دوره آموزشی ساخت برنامه‌های عامل‌محور هوش مصنوعی با LlamaIndex و MCP

با پیشرفت سریع هوش مصنوعی، نسل جدیدی از برنامه‌های هوشمند با عنوان Agentic Applications (برنامه‌های عامل‌محور) در حال شکل‌گیری هستند؛ برنامه‌هایی که به جای اتکا به یک مدل زبانی واحد، از چندین عامل هوشمند (AI Agents) برای انجام وظایف تخصصی، تصمیم‌گیری، بازیابی اطلاعات و اجرای گردش‌کارهای پیچیده استفاده می‌کنند. این رویکرد، امکان ساخت سامانه‌هایی را فراهم می‌کند که می‌توانند منابع داده مختلف را به‌صورت هماهنگ مدیریت کرده و پاسخ‌هایی دقیق‌تر، قابل‌اعتمادتر و مقیاس‌پذیرتر ارائه دهند.

این دوره به شما آموزش می‌دهد چگونه با استفاده از LlamaIndex (لاماایندکس) برنامه‌های Agentic پیشرفته طراحی و پیاده‌سازی کنید. در طول دوره، با معماری سیستم‌های عامل‌محور، نحوه ساخت گردش‌کارهای سفارشی و ارتباط میان چندین عامل هوشمند آشنا می‌شوید و یاد می‌گیرید چگونه آن‌ها را برای حل مسائل واقعی سازمانی به کار بگیرید.

در ابتدای دوره، مفهوم Agentic Architecture (معماری عامل‌محور) و تفاوت آن با مدل‌های سنتی Generative AI (هوش مصنوعی مولد) بررسی می‌شود. خواهید آموخت که یک Agent Framework (چارچوب عامل) چگونه وظایف مختلف را میان عامل‌های تخصصی تقسیم کرده و فرآیند تصمیم‌گیری و اجرای عملیات را هماهنگ می‌کند.

سپس با قابلیت‌های LlamaIndex برای توسعه عامل‌های هوشمند آشنا می‌شوید. یاد می‌گیرید چگونه Agentهایی ایجاد کنید که از قابلیت Tool Calling (فراخوانی ابزار) استفاده کرده و بتوانند با سرویس‌ها، APIها و منابع داده خارجی تعامل داشته باشند.

یکی از بخش‌های کلیدی دوره به استفاده از Vector Database (پایگاه داده برداری) و به‌ویژه Weaviate (ویوییت) اختصاص دارد. در این بخش، نحوه ذخیره‌سازی، نمایه‌سازی و بازیابی اطلاعات از طریق Semantic Search (جستجوی معنایی) آموزش داده می‌شود و خواهید آموخت چگونه Weaviate Query Agent را برای بازیابی دانش و استفاده از آن در Agentهای LlamaIndex به کار بگیرید.

در ادامه، با Model Context Protocol (MCP) (پروتکل زمینه مدل) آشنا می‌شوید؛ استانداردی که امکان اتصال ایمن و استاندارد مدل‌های هوش مصنوعی به ابزارها، پایگاه‌های داده و سرویس‌های خارجی را فراهم می‌کند. این قابلیت نقش مهمی در توسعه سامانه‌های هوشمند سازمانی و یکپارچه‌سازی منابع اطلاعاتی ایفا می‌کند.

همچنین یاد می‌گیرید چگونه Multi-Agent Systems (سیستم‌های چندعاملی) طراحی کنید؛ سامانه‌هایی که در آن چندین Agent تخصصی با نقش‌های مختلف به‌صورت هماهنگ فعالیت می‌کنند و وظایف پیچیده را میان خود تقسیم می‌کنند. این معماری برای توسعه دستیارهای هوشمند سازمانی، سیستم‌های تحقیقاتی، اتوماسیون فرآیندها و برنامه‌های مبتنی بر دانش بسیار کاربردی است.

یکی دیگر از مزایای این دوره، استفاده از GitHub Codespaces (گیت‌هاب کداسپیسز) است که یک محیط توسعه ابری آماده در اختیار شما قرار می‌دهد. بدون نیاز به نصب نرم‌افزارهای محلی، می‌توانید پروژه‌های عملی دوره را اجرا کرده و تجربه‌ای نزدیک به محیط‌های توسعه حرفه‌ای کسب کنید.

در پایان دوره، مهارت طراحی و توسعه برنامه‌های Agentic مبتنی بر LlamaIndex، استفاده از پایگاه‌های داده برداری، پیاده‌سازی سیستم‌های چندعاملی و یکپارچه‌سازی منابع داده با استفاده از MCP را به دست خواهید آورد و می‌توانید راهکارهای هوش مصنوعی سازمانی مقیاس‌پذیر و مدرن ایجاد کنید.

🎯 اهداف یادگیری
تشریح مفهوم Agentic Application و مزایای استفاده از معماری‌های عامل‌محور در توسعه سامانه‌های هوشمند
مقایسه Agent Frameworkها با مدل‌های Generative AI و درک تفاوت نقش هر یک در اجرای وظایف
توضیح عملکرد Model Context Protocol (MCP) و کاربرد آن در اتصال مدل‌های هوش مصنوعی به منابع داده و ابزارهای خارجی
پیاده‌سازی Agentهای هوشمند با قابلیت Tool Calling در LlamaIndex
بازیابی اطلاعات از پایگاه داده برداری Weaviate با استفاده از Weaviate Query Agent
یکپارچه‌سازی Weaviate Query Agent با Agentهای LlamaIndex برای توسعه سیستم‌های دانش‌محور
طراحی و پیاده‌سازی سیستم‌های Multi-Agent با نقش‌های تخصصی و همکاری هماهنگ میان عامل‌ها
توسعه گردش‌کارهای سفارشی برای مدیریت وظایف پیچیده در برنامه‌های Agentic
استفاده از GitHub Codespaces برای توسعه، آزمایش و اجرای پروژه‌های هوش مصنوعی در محیط ابری
طراحی برنامه‌های هوش مصنوعی سازمانی مقیاس‌پذیر با استفاده از LlamaIndex، MCP و پایگاه‌های داده برداری