فاز 14
مهندسی ایجنت
هسته‌ی مهندسی هوش مصنوعی امروز: ایجنت‌ها را از اصول اولیه بسازید.
- 54 درس
- حدود 57 ساعت
- حلقه‌ی ایجنت: مشاهده، تفکر و اقدام با الگوی ReActآموزش پیاده‌سازی حلقه‌ی ReAct (مشاهده، تفکر و اقدام)؛ هسته‌ی مشترک تمامی فریم‌ورک‌ها و ایجنت‌های مدرن هوش مصنوعی.
- الگوهای ReWOO و Plan-and-Execute: برنامه‌ریزی مستقل در ایجنت‌هابررسی معماری‌های ReWOO و Plan-and-Execute برای تفکیک برنامه‌ریزی از اجرا، کاهش چشمگیر مصرف توکن و افزایش تاب‌آوری ایجنت‌های هوش مصنوعی.
- الگوی Reflexion: یادگیری تقویتی کلامی در ایجنت‌های هوش مصنوعییادگیری خوداصلاحی ایجنت‌ها با الگوی Reflexion؛ رفع خطاها با زبان طبیعی و حافظه‌ی رویدادی بدون نیاز به به‌روزرسانی وزن‌ها یا گرادیان.
- درخت افکار و LATS: جستجوی آگاهانه در مدل‌های زبانیتبدیل استدلال مدل‌های زبانی به جستجوی درختی با الگوریتم‌های ToT و LATS برای حل مسائل پیچیده و امکان بازگشت به عقب.
- بهبود تکرارشونده با الگوهای Self-Refine و CRITICیاد بگیرید چگونه با ترکیب حلقه‌های بازخورد، ابزارهای اعتبارسنجی خارجی و الگوی ارزیاب-بهینه‌ساز، خطاهای خروجی مدل‌های زبانی را اصلاح کنید.
- فراخوانی ابزار و توابع (Tool Use & Function Calling) در ایجنت‌هاراهنمای مهندسی فراخوانی توابع و ابزارها در ایجنت‌های مدرن: از استاندارد BFCL V4 تا پیاده‌سازی رجیستری امن و موازی در پایتون.
- حافظه در ایجنت‌ها — بافتار مجازی و صفحه‌بندی حافظه با MemGPTیاد بگیرید چگونه با الهام از حافظه مجازی سیستم‌عامل و الگوی MemGPT، محدودیت پنجره بافتار ایجنت‌ها را با صفحه‌بندی و مخزن خارجی برطرف کنید.
- بلوک‌های حافظه و محاسبات زمان خواب در Lettaمدیریت ساختاریافته حافظه ایجنت‌ها با بلوک‌های قابل‌ویرایش و پردازش ناهمگام در پس‌زمینه بدون تحمیل تاخیر به کاربر.
- حافظه ترکیبی در ایجنت‌ها: تلفیق بردار، گراف و کلید-مقدار با Mem0پیاده‌سازی حافظه ترکیبی (Vector + Graph + KV) برای پاسخ به تمام انواع پرس‌وجوی ایجنت و تلفیق نتایج بر اساس ارتباط، اهمیت و تازگی.
- کتابخانه مهارت و یادگیری مادام‌العمر در ایجنت‌ها با معماری Voyagerبا معماری Voyager بیاموزید چگونه مهارت‌های یک ایجنت هوش مصنوعی را به کدهای ماژولار، قابل‌بازیابی و خوداصلاح‌گر تبدیل کنید.
- برنامه‌ریزی ایجنت‌ها با HTN و جست‌وجوی تکاملی: درس ChatHTN و AlphaEvolveیاد بگیرید چگونه ترکیب برنامه‌ریزی نمادین HTN و الگوریتم‌های تکاملی با مدل‌های زبانی، درستی اثبات‌پذیر و بهینه‌سازی دقیق را برای ایجنت‌ها ممکن می‌سازد.
- الگوهای جریان کاری Anthropic: اولویت سادگی بر پیچیدگیراهنمای عملی پیاده‌سازی 5 الگوی جریان کاری شرکت Anthropic برای جایگزینی فریم‌ورک‌های سنگین با کدهای ساده و کم‌هزینه.
- ارکستراسیون گراف وضعیت‌دار: اجرای پایدار و چک‌پوینت در LangGraphطراحی ایجنت‌ها در قالب ماشین وضعیت با وضعیت نوع‌دار و چک‌پوینت، تا سیستم پس از قطعی یا خطا دقیقاً از آخرین گام موفق به کار خود ادامه دهد.
