دوره آموزشی توسعه OpenAI API و MCP
2 ساعت 50 دقیقهمتوسط2026-02-23
مدرسین

Sandy Ludosky
Web Developer and Trainer
جزئیات دوره
در این دوره با حوزه پیشرفته و روبهرشد توسعه OpenAI API و MCP آشنا میشی؛ جایی که هوش مصنوعی وارد سطح حرفهای توسعه نرمافزار میشه و میتونه فرآیندهای کدنویسی، بررسی کد و ساخت سیستمهای چندعاملی (Multi-Agent) رو کاملاً هوشمند و خودکار کنه.
در این آموزش همراه با مدرس Sandy Ludosky یاد میگیری چطور از هوش مصنوعی برای تقویت GitHub Copilot استفاده کنی و سیستمهایی بسازی که میتونن به منابع داده اختصاصی متصل بشن و پاسخهای دقیق و context-aware ارائه بدن.
در ابتدا با GitHub Codespaces و MCP Serverها کار میکنی تا یک محیط توسعه ابری و آماده برای پروژههای AI محور بسازی. سپس یاد میگیری چطور مدلهای هوش مصنوعی رو مستقیماً داخل workflow توسعه نرمافزار ادغام کنی.
یکی از بخشهای مهم دوره، اتوماسیون بررسی کد (Code Review) و بهبود کیفیت کد با کمک AI هست؛ بهطوری که میتونی فرآیندهای زمانبر توسعه نرمافزار رو هوشمند و سریعتر کنی.
همچنین یاد میگیری چطور با استفاده از GitHub Actions از هوش مصنوعی برای دیباگ (Debugging) و بازنویسی کد (Refactoring) استفاده کنی و کیفیت پروژههات رو بالا ببری.
در بخش امنیت و دسترسی، کار با Access Tokenها و تنظیم مجوزها رو یاد میگیری تا بتونی سیستمهای AI رو به شکل امن مدیریت کنی.
این دوره برای کسانی طراحی شده که حداقل دانش پایه در Python و توسعه وب دارن و میخوان وارد دنیای حرفهای توسعه اپلیکیشنهای AI محور بشن.
در پایان، میتونی اپلیکیشنهایی بسازی که به شکل هوشمند به درخواست کاربران پاسخ میدن و از چندین مدل و منبع داده برای تصمیمگیری استفاده میکنن.
🎯 اهداف یادگیری
درک مفاهیم OpenAI API و MCP Development
کار با GitHub Codespaces برای توسعه پروژههای AI
راهاندازی و استفاده از MCP Serverها
ادغام مدلهای هوش مصنوعی در workflow توسعه
ساخت سیستمهای Multi-Agent (چندعاملی)
اتصال AI به منابع داده اختصاصی و Domain-specific data
اتوماسیون Code Review با کمک هوش مصنوعی
استفاده از GitHub Actions برای هوشمندسازی فرآیند توسعه
دیباگ و اصلاح کد با کمک AI
بهبود ساختار کد (Refactoring) با ابزارهای هوشمند
مدیریت Access Token و تنظیم مجوزها
افزایش امنیت در سیستمهای مبتنی بر AI
ساخت اپلیکیشنهای AI-aware و context-aware
بهینهسازی گردش کار توسعه نرمافزار
استفاده عملی از AI در پروژههای واقعی وب و Python
در این آموزش همراه با مدرس Sandy Ludosky یاد میگیری چطور از هوش مصنوعی برای تقویت GitHub Copilot استفاده کنی و سیستمهایی بسازی که میتونن به منابع داده اختصاصی متصل بشن و پاسخهای دقیق و context-aware ارائه بدن.
در ابتدا با GitHub Codespaces و MCP Serverها کار میکنی تا یک محیط توسعه ابری و آماده برای پروژههای AI محور بسازی. سپس یاد میگیری چطور مدلهای هوش مصنوعی رو مستقیماً داخل workflow توسعه نرمافزار ادغام کنی.
یکی از بخشهای مهم دوره، اتوماسیون بررسی کد (Code Review) و بهبود کیفیت کد با کمک AI هست؛ بهطوری که میتونی فرآیندهای زمانبر توسعه نرمافزار رو هوشمند و سریعتر کنی.
