دوره آموزشی ایجنتهای هوش مصنوعی SQL در محیط عملیاتی (Production)
1 ساعت 25 دقیقهمتوسط2026-03-27
مدرسین

Rami Krispin
جزئیات دوره
در این دوره یاد میگیرید چطور ایجنتهای SQL که با هوش مصنوعی کار میکنن رو از مرحله یک کد ساده (Prototype) به یه محصول حرفهای و واقعی (Product-ready) برسونید. تمرکز اصلی دوره روی استفاده از ابزارهای قدرتمندی مثل Python و فریمورک LangChain هست تا بتونید سیستمهای هوشمندی بسازید که به شکل بهینه با پایگاههای داده SQL تعامل دارن.
شما از طراحی معماری ایجنتهای SQL شروع میکنید و یاد میگیرید چطور با استفاده از اطلاعات قطعی (Deterministic)، ساختار ایجنت رو مستحکم کنید. در ادامه، مباحث کلیدی مثل طراحی پرامپتهای موثر، تزریق حافظه (Memory) و کانتکست به ایجنتها برای مدیریت کوئریهای پیچیده بررسی میشه. همچنین، به بخشهای حیاتی مثل امنیت، اعتبارسنجی پرسوجوها، سیستمهای مانیتورینگ و نحوه لاگگیری عملکرد ایجنتها با ابزار MLflow میپردازیم. در نهایت، با نحوه پیادهسازی سیستمهای «چند-ایجنت» (Multi-agent) برای پردازشهای سنگین و پیچیده دادهای آشنا میشید تا در پایان دوره، توانایی ساخت و استقرار ایمن ایجنتهای هوشمند رو در محیطهای عملیاتی داشته باشید.
اهداف یادگیری:
درک کامل معماری و ساختار ایجنتهای هوش مصنوعی متصل به SQL.
طراحی تمپلیتهای حرفهای برای پرامپتها و تزریق حافظه و کانتکست به ایجنتها.
پیادهسازی مکانیزمهای امنیتی و اعتبارسنجی پرسوجوها برای جلوگیری از خطاهای احتمالی.
راهاندازی سیستمهای مانیتورینگ و خطایابی برای تضمین پایداری ایجنت در محیط عملیاتی.
استفاده از ابزار MLflow برای لاگگیری، پیگیری عملکرد و بهینهسازی ایجنت.
طراحی و پیادهسازی سیستمهای چند-ایجنت (Multi-agent) برای پردازشهای پیچیده دادهای.
تبدیل نمونههای اولیه (Prototype) ایجنتهای SQL به محصولات نهایی و قابل استقرار.
توانایی کار با فریمورکهای مدرن مثل LangChain برای ساخت سیستمهای هوشمند دادهمحور.
شما از طراحی معماری ایجنتهای SQL شروع میکنید و یاد میگیرید چطور با استفاده از اطلاعات قطعی (Deterministic)، ساختار ایجنت رو مستحکم کنید. در ادامه، مباحث کلیدی مثل طراحی پرامپتهای موثر، تزریق حافظه (Memory) و کانتکست به ایجنتها برای مدیریت کوئریهای پیچیده بررسی میشه. همچنین، به بخشهای حیاتی مثل امنیت، اعتبارسنجی پرسوجوها، سیستمهای مانیتورینگ و نحوه لاگگیری عملکرد ایجنتها با ابزار MLflow میپردازیم. در نهایت، با نحوه پیادهسازی سیستمهای «چند-ایجنت» (Multi-agent) برای پردازشهای سنگین و پیچیده دادهای آشنا میشید تا در پایان دوره، توانایی ساخت و استقرار ایمن ایجنتهای هوشمند رو در محیطهای عملیاتی داشته باشید.
اهداف یادگیری:
درک کامل معماری و ساختار ایجنتهای هوش مصنوعی متصل به SQL.
طراحی تمپلیتهای حرفهای برای پرامپتها و تزریق حافظه و کانتکست به ایجنتها.
پیادهسازی مکانیزمهای امنیتی و اعتبارسنجی پرسوجوها برای جلوگیری از خطاهای احتمالی.
راهاندازی سیستمهای مانیتورینگ و خطایابی برای تضمین پایداری ایجنت در محیط عملیاتی.
استفاده از ابزار MLflow برای لاگگیری، پیگیری عملکرد و بهینهسازی ایجنت.
طراحی و پیادهسازی سیستمهای چند-ایجنت (Multi-agent) برای پردازشهای پیچیده دادهای.
تبدیل نمونههای اولیه (Prototype) ایجنتهای SQL به محصولات نهایی و قابل استقرار.
توانایی کار با فریمورکهای مدرن مثل LangChain برای ساخت سیستمهای هوشمند دادهمحور.
مهارت ها
Machine Learning FundamentalsTraditional AI and Machine LearningAI Agents and Agentic SystemsBuilding with AIData AnalysisArtificial Intelligence (AI)Data ScienceBusiness Analysis and StrategyBusiness Software and ToolsOne-Off
سرفصل ها
مقدمه
- ساخت یک عامل هوش مصنوعی SQL برای تولید
معماری عامل هوش مصنوعی SQL و تنظیمات پایتون
- ساخت عاملهای هوش مصنوعی SQL آماده برای تولید - مرور کلی دوره
- راه اندازی محیط دوره
- آمادهسازی و دریافت دادهها
ساخت عاملهای هوش مصنوعی SQL غنی از محتوا
- طراحی قالبهای اعلان برای عاملهای هوش مصنوعی SQL
- ساخت عاملهای هوش مصنوعی SQL با زنجیرهای LangChain
- حل ابهام با زمینه قطعی
- تزریق زمینه قطعی به اعلانهای عامل SQL
- اضافه کردن حافظه محاورهای به یک عامل هوش مصنوعی SQL
- از مهارتهایتان برای تزریق دانش دامنه به عامل SQL خود استفاده کنید
پیادهسازی لایههای اعتبارسنجی چندگانهی پرسوجو
- شناسایی خطرات - چه چیزی ممکن است برای یک عامل هوش مصنوعی اشتباه پیش برود
- لایههای اعتبارسنجی پرسوجو
- پیادهسازی لایه اعتبارسنجی پرسوجو
- تنظیم محدودیتهای ایمنی SQL
مدیریت خطا و روش بازگشت به عقب
- مدیریت سینتکس SQL نامعتبر - ایجاد یک مدیریت کننده خطا
- معماری عامل اشکالزدا برای سیستمهای هوش مصنوعی SQL
- فعالسازی گزینههای جایگزین - تعریف یک سیستم مدل جایگزین
- ساخت و یکپارچهسازی یک چارچوب تست
نظارت و گزارشها
- قابلیت مشاهده برای عاملهای هوش مصنوعی SQL
- طراحی سیستم ثبت وقایع
- طراحی داشبورد نظارتی برای عاملهای هوش مصنوعی SQL
- استراتژیهای هشدار برای عاملهای هوش مصنوعی SQL