مسیر عملی هوش مصنوعی؛ از پرامپت تا ایجنت

بخش ۱· ۱۶ دقیقه

آموزش پرامپت نویسی از صفر؛ اصول مهندسی پرامپت با مثال

آموزش پرامپت نویسی از پایه، قدم‌به‌قدم؛ از اینکه مدل زبانی پرامپت را چطور می‌خواند تا ساختار پرامپت، یادگیری با مثال، نشانه، قالب قابل‌استفاده‌ی دوباره و هشت روش عملی برای گرفتن پاسخ دقیق‌تر از هوش مصنوعی.

بخش ۲· ۱۴ دقیقه

تکنیک‌های پرامپت نویسی پیشرفته؛ از زنجیره فکر تا خوداصلاحی

هفت تکنیک پرامپت نویسی پیشرفته با مثال واقعی؛ zero-shot، few-shot، زنجیره‌ی فکر، دانش تولیدشده، کمترین‌به‌بیشترین، خوداصلاحی و پرسش سقراطی. به‌علاوه‌ی نقش temperature در کنترل تنوع پاسخ هوش مصنوعی.

بخش ۳· ۱۵ دقیقه

ساخت برنامه تولید متن با هوش مصنوعی؛ آموزش عملی با پایتون

از پنجره‌ی چت به کد می‌رسیم؛ آموزش ساخت برنامه تولید متن با هوش مصنوعی در پایتون، از نصب کتابخانه‌ی openai و گرفتن کلید API تا ساخت یک برنامه‌ی پیشنهاد دستور پخت با ورودی کاربر، فیلتر مواد و فهرست خرید.

بخش ۴· ۱۳ دقیقه

ساخت چت‌بات هوش مصنوعی با پایتون؛ از طراحی تا سنجش کیفیت

راهنمای ساخت چت‌بات هوش مصنوعی از طراحی تا سنجش کیفیت؛ تفاوت چت‌بات و برنامه‌ی گفت‌وگو، کد حلقه‌ی چت با حافظه، نوشتن پیام سیستمی، شخصی‌سازی، دسترس‌پذیری، فاین‌تیون و معیارهای کیفیت برای یک دستیار قابل‌اعتماد.

بخش ۵· ۱۱ دقیقه

جستجوی معنایی چیست؟ آموزش Embedding و شباهت کسینوسی

جستجوی معنایی به‌جای تطبیق کلمه، منظور کاربر را پیدا می‌کند. در این آموزش می‌بینید Embedding چیست، شاخص برداری چطور ساخته می‌شود، شباهت کسینوسی چه می‌کند و چطور با چند خط پایتون یک موتور جستجوی معنایی کوچک بسازید.

بخش ۶· ۱۲ دقیقه

RAG چیست؟ آموزش ساخت دستیار پاسخ‌گو از روی اسناد با پایتون

RAG چیست و چرا مهم‌ترین روش اتصال هوش مصنوعی به داده‌های خودتان است؟ در این آموزش با مراحل RAG، پایگاه داده برداری، قطعه‌بندی، بازیابی ترکیبی و بازچینی آشنا می‌شوید و یک دستیار پاسخ‌گو از روی اسناد را با پایتون می‌سازید.

بخش ۷· ۱۲ دقیقه

Function Calling چیست؟ اتصال مدل زبانی به تابع و داده واقعی

با function calling مدل زبانی به‌جای متن آزاد، نام تابع و ورودی‌های ساختاریافته برمی‌گرداند و برنامه‌ی شما تابع را اجرا می‌کند. در این آموزش سه مرحله‌ی فراخوانی تابع را با پایتون و یک مثال واقعی جستجوی دوره یاد می‌گیرید.

بخش ۸· ۱۲ دقیقه

ایجنت هوش مصنوعی چیست؟ تعریف، سطح‌ها و کاربرد با مثال

ایجنت هوش مصنوعی سیستمی است که با کمک مدل زبانی فکر می‌کند، برنامه می‌ریزد و با ابزارها کار انجام می‌دهد. در این مقاله با مثالی ساده، تعریف دقیق، سطح‌های عاملیت، تفاوت ایجنت با چت‌بات و کاربردهای واقعی آن آشنا می‌شوید.