- مدل اکتور برای ایجنت‌ها: پیام‌رسانی ناهمگام و رانتایم‌های مقیدیاد بگیرید چگونه با معماری مدل اکتور و پیام‌رسانی ناهمگام، سیستم‌های چندایجنت مقاوم در برابر خطا و مقیاس‌پذیر بسازید.
- تیم‌های ایجنتی نقش‌محور در CrewAI: نقش‌ها، وظایف و فرایندهاراهنمای جامع پیاده‌سازی سیستم‌های چندایجنت با CrewAI؛ بررسی تفاوت Crews و Flows، تعریف ابزارها و مدیریت حافظه در پایتون.
- آشنایی با OpenAI Agents SDK: انتقال وظایف، گاردریل‌ها و ردگیریبررسی مفاهیم بنیادی OpenAI Agents SDK: پیاده‌سازی تحویل وظایف (Handoffs)، گاردریل‌های ورودی و خروجی، و ردگیری توکار محاسبات برای ایجنت‌های هوشمند.
- بستر آزمایشی به‌شکل کتابخانه: ساب‌ایجنت‌ها و ذخیره‌ساز نشست در Claude Agent SDKآموزش پیاده‌سازی بستر آزمایشی ایجنت‌ها با ساب‌ایجنت‌های ایزوله، ذخیره‌ساز نشست و هوک‌های چرخه‌ی حیات در Claude Agent SDK.
- محیط‌های اجرای ایجنت در پروداکشن: مقایسه Agno و Mastraمقایسه تخصصی Agno و Mastra برای پیاده‌سازی بک‌اندهای سریع، بهینه و بدون‌وضعیت ایجنت‌های هوش مصنوعی در پایتون و تایپ‌اسکریپت.
- بنچمارک‌های ارزیابی ایجنت: SWE-bench، GAIA و AgentBenchراهنمای تخصصی شناخت، تحلیل آلودگی و پیاده‌سازی بنچمارک‌های کلیدی ایجنت‌ها شامل SWE-bench، GAIA و AgentBench برای ارزیابی دقیق مدل‌ها.
- بنچمارک‌های WebArena و OSWorld برای ارزیابی ایجنت‌هاراهنمای آشنایی با بنچمارک‌های WebArena و OSWorld برای سنجش توانایی ایجنت‌های هوشمند در تعامل با وب و محیط دسکتاپ بر مبنای اسکرین‌شات و اقدام واقعی.
- کار با کامپیوتر با هوش مصنوعی: مقایسه Claude، OpenAI CUA و Geminiبررسی فنی مدل‌های کار با کامپیوتر در Claude، OpenAI و Gemini، تفاوت در معماری بینایی، بنچمارک‌ها و الگوهای دفاعی ورودی غیرقابل‌اعتماد.
- ساخت ایجنت صوتی با Pipecat و LiveKitپیاده‌سازی ایجنت‌های صوتی بلادرنگ با پایپ‌لاین‌های فریم‌محور Pipecat و بستر WebRTC در LiveKit، همراه با مدیریت وقفه و کاهش تاخیر.
- قراردادهای معنایی OpenTelemetry برای هوش مصنوعی زایااسکیمای استاندارد OpenTelemetry برای دورسنجی ایجنت‌ها: دسته‌بندی اسپن‌ها، ویژگی‌های کلیدی و الگوهای ثبت امن محتوا در ابزارهای رصدپذیری.
- مشاهده‌پذیری ایجنت‌ها با Langfuse، Phoenix و Opikمقایسه پلتفرم‌های برتر مشاهده‌پذیری ایجنت‌های هوش مصنوعی (Langfuse، Arize Phoenix و Opik)، معماری، امکان میزبانی شخصی و اجرای ارزیابی با داور LLM.
- مناظره چندایجنت و همکاری مدل‌ها: مبانی، توپولوژی خلوت و پیاده‌سازیراهنمای جامع مناظره چندایجنت: کاهش توهم مدل‌ها با نقد متقابل تکرارشونده و کاهش مصرف توکن با استفاده از توپولوژی خلوت.
- حالت‌های شکست در سیستم‌های ایجنتی: چرا ایجنت‌ها خراب می‌شوند؟بررسی رده‌بندی MASFT و پنج الگوی اصلی خرابی ایجنت‌های هوش مصنوعی به‌همراه پیاده‌سازی شناساگر خودکار خطاها در پایتون.