همچنین یاد میگیری چطور با استفاده از GitHub Actions از هوش مصنوعی برای دیباگ (Debugging) و بازنویسی کد (Refactoring) استفاده کنی و کیفیت پروژههات رو بالا ببری.
در بخش امنیت و دسترسی، کار با Access Tokenها و تنظیم مجوزها رو یاد میگیری تا بتونی سیستمهای AI رو به شکل امن مدیریت کنی.
این دوره برای کسانی طراحی شده که حداقل دانش پایه در Python و توسعه وب دارن و میخوان وارد دنیای حرفهای توسعه اپلیکیشنهای AI محور بشن.
در پایان، میتونی اپلیکیشنهایی بسازی که به شکل هوشمند به درخواست کاربران پاسخ میدن و از چندین مدل و منبع داده برای تصمیمگیری استفاده میکنن.
🎯 اهداف یادگیری
درک مفاهیم OpenAI API و MCP Development
کار با GitHub Codespaces برای توسعه پروژههای AI
راهاندازی و استفاده از MCP Serverها
ادغام مدلهای هوش مصنوعی در workflow توسعه
ساخت سیستمهای Multi-Agent (چندعاملی)
اتصال AI به منابع داده اختصاصی و Domain-specific data
اتوماسیون Code Review با کمک هوش مصنوعی
استفاده از GitHub Actions برای هوشمندسازی فرآیند توسعه
دیباگ و اصلاح کد با کمک AI
بهبود ساختار کد (Refactoring) با ابزارهای هوشمند
مدیریت Access Token و تنظیم مجوزها
افزایش امنیت در سیستمهای مبتنی بر AI
ساخت اپلیکیشنهای AI-aware و context-aware
بهینهسازی گردش کار توسعه نرمافزار
استفاده عملی از AI در پروژههای واقعی وب و Python
سرفصل ها
مقدمه
- ساخت برنامههای پایتون نسل بعدی با OpenAI
- راه اندازی فضاهای کد گیت هاب
شروع به ساختن از هسته کنید
- ساخت یک مولد محتوا
- API تصاویر - پردازش متن و تصاویر
- API صوتی - رونویسی صدا
- API صوتی - ترجمه نمونه صوتی
- چالش - ساخت یک دستیار پرسش و پاسخ چندوجهی
- صدا - ساخت یک چتبات با قابلیت صدا
- افزودن تعدیل
گسترش قابلیتهای LLM
- ابزارهای تعریف - فراخوانی و بازیابی توابع
- استفاده از ابزارها و فراخوانی توابع
- یکپارچهسازی API آب و هوا
- چالش - ساخت یک دستیار سفارشی و برنامه آب و هوا
- تولید پاسخهای توسعهیافته
کار با مدلهای گیتهاب
- بررسی بازار مدلهای گیتهاب
- توسعه هوش مصنوعی در گیتهاب - از راهاندازی تا تجربه عملی
- تنظیمات مجوزها با توکن دسترسی
- ایجاد یک کانتینر توسعه و فایل پیکربندی
- اشکالزدایی و بررسی کد با پیشنهادات هوش مصنوعی
خودکارسازی بررسی کد با مدلهای گیتهاب
- ترکیب اقدامات گیتهاب و مدلهای هوش مصنوعی
- نوشتن فایل گردش کار
- چالش - استفاده از اقدامات گیتهاب با مدلهای هوش مصنوعی
- راهکار - استفاده از اقدامات گیتهاب با مدلهای هوش مصنوعی
تقویت GitHub Copilot با سرورهای MCP
- بررسی رجیستری GitHub MCP
- راهاندازی سرور MCP در ویژوال استودیو کد
- چالش - اتصال یک مدل هوش مصنوعی به منبع داده از طریق MCP
هماهنگسازی یک سیستم چندعاملی
- عوامل سازنده و هماهنگکننده
- ایجاد یک گردش کار چند عاملی
- چالش - ایجاد یک تیم توسعهدهنده چندعاملی
- ردیابی، نظارت و ارزیابی با LangSmith
نتیجهگیری
- این خوراکیهای خوشمزه را از دست ندهید