دوره‌ کامل مهندسی هوش مصنوعی عاملی (2025)

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

نحوه کاربرد هوش مصنوعی عاملی در مسائل تجاری واقعی
طراحی راه‌حل‌های هوش مصنوعی عاملی با استفاده از الگوهای طراحی اثبات‌شده و بهترین شیوه‌ها
ارتباط LLMs برای همکاری با استفاده از اصول هوش مصنوعی عاملی مانند ابزارها، خروجی‌های ساختاریافته و حافظه
ایجاد اپلیکیشن‌های خودمختار عاملی با CrewAI، از جمله ایجنت‌هایی که کد می‌نویسند و اجرا می‌کنند. ساخت سریع محصولات عاملی با OpenAI Agents SDK
ساخت راه‌حل‌های قوی و تکرارپذیر عاملی با LangGraph
پیشگام بودن در پیشبرد هوش مصنوعی عاملی با AutoGen AgentChat و AutoGen Core
کشف قابلیت‌های گسترده ابزارها و منابع متن‌باز که توسط پروتکل کانتکس مدل کانتکست آنتروفیک (MCP) ممکن شده‌اند.
تحویل راه‌حل‌های تجاری نوآورانه با تکیه بر تجربه حاصل از 8 پروژه واقعی

پیش‌نیازهای دوره

هرچند تسلط به برنامه‌نویسی پایتون و داشتن تجربه‌ای با LLMs ایده‌آل است، اما این دوره برای طیف وسیعی از مخاطبان با پیشینه‌های مختلف طراحی شده است. یک پوشه کامل شامل لابراتوارهای خودآموز برای مهارت‌های اساسی فنی و برنامه‌نویسی گنجانده شده است. اگر تازه‌کار هستید، تنها یک شرط لازم دارید: صبر فراوان
این دوره بهتر است اگر بودجه‌ای کوچک برای استفاده از APIs داشته باشید، اما انتخاب با شما است. می‌توانید کل دوره را بدون هزینه API به پایان برسانید. در صورت تمایل به استفاده از مدل‌های بروز، هزینه معمول کمتر از 5 دلار است. در صورت تمایل به قابلیت‌های بیشتر، می‌توانید کمی بیشتر هزینه کنید.

توضیحات دوره

سال 2025 سال ورود ایجنت‌ها به نیروی کار است. این رویدادی مهم و تعیین‌کننده برای هوش مصنوعی محسوب می‌شود. هرگز اهمیت تسلط به هوش مصنوعی عاملی به این اندازه نبوده است. هدف دوره نیز همین است: تجهیز شما به مهارت‌ها و تخصص لازم برای طراحی، ساخت و استقرار ایجنت‌های هوش مصنوعی خودمختار، که فرصت‌های جدید شغلی و تجاری را فراهم می‌کند.

این برنامه فشرده 6 هفته‌ای، برای تسلط به هوش مصنوعی عاملی طراحی شده است. ابتدا اصول مورد نیاز را می‌سازیم و LLMs را با الگوهای طراحی اثبات‌ شده متصل می‌کنیم. سپس هر هفته مهارت‌های جدیدی را با فریمورک های مختلف مانند: OpenAI Agents SDK و CrewAI و LangGraph و Autogen می‌آموزیم. دوره در هفته پایانی با فرصت‌های بی‌نظیر ناشی از MCP به اوج می‌رسد.

مهم‌تر از همه، این دوره کاملا عملی است. ما معتقدیم بهترین روش یادگیری، «یادگیری عملی» است. پس آماده باشید تا دست به کار شوید. ما 8 پروژه واقعی خواهیم ساخت؛ برخی شگفت‌انگیز، برخی جذاب و برخی تا حدی خیالی‌ هستند. اما قطعاً همه، نمایشگر قدرت هوش مصنوعی عاملی در تحول کامل چشم‌انداز کسب‌وکار هستند.