- تزریق غیرمستقیم پرامپت و الگوی دفاعی PVE در ایجنت‌هاراهنمای جامع دفاع در برابر تزریق غیرمستقیم پرامپت با پیاده‌سازی معماری سه‌مرحله‌ای PVE (پرامپت-اعتبارسنج-مجری) برای ایجنت‌های نرم‌افزاری.
- الگوهای ارکستراسیون ایجنت‌ها: سرپرست، ازدحام و سلسله‌مراتبیراهنمای جامع انتخاب و پیاده‌سازی چهار الگوی اصلی ارکستراسیون ایجنت‌ها: سرپرست-کارگر، ازدحام، سلسله‌مراتبی و مناظره متناسب با نیاز عملیاتی پروژه.
- محیط‌های اجرای پروداکشن: صف، رویداد و کران‌جابراهنمای عملی انتخاب ساختار مناسب محیط اجرا در پروداکشن برای جلوگیری از خرابی ایجنت‌های هوش مصنوعی چندمرحله‌ای.
- توسعه مبتنی بر ارزیابی ایجنت‌ها (Eval-Driven Development)راهنمای عملی توسعه مبتنی بر ارزیابی (Eval-Driven) برای ایجنت‌های هوش مصنوعی در سه لایه‌ی بنچ‌مارک، آفلاین و آنلاین به همراه اتصال به پایپ‌لاین CI.
- مهندسی میز کار ایجنت: چرا قوی‌ترین مدل‌ها هم شکست می‌خورند؟یک مدل زبانی قوی بدون میز کار مناسب شکست می‌خورد؛ در این درس سطوح هفت‌گانه‌ی تبدیل مدل به یک سیستم مهندسی پایدار را بررسی می‌کنیم.
- کمینه‌ی میز کار ایجنت: معماری سه‌فایلی برای کنترل رفتاری مدل‌هاچگونه با تنها 3 فایل یک میز کار پایدار بسازیم تا ایجنت‌های هوش مصنوعی بدون اتکا به تاریخچه‌ی چت، وظایف را پیش ببرند.
- تبدیل دستورالعمل‌های ایجنت به محدودیت‌های اجراییتبدیل توصیه‌های متنی و مبهم در AGENTS.md به محدودیت‌های ماشین‌سنج، تست‌پذیر و ساختاریافته در میز کار ایجنت‌ها.
- حافظه در مخزن کد و وضعیت ماندگار ایجنت‌های هوش مصنوعییاد بگیرید چطور وضعیت ایجنت هوش مصنوعی را با JSON Schema و نوشتن اتمیک در مخزن کد ماندگار کنید تا کارهای تکراری و از دست رفتن داده‌ها متوقف شود.
- اسکریپت‌های راه‌اندازی برای ایجنت‌های هوش مصنوعیبا ساخت اسکریپت راه‌اندازی قطعی، هزینه‌ی مصرف توکن برای شناسایی محیط را به صفر برسانید و خطاهای پیش از اجرای ایجنت را مهار کنید.
- قرارداد دامنه و مرزبندی تسک‌ها در ایجنت‌های هوش مصنوعیقرارداد دامنه با تعریف فایل‌های مجاز، ممنوع و بررسی خودکار diff، خزش دامنه در ایجنت‌های کدنویسی را مهار می‌کند.
- حلقه‌های بازخورد محیط اجرا: ثبت پایدار دستورات در ایجنت‌هاپیاده‌سازی یک Feedback Runner سبک برای دریافت واقعی خروجی دستورات، هرس قطعی لاگ‌ها و جلوگیری از پیشروی کاذب ایجنت.
- گیت‌های اعتبارسنجی: جلوگیری قطعی از اعلام موفقیت کاذب ایجنت‌هاگیت اعتبارسنجی تابعی قطعی است که با بررسی گزارش قوانین، لاگ‌ها و تغییرات، مانع اعلام موفقیت زودهنگام و نادرست ایجنت‌های هوش مصنوعی می‌شود.
- ایجنت بازبین: تفکیک سازنده از ارزیاب در جریان‌های کاری هوش مصنوعیایجنت نویسنده‌ی کد صلاحیت نمره‌دهی به آن را ندارد؛ با ایجاد ایجنت بازبین و شیوه‌نامه‌ی نمره‌دهی پنج‌بعدی، کیفیت خروجی را تضمین کنید.
- تحویل کار میان‌نشستی ایجنت‌ها با بسته‌ی ساختاریافتهیاد بگیرید چگونه با ساخت خودکار بسته‌ی تحویل کار (Handoff Packet)، نشست‌های کدنویسی ایجنت‌ها را بدون اتلاف وقت و با پیوستگی کامل مدیریت کنید.
