسازی API مقایسه شغلها 04:15
-
پیادهسازی API تولید رزومه 04:15
-
پیکربندی Career Advisor 08:13
-
Career Advisor: مدیریت Secrets 02:02
-
دموی Career Advisor APIs 07:22
-
بررسی Hiring Service 04:03
-
Hiring Service: پیادهسازی Job Client 00:57
-
پرامپتهای Hiring Service 04:25
-
پیادهسازی Hiring Advisor 04:38
-
ارسال درخواست شغلی: بحث درباره معماری و طراحی 02:46
-
پیادهسازی ارسال درخواست شغلی 05:04
-
پیادهسازی ارزیابی درخواست شغلی 03:43
-
پیادهسازی API دریافت درخواستهای شغلی 01:47
-
پیادهسازی API دریافت درخواستهای متقاضی 06:18
-
پیکربندی Hiring Service 02:27
-
دموی Hiring Service APIs 03:45
-
TalentFlow: آمادهسازی محیط 01:26
-
TalentFlow: دموی End-to-End 10:11
-
خلاصه بخش و نکات کلیدی 01:30
-
مسئله: چرا به پروتکل کانتکس مدل (MCP) نیاز داریم؟ 03:26
-
تنظیم انتظارات: نظریه اصلی پروتکل 01:22
-
حفاظت از داده در MCP 01:29
-
بررسی معماری سطح بالای MCP 04:47
-
قابلیتهای اصلی: درک ویژگیهای MCP Server 01:33
-
کشف قابلیتهای MCP 03:30
-
چرخه عمر درخواست-پاسخ: جریان اجرای MCP 04:50
-
توضیح: LLM چگونه ابزارها را اجرا میکند؟ 02:18
-
درک MCP Transports 03:04
-
ماژولهای Spring MCP 01:13
-
MCP Playground: بحث درباره ساختار پروژه 02:56
-
MCP Playground: راهاندازی پروژه 07:27
-
نکته: پشتیبانی مدل از فراخوانی ابزار 01:24
-
ویژگیها و Secrets در MCP 02:20
-
توسعه اولین ابزار MCP ما 02:43
-
[اختیاری] مقدمهای بر Anthropic MCP Inspector 03:08
-
[اختیاری] تست فراخوانی ابزار با MCP Inspector 03:21
-
[اختیاری] بهترین شیوهها: نامگذاری و توضیحات ابزار 03:57
-
بحث معماری: یکپارچهسازی و اجرای ابزار بین هاست و سرور 01:59
-
راهاندازی پروژه هاست MCP 07:52
-
پیام سیستم برای فراخوانی ابزار 00:58
-
دموی End-to-End فراخوانی ابزار در MCP 05:19
-
دموی اجرای چند ابزار 01:03
-
LLM چگونه چندین فراخوانی ابزار را اجرا میکند؟ 02:02
-
توضیح: نوع Void در پاسخ اجرای ابزار 01:17
-
نگاهی به آینده: نقش منابع و پرامپتهای MCP 01:33
-
خلاصه بخش و نکات کلیدی 04:36
-
هدف بخش 02:23
-
بهترین شیوهها: نام و توضیح پارامتر ابزار 01:47
-
راهاندازی پروژه عملیاتهای فایل 03:41
-
دموی عملیاتهای فایل 06:51
-
ورودی ساختاریافته از LLM 00:59
-
ارائه کانتکس به مدلهای هوش مصنوعی از طریق پیام سیستم 03:22
-
ورودی ساختاریافته: دموی عملی 03:02
-
رویکردهای طراحی ابزار 01:33
-
الگوی 1: تصمیمگیریهای هدایت شده توسط دستیار 05:47
-
تصمیمگیریهای هدایت شده توسط دستیار: دموی آسیبپذیری 04:25
-
دامهای معماری: چرا تصمیمگیریهای هدایت شده توسط دستیار شکست میخورند؟ 01:12
-
اعلام نتایج اجرای ابزار 01:51
-
الگوی 2: طراحی کپسوله ابزار 03:28
-
مدیریت مقاوم خطاهای اجرای ابزار 02:21
-
الگوی 3: طراحی کپسوله و مقاوم برای ابزار 01:38
-
کانتکس پیشرفته: ارسال متادیتا به MCP Servers از طریق Meta 03:04
-
MCP Meta: راهاندازی پروژه 05:55
-
MCP Meta: دمو 02:22
-
مدیریت پیشرفته خطا از طریق برنامهنویسی داده محور 01:41
-
خلاصه بخش و نکات کلیدی 03:35
-
مقدمهای بر گردشکارهای ایجنتی 03:41
-
معماری ایجنت پرواز 02:40
-
ایجنت پرواز: مرور پروژه - بخش 1 06:05
-
ایجنت پرواز: مرور پروژه - بخش 2 05:31
-
شکلدهی رفتار ایجنت از طریق پیام سیستم 01:48
-
بررسی قابلیتهای ایجنت از طریق سناریوهای عملی 04:13
-
ایجنت پرواز: دموی اجرا - بخش 1 04:34
-
ایجنت پرواز: دموی اجرا - بخش 2 02:59
-
ارکستراسیون هدفمحور ایجنت پرواز 01:58
-
مقدمهای بر Progress Notifications 03:11
-
مفهوم اصلی: درک Progress Tokens 02:00
-
Progress Notifications چگونه بین هاست و سرور کار میکنند؟ 03:55
-
استریمینگ بلادرنگ: ارائه بروزرسانیهای پیشرفت از طریق Flux 07:24