پس در این سفر 6 هفته‌ای جامع همراه ما باشید. در پایان، شما به هوش مصنوعی عاملی مسلط خواهید بود. شما با همه فریمورک‌های اصلی آشنا شده و نقاط قوت و چالش‌های هوش مصنوعی عاملی را خواهید شناخت. شما با اطمینان ایجنت‌های خودمختار را برای حل مسائل واقعی تجاری به کار خواهید گرفت. و در طول مسیر، از فناوری شگفت‌انگیز و پیشگامانه هوش مصنوعی عاملی لذت خواهید برد.

این دوره برای چه کسانی مناسب است؟

شاید کمی جانبدارانه باشد، اما می‌گوییم: برای همه افراد
اگر به پتانسیل ایجنت‌ها علاقه‌مند بوده و مشتاق هستید مهارت ساخت هوش مصنوعی عاملی قدرتمند را کسب کنید، جای درستی آمده‌اید.
هرچند دوره بیشتر برای افراد باتجربه در برنامه‌نویسی مناسب است، اما برای همه پیشینه‌ها طراحی شده است.

دوره‌ کامل مهندسی هوش مصنوعی عاملی (2025)

فصل 1: هفته 1

روز 1 - دموی ایجنت هوش مصنوعی خودمختار - استفاده از N8n برای کنترل دستگاه‌های هوشمند خانگی 07:15
روز 1 - توضیح فریمورک‌های ایجنت هوش مصنوعی - OpenAI SDK و Crew AI و LandGraph و AutoGen 11:36
روز 1 - راه‌اندازی مهندسی ایجنت - درک Cursor IDE و UV و گزینه‌های API 11:50
روز 1 - راه‌اندازی ویندوز برای توسعه هوش مصنوعی - گیت، Cursor IDE و UV Package Manager 20:54
روز 1 - راه‌اندازی مک برای پروژه‌های هوش مصنوعی - گیت‌هاب، Cursor IDE و کلید OpenAI API 19:50
روز 1 - ساخت اولین گردش‌کار هوش مصنوعی عاملی خود با OpenAI API - گام به گام 17:35
روز 1 - آشنایی با هوش مصنوعی عاملی - ساخت گردش‌کارهای چندمرحله‌ای LLM + خودمختاری 01:34
روز 2 - ساخت ایجنت‌های موثر - توضیح خودمختاری LLM و یکپارچه‌سازی ابزار 06:13
روز 2 - پنج الگوی طراحی گردش‌کار LLM ضروری برای ساخت سیستم‌های قوی هوش مصنوعی 08:32
روز 2 - درک الگوهای ایجنت در مقابل الگوهای گردش‌کار در طراحی اپلیکیشن LLM 06:39
روز 3 - ارکستراسیون LLM چندگانه - مقایسه GPT-4 ،Claude، جمینی و دیپ‌سیک 10:16
روز 3 - یکپارچه‌سازی Multi-LLM API - مقایسه OpenAI، آنتروفیک و مدل‌های دیگر 09:47
روز 3 - مقایسه LLM APIs - استفاده از کتابخانه کلاینت OpenAI با Claude، جمینی و غیره 12:56
روز 3 - ارکستراسیون چندمدلی - ایجاد سیستم برای ارزیابی پاسخ‌های هوش مصنوعی 10:52
روز 3 - ارتباط الگوهای عاملی با استفاده از ابزار - بلوک‌های سازنده ضروری هوش مصنوعی 00:35
روز 4 - مقایسه فریمورک‌های ایجنت هوش مصنوعی - سادگی در مقابل قدرت در ارکستراسیون LLM 06:30
روز 4 - منابع در مقابل ابزارها - دو راه برای ارتقای قابلیت‌های LLM در هوش مصنوعی عاملی 07:45
روز 4 - ساخت چت‌بات وب که مثل شما عمل می‌کند با استفاده از Gradio و OpenAI 09:48
روز 4 - استفاده از جمینی برای ارزیابی پاسخ‌های GPT-4 - پایپ‌لاین Multi-LLM 13:15
روز 4 - ساخت گردش‌کارهای LLM عاملی - منابع، ابزارها و خروجی‌های ساختاریافته 01:22
روز 5 - ساخت Alter Ego شغلی خود - فراخوانی توابع LLM با هشدارهای پوش 08:20
روز 5 - رمزگشایی از فراخوانی ابزار LLM - چگونه درخواست‌های تابع پردازش و اجرا می‌شوند؟ 05:44
روز 5 - ساخت دستیارهای هوش مصنوعی - پیاده‌سازی ابزارهایی برای مدیریت سوالات ناشناخته 02:44
روز 5 - ساخت و استقرار ایجنت هوش مصنوعی - از حلقه چت تا فضاهای HuggingFace 10:44
روز 5 - استقرار چت‌بات‌های مکالمه شغلی برای Gradio 08:44
روز 5 - جمع‌بندی هفته اصول اولیه - ساخت ایجنت‌های هوش مصنوعی کامل با APIs و ابزارها 01:35

