هوش مصنوعی در حال تغییر شیوه توسعه نرم‌افزار، خودکارسازی فرایندها و تعامل کاربران با سیستم‌های دیجیتال است. در این میان، یکی از مهم‌ترین حوزه‌های در حال رشد، عامل‌های هوش مصنوعی (AI Agents) هستند؛ سیستم‌هایی که می‌توانند با استفاده از مدل‌های هوش مصنوعی، ابزارهای مختلف و قابلیت برنامه‌ریزی، وظایف مشخصی را انجام دهند.
اگر به برنامه‌نویسی هوش مصنوعی علاقه‌مند هستید و می‌خواهید ساخت این عامل‌ها را به‌صورت عملی یاد بگیرید، خبر خوبی برای شما داریم: مایکروسافت یک دوره آموزشی رایگان با عنوان «AI Agents for Beginners» ارائه کرده که نسخه فارسی آن نیز در دسترس است.
این دوره با ترکیب آموزش‌های متنی، ویدئوهای آموزشی، مثال‌های برنامه‌نویسی پایتون و منابع تکمیلی، مسیری مناسب برای آشنایی با مفاهیم و تکنیک‌های توسعه عامل‌های هوشمند فراهم می‌کند.
برای شروع یادگیری، نیازی نیست هزینه‌ای برای خرید این دوره بپردازید. کافی است به محتوای آموزشی آن دسترسی پیدا کنید و متناسب با سطح دانش و علاقه خود، یادگیری را آغاز کنید.
دوره AI Agents for Beginners مایکروسافت چیست؟
دوره AI Agents for Beginners مایکروسافت مجموعه‌ای آموزشی برای یادگیری اصول طراحی و توسعه عامل‌های هوش مصنوعی است.
در این دوره، با مفاهیمی مانند معماری عامل‌های هوشمند، استفاده از ابزارها، برنامه‌ریزی، سیستم‌های چندعاملی، مدیریت حافظه و استقرار عامل‌های هوش مصنوعی آشنا می‌شوید.
یکی از ویژگی‌های کاربردی این مجموعه، ساختار درس‌به‌درس آن است. هر درس موضوع مستقلی دارد؛ بنابراین می‌توانید از مباحث مقدماتی شروع کنید یا مستقیماً سراغ موضوعی بروید که برای پروژه فعلی شما اهمیت بیشتری دارد.
همچنین، محتوای فارسی دوره باعث می‌شود توسعه‌دهندگان و علاقه‌مندان فارسی‌زبان بتوانند بدون نیاز به مطالعه تمام مطالب به زبان انگلیسی، مفاهیم اصلی را دنبال کنند.
ویژگی‌های مهم این دوره عبارت‌اند از:
- رایگان بودن محتوای آموزشی
- دسترسی به نسخه فارسی درس‌ها
- ارائه مثال‌های کدنویسی با زبان پایتون
- ترکیب آموزش متنی و ویدئویی
- معرفی الگوهای طراحی عامل‌های هوشمند
- پرداختن به موضوعات کاربردی و پیشرفته هوش مصنوعی
- ارائه منابع تکمیلی برای ادامه یادگیری
- امکان مشارکت در پروژه و استفاده از مخزن کد دوره در گیت‌هاب
در این دوره چه چیزهایی یاد می‌گیرید؟
مجموعه آموزشی مایکروسافت شامل ۱۸ درس است که جنبه‌های مختلف طراحی، پیاده‌سازی، ارزیابی و استقرار عامل‌های هوش مصنوعی را پوشش می‌دهد.
در ادامه، مهم‌ترین موضوعات این دوره را مرور می‌کنیم.
۱. آشنایی با عامل‌های هوش مصنوعی و کاربردهای آن‌ها
در نخستین درس، با مفهوم AI Agent و تفاوت آن با استفاده معمولی از مدل‌های هوش مصنوعی آشنا می‌شوید.
برای مثال، یک چت‌بات ساده ممکن است صرفاً به پرسش‌های کاربر پاسخ دهد؛ اما یک عامل هوشمند می‌تواند با توجه به هدف تعیین‌شده، اطلاعات موردنیاز را جمع‌آوری کند، از ابزارهای مختلف استفاده کند و مراحل انجام یک وظیفه را پیش ببرد.