بخش ۹· ۱۲ دقیقه

ابزار ایجنت هوش مصنوعی چیست و چطور با پایتون طراحی می‌شود؟

ابزار ایجنت هوش مصنوعی تابعی است که توانایی تازه‌ای به مدل زبانی می‌دهد؛ از جستجوی وب تا ماشین‌حساب. در این آموزش می‌بینید ابزار چطور کار می‌کند، چطور در پیام سیستمی معرفی می‌شود، چطور با دکوراتور خودکار توصیف می‌شود و MCP چه نقشی دارد.

بخش ۱۰· ۱۱ دقیقه

ایجنت هوش مصنوعی چطور کار می‌کند؟ چرخه فکر، اقدام و مشاهده

ایجنت هوش مصنوعی در یک چرخه‌ی تکرارشونده کار می‌کند؛ فکر می‌کند، با ابزار اقدام می‌کند و نتیجه را مشاهده می‌کند تا به هدف برسد. در این آموزش این چرخه را با مثال ایجنت هواشناسی، پیام سیستمی ReAct و یک حلقه‌ی ساده‌ی پایتون قدم‌به‌قدم می‌بینید.

بخش ۱۱· ۱۲ دقیقه

ساخت ایجنت هوش مصنوعی از صفر با پایتون؛ بدون فریم‌ورک

پیش از هر فریم‌ورکی، یک ایجنت هوش مصنوعی را از صفر با پایتون می‌سازیم تا سازوکارش را واقعاً بفهمیم؛ اتصال به مدل با API بدون سرور Hugging Face، پیام سیستمی ReAct، مشکل مشاهده‌ی ساختگی، توقف پیش از Observation و اجرای ابزار واقعی.

بخش ۱۲· ۱۳ دقیقه

آموزش smolagents؛ ساخت اولین ایجنت عملی در Hugging Face

آموزش smolagents از صفر؛ با کپی یک قالب آماده در Hugging Face Spaces، اولین ایجنت عملی خود را می‌سازید، ابزار اختصاصی تعریف می‌کنید، مدل را تنظیم می‌کنید و ایجنت را با رابط گرافیکی برای دیگران منتشر می‌کنید.

بخش ۱۳· ۱۲ دقیقه

CodeAgent چیست؟ ساخت ایجنت کدنویس با smolagents و پایتون

CodeAgent ایجنتی است که اقدام‌هایش را به‌جای JSON با کد پایتون می‌نویسد و اجرا می‌کند. در این آموزش می‌بینید چرا کد از JSON قدرتمندتر است، CodeAgent پشت صحنه چطور کار می‌کند و با چهار مثال عملی، از جستجوی وب تا اشتراک ایجنت و ردیابی اجرا، کار با آن را یاد می‌گیرید.

بخش ۱۴· ۱۱ دقیقه

ساخت ابزار برای ایجنت در smolagents؛ دکوراتور، کلاس و MCP

ساخت ابزار برای ایجنت در smolagents به دو روش انجام می‌شود؛ دکوراتور tool برای ابزارهای ساده و کلاس Tool برای ابزارهای پیچیده. در این آموزش هر دو روش را با مثال می‌بینید و یاد می‌گیرید ابزار را در Hub منتشر کنید و از Spaces، LangChain و سرورهای MCP ابزار وارد کنید.

بخش ۱۵· ۱۲ دقیقه

Agentic RAG چیست؟ جستجوی چندمرحله‌ای با ایجنت هوش مصنوعی

Agentic RAG نسخه‌ی هوشمندتر RAG است؛ ایجنت خودش پرسش جستجو را می‌سازد، نتایج را نقد می‌کند و در صورت نیاز دوباره جستجو می‌کند. در این آموزش با smolagents یک Agentic RAG با جستجوی وب و پایگاه دانش اختصاصی می‌سازید و هفت راهبرد بازیابی پیشرفته را یاد می‌گیرید.

