Microsoft Agent Framework چارچوب یکپارچه‌ی مایکروسافت برای ساخت ایجنت است. در این آموزش ایجنت، ابزار، جلسه، میان‌افزار و جریان کار را با نمونه کد پایتون می‌شناسید و یاد می‌گیرید یک نمونه‌ی کوچک با مرز روشن میان اجزا بسازید.
حافظه وقتی مفید است که اطلاعات ذخیره‌شده هنوز درست و مرتبط باشد. در این آموزش حافظه ایجنت را می‌شناسید؛ هفت نوع حافظه، ابزارهایی مثل Mem0 و Cognee، ایجنت دانش برای یادگیری از گفت‌وگو و طراحی حافظه‌ای که منشأ، بازه‌ی اعتبار و امکان حذف داشته باشد.
فرستادن همه‌ی تاریخچه و همه‌ی اسناد به مدل جای انتخاب درست اطلاعات را نمی‌گیرد. در این آموزش مهندسی زمینه را یاد می‌گیرید؛ پنج نوع زمینه، راهبردهای برنامه‌ریزی و مدیریت زمینه، چهار خرابی رایج مسمومیت، حواس‌پرتی، سردرگمی و تضاد، و ساخت زمینه‌ی تازه برای هر مرحله.
نمونه‌ای که ابزار را پیدا می‌کند هنوز یک اتصال قابل‌اعتماد نیست. در این آموزش اتصال MCP به ایجنت را عملی می‌سازید؛ یک سرور MCP با پایتون، کلاینتی که ابزار را کشف و صدا می‌زند، قابلیت‌های ایجنت‌گونه مثل گزارش پیشرفت، درخواست تأیید و ازسرگیری، و مدیریت خطای سرویس.
وقتی چند ابزار و چند سرویس به دستیار وصل می‌شوند، توافق بر سر شکل پیام‌ها اهمیت پیدا می‌کند. در این آموزش سه پروتکل ایجنت را می‌شناسید؛ MCP برای اتصال به ابزار، A2A برای همکاری ایجنت‌ها و NLWeb برای وب‌سایت‌های گفت‌وگومحور، و مرز میان استاندارد ارتباط و مجوز اقدام را یاد می‌گیرید.
وقتی کاربر می‌گوید پاسخ بد بود، ذخیره‌ی متن نهایی برای پیدا کردن علت کافی نیست. در این آموزش پایش ایجنت هوش مصنوعی را در محیط تولید یاد می‌گیرید؛ ابزارگذاری با OpenTelemetry، Span دستی برای هر مرحله، مشکلات رایج و راه‌حل‌ها، کنترل هزینه و پیدا کردن علت کندی.
وجود چند قطعه متن در ورودی مدل تضمین نمی‌کند پاسخ مستند باشد. در این آموزش RAG اصلاحی را یاد می‌گیرید؛ مقایسه با بارگذاری پیشاپیش زمینه، داوری تناسب سند با مدل، بازچینی و امتیازدهی، جستجو بر اساس نیت کاربر و کنار گذاشتن سند قدیمی یا مشابه اما نامرتبط.
خودارزیابی ایجنت یک الگوی نرم‌افزاری است؛ تولید نتیجه، سنجش آن با معیار مشخص و تصمیم درباره‌ی اصلاح. در این آموزش فراشناخت در ایجنت، اجزای ایجنت، تولید کد به‌عنوان ابزار، SQL به‌عنوان منبع بازیابی و یک حلقه‌ی بازبینی محدود با آزمون عددی مستقل را یاد می‌گیرید.
همه‌ی درخواست‌ها نباید وارد یک مسیر پرهزینه شوند. در این آموزش مسیریابی شرطی را در جریان کار ایجنتی یاد می‌گیرید؛ یال شرطی، دروازه‌ی کیفیت، مسیریاب با خروجی ساختاریافته و طراحی مسیر روشن برای پیام مبهم، چندموضوعی، حساس و خارج از دامنه.
اجرای همزمان زمان انتظار را کم می‌کند، اما فقط وقتی کارها واقعاً مستقل باشند. در این آموزش اجرای ترتیبی و اجرای همزمان ایجنت‌ها را مقایسه می‌کنید، الگوی پخش و جمع را با پایتون می‌سازید و یاد می‌گیرید با شاخه‌ی شکست‌خورده چه کنید.
در یک جریان چندمرحله‌ای، دانستن اینکه کجای کار هستیم به اندازه‌ی نتیجه‌ی نهایی مهم است. در این آموزش جریان کار ایجنتی را با Microsoft Agent Framework می‌شناسید؛ اجراکننده، یال و گردش کار، الگوی ترتیبی و طراحی وضعیتی که پس از قطع اجرا، کار را از آخرین مرحله‌ی موفق ادامه دهد.
چندایجنتی بودن وقتی ارزش دارد که هر نقش مسئولیت مشخصی داشته باشد. در این آموزش طراحی سیستم چند ایجنتی را یاد می‌گیرید؛ کی چند ایجنت لازم است، اجزای اصلی، سه الگوی چت گروهی، تحویل کار و فیلترینگ مشارکتی، و قرارداد تحویلی که شواهد را در طول زنجیره حفظ کند.