این قابلیت‌ها زمینه‌ساز توسعه دستیارهای هوشمند، سیستم‌های پشتیبانی مشتریان و ابزارهای خودکارسازی فرایندهای کسب‌وکار هستند.
مشاهده درس اول: معرفی عامل‌های هوش مصنوعی
۲. بررسی چارچوب‌های توسعه عامل‌های هوشمند
برای ساخت یک عامل هوش مصنوعی، معمولاً به ابزارها و چارچوب‌هایی نیاز دارید که مدیریت مدل زبانی، ابزارها، جریان اجرای وظایف و تعامل با سرویس‌های دیگر را ساده‌تر کنند.
در این بخش با چارچوب‌های عامل هوشمند و نقش آن‌ها در توسعه نرم‌افزار آشنا می‌شوید.
این موضوع به‌ویژه برای برنامه‌نویسانی اهمیت دارد که قصد دارند قابلیت‌های هوش مصنوعی را به پروژه‌های واقعی خود اضافه کنند.
مشاهده درس دوم: بررسی چارچوب‌های عامل هوشمند
۳. یادگیری الگوهای طراحی عامل‌های هوش مصنوعی
مانند سایر حوزه‌های مهندسی نرم‌افزار، توسعه عامل‌های هوشمند نیز به معماری مناسب و الگوهای طراحی قابل اتکا نیاز دارد.
در این بخش با اصول طراحی سیستم‌های عامل‌محور آشنا می‌شوید و یاد می‌گیرید چگونه ساختار عامل را متناسب با مسئله انتخاب کنید.
شناخت این الگوها می‌تواند به طراحی سیستم‌هایی کمک کند که توسعه، نگهداری و گسترش آن‌ها در آینده ساده‌تر باشد.
مشاهده درس سوم: الگوهای طراحی عامل هوشمند
۴. استفاده از ابزارها در عامل‌های هوش مصنوعی
یکی از قابلیت‌های مهم عامل‌های هوشمند، امکان استفاده از ابزارهای خارجی است.
یک عامل می‌تواند بر اساس درخواست کاربر و امکاناتی که در اختیار دارد، از APIها، سرویس‌های نرم‌افزاری یا ابزارهای محاسباتی استفاده کند.
برای نمونه، در یک سامانه سازمانی می‌توان عاملی طراحی کرد که اطلاعات موردنیاز را از یک API دریافت کند، داده‌ها را تحلیل کند و نتیجه را در اختیار کاربر قرار دهد.
البته عملکرد چنین سیستمی به طراحی صحیح ابزارها، مجوزهای دسترسی و محدودیت‌هایی که برای عامل تعریف می‌کنید بستگی دارد.
مشاهده درس چهارم: استفاده از ابزارها
۵. آشنایی با Agentic RAG
RAG یا تولید تقویت‌شده با بازیابی اطلاعات، روشی برای استفاده از منابع اطلاعاتی مرتبط هنگام تولید پاسخ توسط مدل‌های زبانی است.
در رویکرد Agentic RAG، قابلیت‌های عامل هوشمند به فرایند بازیابی اطلاعات اضافه می‌شوند تا سیستم بتواند متناسب با مسئله، مراحل جست‌وجو و استفاده از اطلاعات را مدیریت کند.
این رویکرد می‌تواند در توسعه دستیارهای سازمانی، سامانه‌های پرسش‌وپاسخ مبتنی بر اسناد و ابزارهای جست‌وجوی هوشمند کاربرد داشته باشد.
مشاهده درس پنجم: عامل هوشمند RAG
۶. ساخت عامل‌های قابل اعتماد
در پروژه‌های واقعی، تنها تولید پاسخ مناسب کافی نیست. عامل هوش مصنوعی باید تا حد امکان قابل کنترل، ایمن و قابل ارزیابی باشد.
در این درس با موضوعات مرتبط با ساخت عامل‌های قابل اعتماد آشنا می‌شوید؛ موضوعاتی که هنگام استفاده از هوش مصنوعی در سامانه‌های تجاری و سازمانی اهمیت زیادی دارند.
