مسیرهای یادگیری
لازم نیست هر ۵۴۲ درس را به ترتیب بخوانید. هر مسیر چند درس مشخص را با ترتیب درست کنار هم می‌گذارد تا به یک مهارت یا نقش شغلی برسید.
مسیرهای موضوعی
برای ساختن پایه‌ها یا یاد گرفتن یک مهارت مشخص، مثل MCP یا کار با ایجنت‌های کدنویس.
- مبانی مهندسی نرم‌افزارSoftware Engineering Fundamentalsپیاده‌سازی پایه‌های اساسی مخزن، اشکال‌زدایی، تست، رابط کاربری، امنیت، انتشار و عملیات که سیستم‌های هوش مصنوعی بر آن‌ها متکی هستند.
- ساخت و استقرار برنامه‌های کاربردی هوش مصنوعیBuilding and Deploying AI Applicationsساخت یک قابلیت هوش مصنوعی از مرحله‌ی پرامپت و خروجی ساختاریافته تا بازیابی، ارزیابی، سرویس‌دهی در محیط عملیاتی، مشاهده‌پذیری و انتشار.
- مهندسی با کمک ایجنتAgent-Assisted Engineeringچارچوب‌بندی، برنامه‌ریزی، اجرا، واگذاری، اعتبارسنجی، بازبینی و بهبود عملکرد ایجنت‌های کدنویسی در مخازن کد واقعی.
- بینش و تشخیص محصولی و تحویل نهاییProduct Judgment and Deliveryشواهد را به نتایج ملموس، فرضیات، بخش‌های قابل‌آزمایش، مشخصات اجرایی، برنامه‌های اندازه‌گیری و حلقه‌های بازخورد اختصاصی تبدیل کنید.
- مهندسی مهارت‌های ایجنتAgent Skills Engineeringساخت، مسیریابی، ایمن‌سازی، ارزیابی، بسته‌بندی و اعتبارسنجی مهارت‌های ایجنت (Agent Skills) در میزبان‌های واقعی.
- پروتکل کانتکست مدل (MCP)Model Context Protocol (MCP)سیستم‌های MCP بی‌وضعیت را از بسته‌های JSON-RPC تا درگاه‌های انتشار انطباق با استاندارد، بسازید، ایمن‌سازی و اعتبارسنجی کنید و به کار بگیرید.
- مهندسی معکوسReverse Engineeringبرنامه‌ی کامپایل‌شده‌ای را که خودتان ساخته‌اید بخوانید: فایل را پارس کنید، دستورالعمل‌ها را رمزگشایی نمایید، آن‌ها را به شبه‌کد ارتقا دهید (lift)، شواهد را ثبت کنید و اثبات نمایید که بازسازی نهایی یکسان است؛ سپس مفاهیم پیرامون این پایپ‌لاین را به همراه ابزارهای اصلی آن یاد بگیرید.
مسیرهای شغلی
هر مسیر شغلی بعد از پایه‌ها می‌آید و با یک پروژه‌ی نمونه‌کار و معیارهای آمادگی برای مصاحبه تمام می‌شود.
- مهندسی سیستم‌های ایجنتAgent Systems Engineeringمهندسی حلقه‌های ایجنت مجهز به ابزار، همراه با سیاق صریح، حافظه، ارکستراسیون، امنیت، ارزیابی و کنترل در محیط عملیاتی.
- سیستم‌های داده هوش مصنوعیAI Data Systemsپایپلاینهای قابلاعتماد داده، ویژگی، امبدینگ، بازیابی، ارزیابی و مشاهده‌پذیری را برای سیستم‌های هوش مصنوعی بسازید.
- ارزیابی و پایایی هوش مصنوعیAI Evaluation and Reliabilityرفتار مدل و ایجنت را بسنجید، حالتهای شکست را شناسایی کنید، محیط اجرا را به ابزارهای پایش مجهز کنید و کنترلهای انتشار و مدیریت رخداد را بر پایهی شواهد بنا نهید.
- استقرار هوش مصنوعی برای مشتریانCustomer AI Deploymentجریان کاری مشتری را شناسایی کنید، پرریسکترین فرضیات آن را کاهش دهید و یک سیستم هوش مصنوعی کاربردی را از ارزیابی تا مرحله‌ی مسیر پیشروی شبیهسازیشده هدایت کنید.
- تجربه و آموزش توسعهدهندگان (Developer Experience and Education)Developer Experience and Educationساخت یکپارچهسازیهای معتبر، نمونهها و بسته‌های ایجنت با قابلیت استفاده مجدد، و سپس تبدیل چالشهای توسعهدهندگان به ابزارها و آموزشهای شفافتر.
- مهندسی محصول با مدلهای زبانی بزرگ (LLM Product Engineering)LLM Product Engineeringتبدیل قابلیتهای مدل زبانی به رفتارهای محصولیِ ارزیابیشده، امن و بهصرفه که توان تابآوری در برابر ترافیک محیط عملیاتی را داشته باشند.