دوره آموزشی چالش هوش مصنوعی: ساخت یک ایجنت هوشمند در ۷ روز و ۷ مرحله با AWS
10 دقیقهمتوسط2026-03-05
مدرسین

Kesha Williams
Software Engineering Manager, Speaker, Tech Blogger
جزئیات دوره
اگر با هوش مصنوعی کار میکنی و تا الان فقط در حد تست و تجربه با AI Agentها جلو رفتی، این دوره دقیقاً کمک میکنه از مرحله آزمایش (Prototype) وارد دنیای واقعی و Production-ready بشی. تمرکز اصلی این آموزش روی ساخت ایجنتهای حرفهای در AWS و تبدیل آنها به سیستمهای مقیاسپذیر سازمانیه.
در این دوره یک سناریوی ۷ روزه و کاملاً عملی داری که در آن از یک AI Agent ساده در Amazon Bedrock شروع میکنی و کمکم اون رو به یک سیستم چندایجنتی (Multi-Agent System) تبدیل میکنی که برای استفاده در محیط واقعی سازمانی طراحی شده.
در طول مسیر یاد میگیری چطور از سرویسهای واقعی AWS مثل Bedrock، Lambda و CloudWatch استفاده کنی تا یک سیستم کامل بسازی که هم امن باشه، هم قابل مدیریت، هم قابل مانیتورینگ.
یکی از بخشهای مهم دوره، اتصال ایجنتها به ابزارهای واقعی از طریق AWS Lambda هست. اینجا یاد میگیری چطور به ایجنتها “Action” بدی تا فقط جواب ندهند، بلکه بتوانند کار واقعی انجام بدهند؛ مثل پردازش داده یا اجرای عملیات در سیستمهای دیگر.
در ادامه وارد مفاهیم مهمی مثل Memory و Guardrails میشی. این بخش کمک میکنه رفتار ایجنتها کنترلشده، امن و قابل پیشبینی باشه و از خطاها یا خروج از چارچوب جلوگیری بشه.
همچنین با Observability در سطح سازمانی آشنا میشی و یاد میگیری چطور با CloudWatch رفتار ایجنتها رو مانیتور کنی، لاگها رو تحلیل کنی و مشکلات احتمالی رو سریع تشخیص بدی.
در نهایت، یاد میگیری چطور یک معماری Multi-Agent طراحی کنی و از یک ایجنت ساده به یک سیستم هماهنگ و مقیاسپذیر برسی که آماده استفاده در محیط Production باشه.
اهداف یادگیری
ساخت و تست AI Agent با Amazon Bedrock
اتصال ایجنتها به AWS Lambda برای انجام عملیات واقعی
طراحی سیستمهای امن با استفاده از Guardrails و کنترل رفتار
پیادهسازی Memory برای بهبود عملکرد و پایداری ایجنت
مانیتورینگ و تحلیل رفتار سیستم با CloudWatch
طراحی و اجرای معماری Multi-Agent در AWS
تبدیل پروژههای آزمایشی به سیستمهای Production-ready
ایجاد ساختارهای مقیاسپذیر برای AI Agentها
افزایش امنیت و قابلیت اطمینان در سیستمهای هوش مصنوعی
استفاده از الگوهای حرفهای برای طراحی AI در AWS
در این دوره یک سناریوی ۷ روزه و کاملاً عملی داری که در آن از یک AI Agent ساده در Amazon Bedrock شروع میکنی و کمکم اون رو به یک سیستم چندایجنتی (Multi-Agent System) تبدیل میکنی که برای استفاده در محیط واقعی سازمانی طراحی شده.
در طول مسیر یاد میگیری چطور از سرویسهای واقعی AWS مثل Bedrock، Lambda و CloudWatch استفاده کنی تا یک سیستم کامل بسازی که هم امن باشه، هم قابل مدیریت، هم قابل مانیتورینگ.
یکی از بخشهای مهم دوره، اتصال ایجنتها به ابزارهای واقعی از طریق AWS Lambda هست. اینجا یاد میگیری چطور به ایجنتها “Action” بدی تا فقط جواب ندهند، بلکه بتوانند کار واقعی انجام بدهند؛ مثل پردازش داده یا اجرای عملیات در سیستمهای دیگر.
در ادامه وارد مفاهیم مهمی مثل Memory و Guardrails میشی. این بخش کمک میکنه رفتار ایجنتها کنترلشده، امن و قابل پیشبینی باشه و از خطاها یا خروج از چارچوب جلوگیری بشه.
همچنین با Observability در سطح سازمانی آشنا میشی و یاد میگیری چطور با CloudWatch رفتار ایجنتها رو مانیتور کنی، لاگها رو تحلیل کنی و مشکلات احتمالی رو سریع تشخیص بدی.
در نهایت، یاد میگیری چطور یک معماری Multi-Agent طراحی کنی و از یک ایجنت ساده به یک سیستم هماهنگ و مقیاسپذیر برسی که آماده استفاده در محیط Production باشه.
اهداف یادگیری
ساخت و تست AI Agent با Amazon Bedrock
اتصال ایجنتها به AWS Lambda برای انجام عملیات واقعی
طراحی سیستمهای امن با استفاده از Guardrails و کنترل رفتار
پیادهسازی Memory برای بهبود عملکرد و پایداری ایجنت
مانیتورینگ و تحلیل رفتار سیستم با CloudWatch
طراحی و اجرای معماری Multi-Agent در AWS
تبدیل پروژههای آزمایشی به سیستمهای Production-ready
ایجاد ساختارهای مقیاسپذیر برای AI Agentها
افزایش امنیت و قابلیت اطمینان در سیستمهای هوش مصنوعی
استفاده از الگوهای حرفهای برای طراحی AI در AWS
سرفصل ها
ساخت یک عامل هوش مصنوعی در 7 روز با AWS
- 7 قدم در 7 روز
- روز ۱ - ساخت یک ایجنت با استفاده از Amazon Bedrock
- روز دوم - به نماینده خود اقدامات دنیای واقعی را ارائه دهید
- روز سوم - به اپراتور خود حافظه بدهید
- روز چهارم - مشاور خود را با یک پایگاه دانش مجهز کنید
- روز ۵ - کنترل رفتار عامل با گاردریلها
- روز ۶ - استقرار و فراخوانی عامل از پایتون
- روز ۷ - افزودن قابلیت مشاهده به رفتار اپراتور
- 7 مرحله در 7 روز - نتیجه گیری