برنامه‌ای که فقط فهرستی از کارها باشد، روی کاغذ خوب است اما در عمل اجرا نمی‌شود. در این آموزش برنامه‌ریزی ایجنت را یاد می‌گیرید؛ تعریف هدف روشن، تجزیه‌ی کار، خروجی ساختاریافته با Pydantic، اعتبارسنجی برنامه با کد و برنامه‌ریزی دوباره هنگام تغییر شرایط.
دکمه‌ی تأیید وقتی مفید است که کاربر بداند دقیقاً چه چیزی را تأیید می‌کند. در این آموزش تأیید انسانی در ایجنت را طراحی می‌کنید؛ از پیام سیستمی ساختاریافته و شناخت تهدیدها تا توقف پیش از اقدام، تأیید نسخه‌ی مشخص و جلوگیری از ارسال دوباره.
بعضی پرسش‌ها با یک جستجو جواب نمی‌گیرند. در این آموزش می‌بینید Agentic RAG چطور مالک فرایند استدلال می‌شود، حلقه‌ی ارزیابی و اصلاح چه مراحلی دارد و مدیریت شکست در Agentic RAG با سقف تلاش، بررسی شواهد و ارجاع به انسان چطور پیاده می‌شود.
پرامپت تبلیغ کتانی با ورزشکاری که به سمت دوربین می‌پرد؛ کوتاه‌نمایی پرسپکتیو کفش‌ها را به پیش‌زمینه می‌آورد و گردوغبار ملایم حس حرکت را کامل می‌کند.
پرامپت کمپین گوشی یاسی با رنگ‌بندی تک‌رنگ؛ مدلی با کاپشن یاسی گوشی هم‌رنگ را نزدیک لنز گرفته و گوشی با روشنایی و وضوح بیشتر از لباس و پس‌زمینه جدا می‌شود.
پرامپت عکس شلوار برای کاتالوگ لباس؛ تصویر کامل شلوار روی مدل به‌همراه قاب کوچک از کمر و پیلی‌ها، تا خریدار هم فرم کلی و هم جزئیات دوخت را ببیند.
پرامپت پرتره گوشی با تأکید بر دوربین؛ مدلی با هودی سبزآبی گوشی نقره‌ای را روی یک چشم گرفته و ماژول دوربین، جای چشم دوم را در تصویر پر می‌کند.
از بحث‌های متخصصان سئو در X تا پژوهش‌های Ahrefs و Pew؛ بررسی می‌کنیم چرا نمایش بیشتر همیشه کلیک بیشتر نمی‌آورد و خطای ثبت داده‌های گوگل چه تغییری در تفسیر نمودارها ایجاد می‌کند.
رصد پاسخ‌های هوش مصنوعی با یک اسکرین‌شات قابل اعتماد نیست. سه تجربه از ردیت و لینکدین را کنار پژوهش SparkToro روی ۲۹۶۱ اجرا، داده Ahrefs از ۴۳ هزار AI Overview و نوسان ارجاع در داده Semrush گذاشتیم تا نشان دهیم چرا باید فراوانی حضور را سنجید.
دیده شدن در نتایج هوش مصنوعی فقط به وبلاگ شما بستگی ندارد. سه تجربه با ردیت، لینکدین و اعتبار محلی را کنار پژوهش ۷۵ هزار برند Ahrefs، داده ۱۰۰ میلیون ارجاع Semrush و سیاست‌های اسپم گوگل گذاشتیم تا ببینیم نشانه‌های بیرونی چقدر مهم‌اند.
«ترافیک ChatGPT بهتر تبدیل می‌شود» تیتر رایجی است. چهار گزارش را کنار داده Ahrefs، پژوهش علمی ۹۷۳ فروشگاه اینترنتی در Marketing Science و گزارش Adobe گذاشتیم تا ببینیم نرخ تبدیل ترافیک هوش مصنوعی واقعاً کجا بالاتر است و کجا نه.
نمایش سایت در گوگل بیشتر شده، اما کلیک کمتری می‌گیرید؟ با مثال عددی، تفاوت افت کلیک و افت CTR را ببینید. سپس در پنج قدم، صفحه‌ها و عبارت‌های آسیب‌دیده را پیدا کنید و تصمیم بگیرید چه چیزی نیاز به اصلاح دارد.
خطاهای سایت مثل 404، 403، 500، 502، 503 و 504 چه معنایی دارند و از کجا باید رفعشان کرد؟ در این راهنما علت‌های رایج هر خطا، قدم‌های بازدیدکننده و مدیر سایت و یک پرامپت آماده برای پرسیدن از هوش مصنوعی را می‌بینید.
پرامپت خوب لازم نیست طولانی باشد؛ کافی است هدف، مخاطب، نقش، قالب خروجی، مثال و محدودیت‌ها را روشن کند. در این مقاله هفت ویژگی پرامپت خوب را با مثال قبل و بعد، یک قالب آماده و چک‌لیست کاربردی یاد می‌گیرید.