بخش ۱۶· ۱۱ دقیقه

ایجنت تحلیل تصویر؛ ساخت ایجنت بینایی با smolagents

ایجنت تحلیل تصویر با کمک مدل‌های بینایی-زبانی تصویر را هم می‌بیند و تحلیل می‌کند. در این آموزش دو روش ورود تصویر به ایجنت smolagents را یاد می‌گیرید؛ ارسال تصویر در شروع کار و دریافت پویای تصویر هنگام مرور وب با Selenium و Helium.

بخش ۱۷· ۱۳ دقیقه

سیستم چند ایجنتی چیست؟ تقسیم کار بین ایجنت‌ها با smolagents

سیستم چند ایجنتی کار پیچیده را میان ایجنت‌های تخصصی تقسیم می‌کند؛ یک مدیر برنامه‌ریزی می‌کند و ایجنت‌های دیگر جستجو، محاسبه یا تحلیل انجام می‌دهند. در این آموزش با smolagents یک تیم ایجنتی می‌سازید که مکان‌ها را جستجو می‌کند، زمان سفر را حساب می‌کند و نتیجه را روی نقشه می‌کشد.

بخش ۱۸· ۱۳ دقیقه

آموزش LangGraph؛ ساخت ایجنت تحلیل سند با گراف وضعیت

آموزش LangGraph با یک پروژه‌ی واقعی؛ ایجنتی که تصویر سند را می‌خواند، متنش را با مدل بینایی استخراج می‌کند، در صورت نیاز محاسبه انجام می‌دهد و پاسخ دقیق می‌دهد. با وضعیت، گره، یال شرطی و الگوی ReAct در LangGraph آشنا می‌شوید.

بخش ۱۹· ۱۱ دقیقه

ارزیابی ایجنت هوش مصنوعی؛ سنجش کیفیت، زمان و هزینه

ارزیابی ایجنت هوش مصنوعی ایجنت آزمایشی را به محصولی قابل‌اعتماد تبدیل می‌کند. در این آموزش با مشاهده‌پذیری، Trace و Span، هفت معیار کلیدی پایش، ارزیابی آفلاین با مجموعه‌ی آزمون، ارزیابی آنلاین روی کاربران واقعی و چرخه‌ی بهبود مداوم آشنا می‌شوید.

بخش ۲۰· ۱۲ دقیقه

امنیت هوش مصنوعی مولد؛ تهدیدها، تزریق پرامپت و راه‌های دفاع

امنیت هوش مصنوعی مولد فقط حفاظت از داده‌ی کاربران نیست؛ خود مدل، داده‌ی آموزشی و ابزارهای ایجنت هم هدف حمله‌اند. در این آموزش با مسموم‌سازی داده، تزریق پرامپت، آسیب‌پذیری زنجیره‌ی تأمین، آزمون امنیتی، حفاظت از داده و تیم قرمز هوش مصنوعی آشنا می‌شوید.

بخش ۲۱· ۱۵ دقیقه

انتخاب مدل زبانی برای دستیار هوش مصنوعی؛ مقایسه با آزمون واقعی

انتخاب مدل زبانی با چند پاسخ نمایشی خوب انجام نمی‌شود. در این راهنما انواع مدل‌های زبانی، تفاوت مدل وزن‌باز و اختصاصی، سرویس و مدل، و سه راه بهبود نتیجه را می‌شناسید و یاد می‌گیرید مدل‌ها را با کار واقعی محصول خودتان مقایسه کنید.

بخش ۲۲· ۱۲ دقیقه

هوش مصنوعی مسئولانه؛ طراحی دستیاری که ادعای نادرست نکند

پاسخ مؤدبانه نشان نمی‌دهد یک دستیار هوش مصنوعی قابل‌اعتماد است. در این راهنمای هوش مصنوعی مسئولانه، خطرهای پاسخ ساختگی، محتوای مضر و بی‌انصافی را می‌شناسید و با چهار گام سنجش، کاهش، ارزیابی و راه‌اندازی امن، دستیاری می‌سازید که کنترل را به کاربر بدهد.