مشاهده درس ششم: ساخت عامل‌های هوش مصنوعی قابل اعتماد
۷. برنامه‌ریزی و اجرای وظایف پیچیده
یکی از تفاوت‌های مهم عامل‌های هوشمند با ابزارهای ساده مبتنی بر مدل زبانی، امکان تقسیم یک هدف به چند مرحله و مدیریت اجرای آن‌هاست.
در این بخش با الگوهای طراحی مرتبط با برنامه‌ریزی آشنا می‌شوید؛ موضوعی که برای ساخت عامل‌هایی با وظایف چندمرحله‌ای اهمیت دارد.
مشاهده درس هفتم: الگوی طراحی برنامه‌ریزی
۸. ساخت سیستم‌های چندعاملی
گاهی بهتر است به‌جای سپردن تمام وظایف به یک عامل، چند عامل با مسئولیت‌های متفاوت طراحی شوند.
در معماری چندعاملی، هر عامل می‌تواند وظیفه مشخصی بر عهده داشته باشد و در چارچوب یک فرایند هماهنگ با سایر عامل‌ها همکاری کند.
برای مثال، در یک سامانه تحلیل اطلاعات، می‌توان عامل‌هایی برای جمع‌آوری داده، بررسی محتوا و تهیه گزارش در نظر گرفت.
البته استفاده از معماری چندعاملی همیشه بهترین انتخاب نیست و هزینه اجرا، پیچیدگی هماهنگی و نیازهای پروژه باید در تصمیم‌گیری لحاظ شوند.
مشاهده درس هشتم: الگوی طراحی چندعاملی
۹. فراشناخت در عامل‌های هوش مصنوعی
فراشناخت در این حوزه به روش‌هایی اشاره دارد که عامل می‌تواند از آن‌ها برای ارزیابی فرایند خود، بررسی نتیجه مراحل قبلی و اصلاح مسیر انجام وظیفه استفاده کند.
این موضوع به درک بهتر طراحی عامل‌هایی کمک می‌کند که برای انجام وظایف پیچیده به ارزیابی و بازبینی نیاز دارند.
مشاهده درس نهم: الگوی طراحی فراشناخت
۱۰. استفاده از عامل‌های هوش مصنوعی در محیط عملیاتی
ساخت نمونه اولیه یک عامل هوشمند با ارائه یک محصول قابل استفاده در محیط واقعی تفاوت زیادی دارد.
در محیط عملیاتی باید موضوعاتی مانند قابلیت اطمینان، مدیریت خطا، امنیت، هزینه اجرا و مقیاس‌پذیری را نیز در نظر گرفت.
این درس به موضوع استفاده از عامل‌های هوش مصنوعی در محیط تولید نرم‌افزار می‌پردازد.
مشاهده درس دهم: عامل‌های هوش مصنوعی در محیط تولید
۱۱. آشنایی با پروتکل‌های MCP، A2A و NLWeb
برای توسعه سیستم‌های هوشمند قابل اتصال به ابزارها و سرویس‌های دیگر، آشنایی با پروتکل‌ها و استانداردهای مرتبط اهمیت دارد.
این درس به پروتکل‌های MCP، A2A و NLWeb می‌پردازد که هرکدام در زمینه‌هایی مانند اتصال عامل‌ها به ابزارها، تعامل میان عامل‌ها و تجربه‌های وب مبتنی بر زبان طبیعی مطرح هستند.
مشاهده درس یازدهم: پروتکل‌های عامل‌محور
۱۲. مهندسی زمینه و مدیریت حافظه
کیفیت عملکرد یک عامل هوش مصنوعی به اطلاعاتی که در اختیار مدل قرار می‌گیرد و نحوه مدیریت این اطلاعات وابسته است.
در درس مهندسی زمینه، با اصول آماده‌سازی و مدیریت اطلاعات موردنیاز عامل آشنا می‌شوید. درس مدیریت حافظه نیز به روش‌های حفظ و استفاده مجدد از اطلاعات در فرایند عملکرد عامل می‌پردازد.