فصل 2: هفته 2

روز 1 - درک Async در پایتون - اصول OpenAI Agents SDK 11:44
روز 1 - اصول OpenAI Agents SDK - ایجاد، ردیابی و اجرای ایجنت‌ها 05:15
روز 1 - آشنایی با کلاس‌های ایجنت، Runner و ردیابی در OpenAI Agents SDK 08:36
روز 1 - کدنویسی Vibe - پنج نکته ضروری برای تولید کارآمد کد با LLMs 06:55
روز 1 - OpenAI Agents SDK - درک مفاهیم اصلی برای توسعه هوش مصنوعی 00:16
روز 2 - ساخت ایجنت‌های فروش هوش مصنوعی با SendGrid - ابزارها و همکاری در Agent SDK 07:26
روز 2 - فراخوانی‌های همزمان LLM - پیاده‌سازی Asyncio برای اجرای موازی ایجنت 09:00
روز 2 - تبدیل ایجنت‌ها به ابزارها - ساخت سیستم‌های سلسله‌مراتبی هوش مصنوعی 06:27
روز 2 - جریان کنترل ایجنت - چه زمانی از Handoffs در مقابل ایجنت‌ها به عنوان ابزارها استفاده کنیم؟ 07:47
روز 2 - از فراخوانی‌های تابع تا ایجنت خودمختار - اتوماسیون فروش با OpenAI SDK 06:33
روز 2 - هوش مصنوعی عاملی برای کسب‌وکار - ایجاد ابزارهای Outreach برای فروش تعاملی 01:01
روز 3 - یکپارچه‌سازی چندمدلی - استفاده از جمینی، دیپ‌سیک و Grok با ایجنت‌های OpenAI 07:46
روز 3 - پیاده‌سازی گاردریل‌ها و خروجی‌های ساختاریافته برای سیستم‌های ایجنت هوش مصنوعی قوی 10:11
روز 3 - ایمنی هوش مصنوعی در عمل - پیاده‌سازی گاردریل‌ها برای اپلیکیشن‌های ایجنت LLM 05:25
روز 4 - ساخت ایجنت‌های تحقیقات عمیق - پیاده‌سازی ابزار جستجوی وب OpenAIs 08:49
روز 4 - ساخت ایجنت پلنر - استفاده از خروجی‌های ساختاریافته با Pydantic در هوش مصنوعی 07:58
روز 4 - ساخت پایپ‌لاین End-to-End تحقیقات با ایجنت‌های GPT-4 و تسک‌های غیرهمزمان 10:28
روز 4 - ساخت ایجنت تحقیقات عمیق - جستجوهای موازی با AsyncIO 03:55
روز 5 - ساخت سیستم تحقیقات هوش مصنوعی ماژولار با پیاده‌سازی رابط کاربری Gradio 12:26
روز 5 - اپلیکیشن تحقیقات عمیق - Gradio برای مصورسازی و نظارت بر ایجنت‌های خودمختار هوش مصنوعی 03:36
روز 5 - استقرار ایجنت‌های تحقیقات هوشمند با Gradio و HuggingFace Spaces 03:59