- آزمون میز کار ایجنت روی ریپازیتوری واقعی و مقایسه‌ی نتایجاجرای یک تسک واقعی به دو روش پرامپت‌محور و میزکار‌محور برای اثبات اثربخشی مهندسی بستر ایجنت‌ها با تکیه بر داده‌های تجربی.
- پروژه‌ی پایانی: ساخت بسته‌ی میزکار چندبارمصرف برای ایجنت‌هاآموزش بسته‌بندی هفت سطح تعامل میزکار ایجنت در قالب یک پوشه‌ی مستقل، نسخه‌گذاری‌شده و قابل استقرار روی هر مخزن با یک دستور.
- تعیین چارچوب وظیفه پیش از کدنویسی ایجنتپیش از اینکه ایجنت هوش مصنوعی خطی از کد را تغییر دهد، با ساخت یک چارچوب وظیفه‌ی مبتنی بر شواهد از خطاهای پرهزینه و ناسازگاری با سیستم جلوگیری کنید.
- ساخت برنامه اجرایی مبتنی بر شواهد برای ایجنت‌هاتبدیل برنامه‌های خطی ایجنت‌ها به گراف وابستگی اعتبارسنجی‌شده بر پایه‌ی شواهدِ مخزن کد و اثبات‌های شفاف.
- واگذاری کار به ایجنت‌ها با ایزوله‌سازی و قراردادهای ادغامراهنمای واگذاری موازی کارها به ایجنت‌ها با تعیین مرز مالکیت فایل‌ها، لایه‌های ایزوله‌سازی و قراردادهای ادغام برای جلوگیری از تداخل.
- تبدیل اصلاحیه‌های ایجنت به بهبود پایدار سیستمراهنمای گام‌به‌گام برای ارتقای اصلاحیه‌های چت با ایجنت به کنترل‌های پایدار، تست‌های خودکار و ابزارهای مهار خطاهای تکراری.
- تعریف نتیجه پیش از انتخاب خروجیپیاده‌سازی سریع تاوان انتخاب اشتباه را بالا می‌برد. با تعریف نتیجه پیش از انتخاب خروجی، اهداف نرم‌افزاری را شفاف کنید.
- کشف جریان کاری واقعی کاربران با تکیه بر شواهدبه‌جای پرسیدن نیازمندی‌ها در جلسات، جریان کاری واقعی افراد را از روی شواهد عینی، نقاط اصطکاک و استثناها بازسازی کنید.
- نگاشت فرضیات و حل پرریسک‌ترین آن‌ها در گام نخستتبدیل قابلیت‌های نقشه راه به فرضیات ابطال‌پذیر و اولویت‌بندی آزمایش‌ها بر اساس ریسک و برگشت‌ناپذیری.
- انتخاب کوچک‌ترین برشی که می‌تواند تصمیم را تغییر دهدیاد بگیرید چطور کوچک‌ترین برشی از سیستم را بسازید که فرضیات کلیدی و پرریسک را اثبات کند و بتواند مسیر تصمیم‌گیری بعدی را واقعاً تغییر دهد.
- نوشتن مشخصات فنی بدون سلب قدرت قضاوت از ایجنتیاد بگیرید چگونه مشخصات فنی سیستم را به جای سناریوی خط‌به‌خط، به یک مرز تصمیم‌گیری دقیق میان انسان و ایجنت هوش مصنوعی تبدیل کنید.
- طراحی معیارهای موفقیت پیش از مشاهده‌ی نتایجیاد بگیرید چطور پیش از اجرای کد، معیارهای موفقیت، گاردریل‌ها و شرایط قبولی و ردیابی را طراحی کنید تا داده‌ها سوگیری تیم را تقویت نکنند.
- انتخاب آگاهانه میان پیش‌نمونه، پایلوت و محیط عملیاتیراهنمای تمایز دقیق میان پیش‌نمونه، نسخه‌ی آزمایشی و محیط عملیاتی برای کاهش ریسک و جلوگیری از لغزش زودهنگام کد به پروداکشن.
- ساخت چرخ‌دنده‌ی بازخورد: مسئولیت‌پذیری و بازنشستگی خط‌مشی‌هاتبدیل بازخوردها و خطاهای ایجنت به اقدامات عملی دارای مسئول مشخص و بازنشسته‌کردن به‌موقع خط‌مشی‌های منسوخ.