-
Progress Notifications چگونه بین هاست و رابط کاربری کار میکنند؟ 02:42
-
Progress Notification: راهاندازی پروژه 08:24
-
دموی End-to-End از Progress Notification 02:21
-
مقدمهای بر Elicitation 03:35
-
بررسی جریان اجرای Elicitation 04:37
-
جمعآوری ورودی ساختاریافته از کاربر 02:58
-
دامهای معماری: مسدود شدن Thread و مشکلات Timeout 03:04
-
انسان در حلقه: بحث درباره طراحی سطح بالا 04:07
-
راهاندازی پروژه MCP Server 05:09
-
راهاندازی پروژه MCP Host 09:47
-
دموی نهایی Elicitation 03:18
-
مقدمهای بر منابع MCP 05:20
-
مسئله معماری: MCP Servers چگونه داده را دریافت میکنند؟ 02:55
-
مفهوم اصلی: طراحی URIs سفارشی برای مناع 04:10
-
منابع چگونه کار میکنند؟ 09:10
-
مفهوم اصلی: درک نتایج خواندن منابع 01:37
-
راهاندازی پروژه MCP Server 10:39
-
کامپوننت کلاینت MCP Host 04:07
-
راهاندازی پروژه MCP Host 06:31
-
دموی ناوبری منابع 04:11
-
بینشهای LLM از طریق منابع: دموی یکپارچهسازی 03:56
-
توضیح: چگونه منابع را مقایسه کنیم؟ 01:16
-
مدیریت خطاهای مرتبط با منابع 02:17
-
خلاصه بخش و نکات کلیدی 03:37
-
مقدمهای بر پرامپتهای MCP 04:19
-
هندلرهای پرامپت در MCP Server 02:50
-
جریان اجرای End-to-End 02:49
-
بهبود تجربه کاربری: پیادهسازی تکمیل خودکار برای پرامپتها 04:25
-
MCP Server: راهاندازی پروژه 07:26
-
توضیح: ساختار پیام پرامپت و نقشها 03:01
-
هاست MCP: راهاندازی پروژه 04:00
-
تزریق کانتکس: دموی اجرای پرامپتها 03:48
-
خلاصه بخش و نکات کلیدی 01:25
-
پروتکل کانتکس مدل (MCP) None
-
استراتژی و رویکرد تست یکپارچهسازی 02:38
-
تست یکپارچهسازی: ابزارهای MCP 08:08
-
تست یکپارچهسازی: Progress Notifications بلادرنگ 03:20
-
تست یکپارچهسازی: درخواستهای Elicitation در انسان در حلقه 05:44
-
تست یکپارچهسازی: منابع MCP 01:37
-
تست یکپارچهسازی: پرامپتهای MCP 03:23
-
مصاحبه مهندس ارشد بکاند: هوش مصنوعی عاملی و MCP None
-
بررسی پروژه نهایی: ایجنت تحلیلگر 02:02
-
مرزهای امنیتی: کنترل دسترسی هوش مصنوعی به پایگاه داده چگونه انجام میشود؟ 04:37
-
معماری سیستم: بحث درباره طراحی سطح بالا 03:01
-
MCP Server: راهاندازی پروژه 06:34
-
تحمل خطا: مدیریت خطاهای SQL برای ایجنتها 01:49
-
هاست MCP: راهاندازی پروژه 05:18
-
مقیاسپذیری سیستم: استراتژی برای پشتیبانی از جداول بیشتر 01:12
-
اجرای پروژه نهایی: دموی پایانی ایجنت تحلیلگر 06:10
مشخصات آموزش
ایجنتهای هوش مصنوعی و گردشکارهای ایجنتی با Spring AI ،MCP و Java
- تاریخ به روز رسانی: 1405/04/12
- سطح دوره:Alls
- تعداد درس:193
- مدت زمان :11:53:27
- حجم :4.98GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
The Great Courses
5,201,500
1,040,300 تومان
- زمان: 06:58:57
- تعداد درس: 60
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
5,679,500
1,135,900 تومان
- زمان: 07:37:25
- تعداد درس: 47
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
6,100,500
1,220,100 تومان
- زمان: 08:11:21
- تعداد درس: 28
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
1,272,500
254,500 تومان
- زمان: 01:42:31
- تعداد درس: 11
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
2,260,000
452,000 تومان
- زمان: 03:02:02
- تعداد درس: 14
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
795,000
159,000 تومان
- زمان: 58:00
- تعداد درس: 12
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
8,508,000
1,701,600 تومان
- زمان: 11:25:13
- تعداد درس: 94
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
1,833,000
366,600 تومان
- زمان: 02:27:39
- تعداد درس: 24
-
سطح دوره:
-
زبان: دوبله فارسی