فصل 3: هفته 3

روز 1 - فریمورک Crew AI - ایجاد تیم‌های همکاری ایجنت هوش مصنوعی 06:02
روز 1 - توضیح فریمورک Crew AI - آموزش ایجنت‌ها، تسک‌ها و حالت‌های پردازش 07:44
روز 1 - Crew AI و LightLLM - فریمورک منعطف برای یکپارچه‌سازی چند LLM 04:46
روز 1 - آموزش Crew AI - راه‌اندازی پروژه مناظره با GPT-4o mini 09:20
روز 1 - چگونه سیستم مناظره هوش مصنوعی با Crew AI و چند LLM بسازیم؟ 12:20
روز 1 - ساخت سیستم‌های مناظره هوش مصنوعی با CrewAI - مقایسه LLMs مختلف 02:07
روز 2 - ساخت پروژه‌های Crew AI - ابزارها، کانتکس و یکپارچه‌سازی جستجوی گوگل 06:03
روز 2 - ساخت سیستم‌های تحقیقات مالی چند ایجنتی با Crew.ai 10:46
روز 2 - ارتقای ایجنت‌های هوش مصنوعی با جستجوی وب - حل مسئله محدودیت دانش 05:44
روز 3 - ساخت انتخابگر سهام با Crew AI - سیستم چند ایجنت برای سرمایه‌گذاری 07:10
روز 3 - پیاده‌سازی خروجی‌های دقیق در Crew AI - آموزش ایجنت انتخابگر سهام 08:39
روز 3 - توسعه ابزار سفارشی برای Crew AI - اسکیمای جی سان و پوش نوتیفیکیشن‌ها 08:49
روز 4 - حافظه Crew AI - ذخیره‌سازی برداری و پیاده‌سازی SQL برای ایجنت‌های هوش مصنوعی 12:14
روز 4 - Crew AI برای تسک‌های کدنویسی - ایجنت‌هایی که کد پایتون را تولید و اجرا می‌کنند 08:06
روز 4 - ایجاد ایجنت هوش مصنوعی نویسنده پایتون - پیاده‌سازی عملی با Coda 06:04
روز 5 - ایجاد تیم‌های هوش مصنوعی - پیکربندی Crew AI برای توسعه مشارکتی 10:21
روز 5 - توسعه تیمی ایجنت هوش مصنوعی برای فریمورک معاملات سهام 08:09
روز 5 - ساخت اپلیکیشن معاملاتی با استفاده از GPT-4 و Claude 08:30
روز 5 - از ماژول‌های منفرد تا سیستم‌های کامل - تکنیک‌های پیشرفته CrewAI 08:49

