Udemy – LangChain & LangGraph: Build Production AI Agents in Python 2026-8

در تاریخ: 1405/05/31 1:11:44

توضیحات

LangChain & LangGraph: Build Production AI Agents in Python دوره آموزشی نحوه ساخت عوامل هوش مصنوعی قابل اعتماد، مقیاس‌پذیر و آماده برای تولید با استفاده از پایتون، LangChain و LangGraph می باشد که توسط آکادمی آنلاین یودمی منتشر شده است. این دوره که برای مهندسان هوش مصنوعی، توسعه‌دهندگان پایتون، مهندسان نرم‌افزار و توسعه‌دهندگانی که با هوش مصنوعی مولد کار می‌کنند، طراحی شده است، به بررسی نحوه اتصال مدل‌های زبانی با ابزارها، سرویس‌های خارجی، منابع داده و گردش‌های کاری ساختاریافته می‌پردازد. افراد با اجزای LangChain، معماری مبتنی بر گراف حالت‌مند LangGraph، حلقه‌های عامل، فراخوانی ابزار، حافظه، برنامه‌ریزی، گردش‌های کاری انسان در حلقه، مدیریت خطا و ارزیابی عامل کار خواهند کرد.

ما با درک اینکه عامل‌های هوش مصنوعی واقعاً چه هستند، چگونه حلقه عامل کار می‌کند، چه زمانی باید از عامل‌ها به جای گردش‌های کاری سنتی استفاده کرد و چگونه ابزارها به مدل‌های زبانی اجازه می‌دهند با سیستم‌های خارجی تعامل داشته باشند، شروع می‌کنیم. سپس دوره به LangGraph می‌رود، جایی که شما با استفاده از حالت، گره‌ها، لبه‌ها، مسیریابی، اجرای موازی، زیرگراف‌ها، پایداری، حافظه و تأیید انسان در حلقه، معماری‌های عامل قابل اعتمادتر و قابل کنترل‌تری خواهید ساخت. در پایان دوره، شما نه تنها نحوه ساخت عامل‌ها با LangChain و LangGraph را خواهید فهمید، بلکه نحوه قابل اعتماد، قابل مشاهده، ایمن و آماده تولید کردن آنها را نیز خواهید آموخت.

آنچه در دوره LangChain & LangGraph: Build Production AI Agents in Python یاد خواهید گرفت:

کار با پیام‌های LLM، پرامپت‌ها، پخش جریانی (streaming)، خروجی‌های ساختاریافته و فراخوانی ابزار (tool calling)
ساخت ابزارهای سفارشی و اتصال ایجنت‌های هوش مصنوعی به سیستم‌ها و API های خارجی
ساخت ایجنت‌های هوش مصنوعی ابزارمحور کامل از صفر
شناسایی حالت‌های شکست رایج ایجنت‌های هوش مصنوعی و طراحی معماری‌های ایجنت قابل‌اطمینان‌تر
ساخت ایجنت‌ها و گردش‌کارهای هوش مصنوعی دارای حالت (stateful) با استفاده از LangGraph
پیاده‌سازی مسیریابی شرطی، انشعاب (branching)، اجرای موازی و زیرگراف‌ها
افزودن حافظه‌ی کوتاه‌مدت و ماندگار به ایجنت‌های هوش مصنوعی
پیاده‌سازی تأیید انسانی در حلقه (human-in-the-loop) برای اقدامات حساس ایجنت
ساخت ایجنت‌های RAG که بر پایه‌ی دانش خصوصی یا داخلی بازیابی و استدلال می‌کنند
بهبود بازیابی با استفاده از بازنویسی پرس‌وجو و استراتژی‌های بازیابی ایجنتی
تولید پاسخ‌های مستند با منابع و ارجاعات
ردیابی و عیب‌یابی ایجنت‌های هوش مصنوعی با استفاده از LangSmith
ساخت مجموعه‌داده‌های ارزیابی و ارزیابی سیستماتیک عملکرد ایجنت
مقایسه‌ی پرامپت‌ها، مدل‌ها، ابزارها و نسخه‌های مختلف ایجنت
ارائه‌ی ایجنت‌های هوش مصنوعی از طریق API های تولید با استفاده از FastAPI
بسته‌بندی و اجرای اپلیکیشن‌های ایجنت با استفاده از Docker
و …

مشخصات دوره

ناشر: یودمی
مدرس: George Paterakis
زبان: انگلیسی
سطح آموزش: مقدماتی تا پیشرفته
تعداد دروس: 33
مدت زمان آموزش: 6 ساعت و 26 دقیقه

سرفصل های دوره

LangChain & LangGraph: Build Production AI Agents in Python

پیش نیازهای دوره LangChain & LangGraph: Build Production AI Agents in Python

Basic knowledge of Python is recommended.
You should be comfortable with functions, classes, dictionaries, lists, and installing Python packages.
No previous experience with LangChain or LangGraph is required.
No previous AI or machine-learning knowledge is required.
No previous experience building AI agents is required.
A computer capable of running Python and a code editor such as VS Code.
Access to an LLM API will be useful for following the practical exercises.
Basic familiarity with APIs, Git, Docker, or web development can be helpful, but is not required.