بخش ۲۳· ۱۴ دقیقه

هوش مصنوعی کم‌کد؛ خودکارسازی کارهای آموزشی با Power Platform

بسیاری از کارهای یک مجموعه‌ی آموزشی به برنامه‌نویسی سنگین نیاز ندارند. در این آموزش هوش مصنوعی کم‌کد، با Copilot در Power Apps و Power Automate، جدول Dataverse، مدل‌های آماده‌ی AI Builder و Copilot Studio یک ردیاب تکلیف و یک جریان پردازش فاکتور می‌سازید.

بخش ۲۴· ۱۳ دقیقه

تجربه کاربری هوش مصنوعی؛ طراحی دستیاری که کاربر به آن اعتماد کند

وقتی دستیار نمی‌تواند پاسخ دهد، رابط کاربری تعیین می‌کند کاربر سردرگم شود یا راه بعدی را پیدا کند. در این آموزش تجربه کاربری هوش مصنوعی، چهار ویژگی تجربه‌ی خوب، طراحی برای اعتماد با وضوح و کنترل، و طراحی برای بازخورد و مدیریت خطا را با یک سناریوی واقعی یاد می‌گیرید.

بخش ۲۵· ۱۳ دقیقه

چرخه عمر برنامه هوش مصنوعی؛ از نمونه اولیه تا نسخه قابل بازگشت

عوض کردن پرامپت، مدل یا اسناد مرجع می‌تواند رفتار دستیار را تغییر دهد، حتی اگر یک خط کد عوض نشده باشد. در این آموزش چرخه عمر برنامه هوش مصنوعی، تفاوت MLOps و LLMOps، پنج معیار سنجش، سه مرحله‌ی ایده‌پردازی، ساخت و عملیاتی‌سازی و نسخه‌بندی با امکان بازگشت را یاد می‌گیرید.

بخش ۲۶· ۱۴ دقیقه

فاین‌تیون مدل زبانی؛ چه زمانی ارزش دارد و چطور آزمایشش کنیم؟

فاین‌تیون همیشه اولین راه بهبود دستیار نیست. در این آموزش می‌بینید فاین‌تیون مدل زبانی دقیقاً چیست، پیش از آن چه پرسش‌هایی باید جواب دهید، روش‌های SFT، DPO و RFT چه تفاوتی دارند، داده‌ی آموزش را چطور آماده کنید و چطور بفهمید مدل واقعاً بهتر شده یا فقط مثال‌ها را حفظ کرده است.

بخش ۲۷· ۱۲ دقیقه

مدل زبانی کوچک در عمل؛ کجا مدل کوچک کار مدل بزرگ را می‌کند؟

برای دسته‌بندی یک پیام یا استخراج چند فیلد، همیشه به بزرگ‌ترین مدل نیاز نداریم. در این آموزش مدل زبانی کوچک را می‌شناسید، تفاوتش را با مدل بزرگ می‌بینید، با خانواده‌ی Phi آشنا می‌شوید، روش‌های اجرای محلی با Ollama و Foundry Local را یاد می‌گیرید و یک آزمون دسته‌بندی واقعی طراحی می‌کنید.

بخش ۲۸· ۱۲ دقیقه

انتخاب مدل وزن‌باز؛ مجوز، توان اجرا و سازگاری با ابزارها

دسترسی به وزن‌های یک مدل با آزادی کامل استفاده از آن یکی نیست. در این راهنمای انتخاب مدل وزن‌باز، تفاوت متن‌باز و وزن‌باز، مزایای این مدل‌ها، خانواده‌های Llama و Mistral، و چک‌لیست مجوز، توان اجرا و قابلیت‌ها را پیش از استقرار روی زیرساخت خودتان یاد می‌گیرید.