فصل 4: هفته 4

روز 1 - توضیح LangGraph - معماری مبتنی بر گراف برای ایجنت‌های هوش مصنوعی قوی 10:12
روز 1 - توضیح LangGraph - مقایسه کامپوننت‌های فریمورک، استودیو و پلتفرم 05:43
روز 1 - تئوری LangGraph - کامپوننت‌های اصلی برای ساخت سیستم‌های پیشرفته ایجنت 09:52
روز 2 - بررسی عمیق LangGraph - مدیریت State در گردش‌کارهای ایجنت مبتنی بر گراف 05:47
روز 2 - تسلط به LangGraph - چگونه آبجکت‌های State را تعریف کرده و از Reducers استفاده کنیم؟ 07:12
روز 2 - اصول LangGraph - ایجاد گره‌ها، لبه‌ها و گردش‌کارهای گام به گام 06:22
روز 2 - آموزش LangGraph - ساخت چت‌بات OpenAI با ساختارهای گراف 03:59
روز 3 - آموزش پیشرفته LangGraph - توضیح Super Steps و چک‌پوینت‌ کردن 05:47
روز 3 - راه‌اندازی Langsmith و ایجاد ابزارهای سفارشی برای اپلیکیشن‌های LangGraph 06:31
روز 3 - فراخوانی ابزار LangGraph - کار با لبه‌های شرطی و گره‌های ابزار 11:31
روز 3 - چک‌پوینت‌ کردن در LangGraph - چگونه حافظه را بین مکالمات حفظ کنیم؟ 08:56
روز 3 - ساخت حافظه پایدار هوش مصنوعی با SQLite - مدیریت State در LangGraph 05:57
روز 4 - یکپارچه‌سازی Playwright با LangGraph - ایجاد ایجنت‌های هوش مصنوعی مرورگر وب 08:41
روز 4 - ایجاد دستیارهای وب هوش مصنوعی - پیاده‌سازی Playwright ،LangChain و Gradio 08:03
روز 4 - ایجنت‌های ارزیاب LLM - ایجاد حلقه‌های بازخورد با خروجی‌های ساختاریافته 09:16
روز 4 - ایجاد حلقه‌های بازخورد LLM - پیاده‌سازی Worker و ارزیاب در LangGraph 10:28
روز 4 - ساخت دستیار هوش مصنوعی با استفاده از LangGraph ،Gradio و اتوماسیون مرورگر 08:49
روز 5 - هوش مصنوعی عاملی - افزودن جستجوی وب، فایل سیستم و محیط تعاملی پایتون به دستیار شما 05:34
روز 5 - یکپارچه‌سازی ابزار LangChain - ساخت دستیار قدرتمند هوش مصنوعی از ابتدا 09:59
روز 5 - ایجاد گردش‌کارهای هوش مصنوعی - بیلدرهای گراف و تکنیک‌های ارتباط Node 08:33
روز 5 - ایجاد سشن‌های کاربری جداسازی شده در اپلیکیشن‌های Gradio با استفاده از مدیریت State 06:00
روز 5 - درون حلقه‌های بازخورد هوش مصنوعی - مشاهده نحوه ارزیابی و اصلاح خطاها توسط هوش مصنوعی 12:15
روز 5 - ارتقای دستیار هوش مصنوعی - حافظه، سوالات روشن‌کننده و ابزارهای سفارشی 03:46

فصل 5: هفته 5

روز 1 - Microsoft Autogen 0.5.1 - توضیح فریمورک‌ ایجنت هوش مصنوعی برای مبتدیان 07:36
روز 1 - AutoGen در مقابل فریمورک‌های ایجنت - مقایسه ویژگی‌ها و کامپوننت‌ها 05:48
روز 1 - آموزش چت ایجنت AutoGen - ایجاد ابزارها و یکپارچه‌سازی پایگاه داده 09:44
روز 1 - کامپوننت‌های ضروری هوش مصنوعی - توضیح مدل‌ها، پیام‌ها و ایجنت‌ها 00:14
روز 2 - پیاده‌سازی ایجنت‌های اصلی و ارزیاب در AutoGen با Langchain 13:36
روز 2 - آموزش وب‌اسکرپینگ بدون هد - یکپارچه‌سازی واکشی سرور MCP در AutoGen 08:12
روز 3 - AutoGen Core - ستون فقرات ارتباطات ایجنت توزیع‌ شده 05:01
روز 2 - چت پیشرفته ایجنت Autogen - ویژگی‌های چندمدلی و خروجی‌های ساختاریافته 09:27
روز 3 - ارتباطات ایجنت در Autogen Core - هندلر پیام‌ها و Dispatch کردن 08:43
روز 3 - رجیستریشن ایجنت و مدیریت پیام در AutoGenCore - مثال‌های عملی 09:04
روز 3 - ایجنت‌های مستقل AutoGenCore - بازی سنگ، کاغذ، قیچی با GPT-4o و Llama 07:28
روز 4 - ران‌تایم توزیع‌ شده Autogen Core - توضیح معماری و کامپوننت‌ها 03:00
روز 4 - پیاده‌سازی ایجنت‌های هوش مصنوعی توزیع‌ شده با AutoGen Core و ران‌تایم gRPC 10:28
روز 4 - ساخت سیستم‌های ایجنت توزیع‌ شده - ارتباطات بین‌فرآیندی AutoGen 04:21
روز 5 - ایجاد ایجنت‌های خودمختار که ایجنت‌های دیگر را می‌نویسند و در AutoGen مستقر می‌کنند 05:03
روز 5 - پیاده‌سازی پیام‌رسانی ایجنت به ایجنت با Autogen Core و قالب‌ها 10:46
روز 5 - ایجاد ایجنت‌های هوش مصنوعی خودمختار که با پایتون غیرهمزمان همکاری می‌کنند 11:44

