Udemy – Agentic AI: Build AI Agents with MCP, FastMCP & Pydantic AI 2026-7

در تاریخ: 1405/07/30 5:41:14

توضیحات

Agentic AI: Build AI Agents with MCP, FastMCP & Pydantic AI، دوره آموزش هوش مصنوعی عامل‌محور: ساخت عامل‌های هوش مصنوعی با MCP، FastMCP و Pydantic AI توسط آکادمی Udemy منتشر شده است.از گفت‌وگو با هوش مصنوعی فراتر بروید و ساخت عامل‌هایی را آغاز کنید که کارها را انجام می‌دهند. هر کسی می‌تواند با یک مدل زبانی گفت‌وگو کند، اما افراد بسیار کمی می‌توانند عاملی بسازند که فایل‌ها را بخواند، ابزارها را فراخوانی کند، چند عامل دیگر را هماهنگ سازد و به‌عنوان یک سرویس واقعی قابل استقرار اجرا شود. این دوره شما را از اصول اولیه تا ساخت یک عامل هوش مصنوعی امن و آماده استفاده در محیط عملیاتی پیش می‌برد؛ آن هم با کدی که خودتان می‌نویسید و اجرا می‌کنید. خبری از توضیحات مبهم یا ترفندهای کپی و پیست نیست که درکشان نکنید.

در این دوره یاد می‌گیرید حلقه فراخوانی ابزار چگونه یک مدل زبانی ساده را به عاملی تبدیل می‌کند که اقدام انجام می‌دهد؛ پروتکل زمینه مدل (MCP) را به‌درستی به‌عنوان JSON-RPC 2.0 و مجموعه‌ای شامل 3 نام متد بشناسید و پیام‌های آن را خودتان بخوانید و بنویسید؛ و با FastMCP یک تابع پایتون را در حدود 10 خط به ابزاری کامل و مستند برای عامل تبدیل کنید. نخستین عامل واقعی خود را با Pydantic AI می‌سازید که فایلی را روی رایانه خودتان ذخیره می‌کند. همچنین سیستم‌های چندعاملی و چندابزاری می‌سازید که در آن‌ها یک عامل مدیر، وظایف را به عامل‌های تخصصی واگذار می‌کند و برای اقدامات پرخطر، بررسی‌های ایمنی در نظر گرفته می‌شود. با ساختار درونی مدل‌های زبانی بزرگ (LLM)، از جمله توکن‌ها، امبدینگ‌ها، سازوکار توجه، FP16 و کوانتیزه‌سازی GGUF، به‌صورت تصویری و از پایه آشنا می‌شوید. یاد می‌گیرید مدل‌ها را با Ollama به‌صورت محلی و کاملاً آفلاین، بدون کلیدهای API و هزینه‌های ابری اجرا کنید. پروژه نهایی شامل استقرار عامل به‌صورت یک API مبتنی بر REST با FastAPI است که با احراز هویت JWT ایمن شده و در آن جریان کامل درخواست را دنبال می‌کنید. بیشتر دوره‌ها به گفتن «این هم یک پرامپت» بسنده می‌کنند؛ اما این دوره با یک API عامل مستقرشده و دارای احراز هویت به پایان می‌رسد، موضوعی که تقریباً هیچ‌کس آموزش نمی‌دهد. تمام مفاهیم با کدی همراه هستند که خودتان می‌نویسید و اجرا می‌کنید؛ بنابراین در پایان پروژه‌های عملی خواهید داشت، نه فقط یادداشت. مدرس دوره پژوهشگر هوش مصنوعی و بنیان‌گذاری است که به‌صورت حرفه‌ای این سیستم‌ها را می‌سازد و در زمینه هوش مصنوعی کاربردی آثار منتشرشده دارد. باید با نوشتن کدهای پایه پایتون راحت باشید. به پیش‌زمینه‌ای در هوش مصنوعی یا یادگیری ماشین نیاز ندارید، زیرا مفاهیم عامل‌ها، MCP و مدل‌های زبانی بزرگ از پایه آموزش داده می‌شوند. همین حالا ثبت‌نام کنید و نخستین عامل هوش مصنوعی آماده محیط عملیاتی خود را بسازید.

آنچه خواهید آموخت

ساخت عامل‌های هوش مصنوعی از پایه با استفاده از پروتکل زمینه مدل (MCP) و درک حلقه JSON-RPC که در پس‌زمینه هر عامل قرار دارد.
تبدیل هر تابع پایتون به ابزاری برای عامل در چند دقیقه با FastMCP و هماهنگ‌سازی سیستم‌های چندعاملی و چندابزاری با استفاده از Pydantic AI.
اجرای مدل‌های زبانی بزرگ به‌صورت محلی با Ollama و کوانتیزه‌سازی GGUF تا عامل‌ها بدون هزینه‌های API و به‌صورت آفلاین کار کنند.
استقرار یک عامل هوش مصنوعی عملیاتی به‌صورت API مبتنی بر REST و ایمن‌شده با احراز هویت JWT با استفاده از FastAPI.
درک بخش‌های داخلی مدل‌های زبانی بزرگ که برای عامل‌ها اهمیت دارند، از جمله توکن‌ها، امبدینگ‌ها، سازوکار توجه، FP16 و کوانتیزه‌سازی.

این دوره برای چه کسانی مناسب است

توسعه‌دهندگان پایتون که می‌خواهند عامل‌های واقعی هوش مصنوعی بسازند، نه اینکه فقط با آن‌ها گفت‌وگو کنند، و آن‌ها را در محیط عملیاتی مستقر سازند.
مهندسان و دانشجویانی که به MCP، FastMCP و هوش مصنوعی عامل‌محور علاقه‌مندند و ساخت از پایه را به آموزش‌های مبتنی بر کپی و پیست ترجیح می‌دهند.
افرادی که می‌خواهند مدل‌های زبانی بزرگ را به‌صورت محلی اجرا کنند و بدون وابستگی به APIهای ابری پولی، یک API امن برای عامل مستقر سازند.

مشخصات دوره Agentic AI: Build AI Agents with MCP, FastMCP & Pydantic AI

ناشر : Udemy
مدرس : Nandakishor M
زبان: انگلیسی
سطح آموزش: تمام سطوح
تعداد دروس: 10
مدت زمان آموزش: 1 ساعت و 23 دقیقه

سر فصل های دوره Agentic AI: Build AI Agents with MCP, FastMCP & Pydantic AI

Agentic AI_ Build AI Agents with MCP, FastMCP & Pydantic AI

پیش نیاز های دوره

Comfortable writing basic Python (functions, classes, pip). No AI or machine learning background needed, everything about agents and LLMs is taught from scratch.
A computer that can run Python 3. A GPU is helpful for local models but not required.