بخش ۲۹· ۱۲ دقیقه

انتخاب فریم‌ورک ایجنت؛ چه چیزی را آماده بگیریم و چه را بسازیم؟

فریم‌ورک ایجنت کار با ابزار، وضعیت و اجرای چندمرحله‌ای را ساده می‌کند، اما هر قابلیت آماده یک وابستگی هم می‌سازد. در این راهنما کیت توسعه و سرویس مدیریت‌شده را مقایسه می‌کنید و با یک ماتریس ساده فریم‌ورک مناسب پروژه را انتخاب می‌کنید.

بخش ۳۰· ۱۱ دقیقه

اصول طراحی ایجنت کاربردی؛ مرز مسئولیت، اختیار و بازخورد

ایجنتی که ابزارهای زیادی دارد لزوماً مفیدتر نیست. در این آموزش اصول طراحی ایجنت را در سه بعد فضا، زمان و هسته می‌شناسید، سه قاعده‌ی شفافیت، کنترل و ثبات را یاد می‌گیرید و برای یک دستیار آموزشی قرارداد رفتاری با مرز اختیار روشن می‌نویسید.

بخش ۳۱· ۱۳ دقیقه

اجرای ابزار در ایجنت؛ ورودی معتبر، خطای روشن و نتیجه قابل پیگیری

وقتی مدل نام یک تابع را تولید می‌کند، هنوز هیچ کار واقعی انجام نشده است. در این آموزش اجرای ابزار در ایجنت را از نگاه قابلیت اطمینان می‌بینید؛ شش جزء الگوی استفاده از ابزار، اعتبارسنجی آرگومان، قرارداد خطا، دسترسی فقط‌خواندنی و ثبت اجرا.

بخش ۳۲· ۱۲ دقیقه

مدیریت شکست در Agentic RAG؛ اصلاح جستجو برای پرسش‌های پیچیده

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.

بخش ۳۳· ۱۱ دقیقه

تأیید انسانی در ایجنت؛ طراحی توقف، بازبینی و ادامه امن کار

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.

بخش ۳۴· ۱۱ دقیقه

برنامه‌ریزی ایجنت؛ ساخت برنامه مطالعه چندمرحله‌ای و قابل اجرا

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.

بخش ۳۵· ۱۲ دقیقه

طراحی سیستم چند ایجنتی؛ تقسیم مسئولیت و تحویل کار با حفظ زمینه

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.

بخش ۳۶· ۱۱ دقیقه

جریان کار ایجنتی؛ وضعیت، پیام و مسیر اجرای قابل آزمون

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.

بخش ۳۷· ۱۱ دقیقه

اجرای همزمان ایجنت‌ها یا ترتیبی؟ انتخاب الگو برای سرعت و درستی

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.

بخش ۳۸· ۱۱ دقیقه

مسیریابی شرطی درخواست‌ها؛ چه وقت پاسخ بدهیم و چه وقت ارجاع دهیم؟

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.

بخش ۳۹· ۱۱ دقیقه

خودارزیابی ایجنت؛ بازبینی خروجی و اصلاح خطا با معیار قابل سنجش

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.

بخش ۴۰· ۱۱ دقیقه

RAG اصلاحی؛ تشخیص سند نامرتبط و بازسازی پاسخ بر پایه شواهد

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.

بخش ۴۱· ۹ دقیقه

پایش ایجنت هوش مصنوعی در استفاده واقعی؛ پیدا کردن خطا، هزینه و کندی

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.

بخش ۴۲· ۹ دقیقه

پروتکل‌های ایجنت؛ MCP و A2A چه مسئله‌ای را حل می‌کنند؟

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.

بخش ۴۳· ۱۰ دقیقه

اتصال MCP به ایجنت؛ از کشف قابلیت تا مدیریت خطای اجرا

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.

بخش ۴۴· ۹ دقیقه

مهندسی زمینه؛ در هر مرحله چه اطلاعاتی به مدل بدهیم؟

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.

بخش ۴۵· ۱۰ دقیقه