فصل 6: هفته 6

روز 1 - آشنایی با پروتکل کانتکس مدل (MCP) - کانکتور هوش مصنوعی آنتروفیک 10:15
روز 1 - توضیح معماری MCP - درک میزبان‌ها، کلاینت‌ها و سرورها 14:11
روز 1 - سرورهای MCP برای مدیریت حساب - یکپارچه‌سازی OpenAI Agents SDK 07:01
روز 1 - مارکت پلیس‌های سرورهای MCP - دسترسی به هزاران ابزار برای ایجنت‌های OpenAI 10:20
روز 2 - چگونه سرور MCP ایجاد کنیم؟ - ساخت مجموعه ابزارهای قابل اشتراک‌گذاری 05:17
روز 2 - ساخت سرور MCP شخصی - از کد پایتون تا ابزارهای قابل دسترسی برای هوش مصنوعی 07:27
روز 2 - پیاده‌سازی ابزارهای MCP سفارشی برای مدیریت پورتفولیو با OpenAI 07:01
روز 2 - چگونه کلاینت MCP را برای یکپارچه‌سازی ابزار OpenAI و آنتروفیک پیاده‌ کنیم؟ 06:42
روز 2 - معماری MCP - ساخت سیستم‌های کلاینت-سرور برای ابزارهای ایجنت LLM 06:03
روز 3 - افزودن حافظه پایدار به ایجنت‌های هوش مصنوعی با سرورهای گراف دانش MCP 07:20
روز 3 - راه‌اندازی Alpha Vantage APIs و Brave Search با سرورهای MCP 11:15
روز 3 - راه‌اندازی APIs داده مالی - کلون‌سازی و پیکربندی اتصال سرور MCP 09:40
روز 4 - ایجاد سیستم معاملاتی چند ایجنتی با اشتراک‌گذاری حافظه و جستجوی وب 07:52
روز 4 - همکاری ایجنت - تبدیل پژوهشگر به ابزارها با OpenAI SDK 07:39
روز 4 - ایجنت‌های معاملاتی با استفاده از ابزار - پیاده‌سازی MCP برای تحقیقات بازار سهام 08:57
روز 4 - OpenAI HSA SDK - توسعه ماژول سیستم معاملاتی چند ایجنتی 08:43
روز 4 - متدهای پیشرفته - پیاده‌سازی توابع معاملاتی در OpenAI Agents SDK 06:27
روز 4 - ساخت ایجنت‌های معاملاتی مقاوم - مدیریت خطا در سیستم‌های مالی هوش مصنوعی 07:55
روز 5 - فینال Capstone - پوش نوتیفیکیشن‌ها و تکامل استراتژی برای تریدرهای هوش مصنوعی 09:34
روز 5 - داشبورد معاملات هوش مصنوعی - مصورسازی عملکرد پورتفولیو با Gradio 08:40
روز 5 - مهندسی هوش مصنوعی عاملی - نتیجه‌گیری دوره و کاربردهای واقعی 10:08