این مباحث برای ساخت دستیارهای هوشمند کاربردی و سیستم‌هایی که باید در طول یک فرایند اطلاعات مرتبط را حفظ کنند، اهمیت زیادی دارند.
۱۳. آشنایی با چارچوب عامل مایکروسافت و ساخت عامل‌های مبتنی بر کامپیوتر
در ادامه دوره، با چارچوب عامل مایکروسافت آشنا می‌شوید و موضوعاتی مانند ساخت عامل‌هایی که با محیط کامپیوتر تعامل می‌کنند را بررسی می‌کنید.
عامل‌های مبتنی بر کامپیوتر می‌توانند با رابط‌های نرم‌افزاری تعامل داشته باشند و در چارچوب مجوزها و محدودیت‌های تعریف‌شده، برخی وظایف را انجام دهند.
این حوزه برای توسعه نسل جدید ابزارهای خودکارسازی نرم‌افزار اهمیت دارد.
۱۴. استقرار، اجرای محلی و ایمن‌سازی عامل‌ها
بخش پایانی دوره به موضوعاتی می‌پردازد که برای توسعه و استفاده عملی از عامل‌های هوش مصنوعی اهمیت دارند؛ از جمله استقرار عامل‌های مقیاس‌پذیر، ایجاد عامل‌های هوش مصنوعی محلی و ایمن‌سازی آن‌ها.
این مباحث کمک می‌کنند دید جامع‌تری نسبت به چرخه توسعه یک عامل هوشمند، از طراحی اولیه تا اجرا و نگهداری، به دست آورید.
- درس شانزدهم: استقرار عامل‌های مقیاس‌پذیر
- درس هفدهم: ایجاد عامل‌های هوش مصنوعی محلی
- درس هجدهم: ایمن‌سازی عامل‌های هوش مصنوعی
برای شرکت در این دوره به چه پیش‌نیازهایی نیاز دارید؟
یکی از مزیت‌های این مجموعه، ارائه مثال‌های کدنویسی در کنار آموزش مفاهیم است. با این حال، برای استفاده بهتر از محتوای آن، آشنایی مقدماتی با برنامه‌نویسی، به‌ویژه زبان پایتون، مفید خواهد بود.
در نظر داشته باشید که رایگان بودن محتوای دوره به معنای رایگان بودن تمام زیرساخت‌های موردنیاز برای اجرای نمونه‌ها نیست. برخی تمرین‌ها از Microsoft Foundry و سرویس‌های Azure استفاده می‌کنند و اجرای آن‌ها ممکن است به حساب کاربری، تنظیمات یا منابع ابری نیاز داشته باشد.
همچنین برخی نمونه‌ها از ارائه‌دهندگان جایگزین سازگار با رابط‌های OpenAI پشتیبانی می‌کنند. برای اطلاع از پیش‌نیازها و روش اجرای کدها، راهنمای رسمی راه‌اندازی دوره را مطالعه کنید.
مشاهده راهنمای راه‌اندازی دوره و آماده‌سازی محیط توسعه
اگر هنوز تجربه‌ای در زمینه هوش مصنوعی مولد ندارید، بهتر است ابتدا با مفاهیم پایه مدل‌های زبانی و هوش مصنوعی مولد آشنا شوید و سپس به سراغ ساخت عامل‌های هوشمند بروید.
مایکروسافت برای این منظور دوره دیگری با عنوان Generative AI for Beginners ارائه کرده است که شامل ۲۱ درس درباره ساخت برنامه‌های مبتنی بر هوش مصنوعی مولد است.
مشاهده دوره رایگان هوش مصنوعی مولد برای مبتدیان
چگونه از دوره رایگان هوش مصنوعی مایکروسافت استفاده کنیم؟
برای شروع یادگیری، مراحل زیر را دنبال کنید:
مرحله اول: ورود به صفحه فارسی دوره
از طریق لینک زیر به مخزن رسمی آموزشی مایکروسافت دسترسی پیدا کنید:
ورود به دوره AI Agents for Beginners به زبان فارسی
مرحله دوم: انتخاب درس متناسب با سطح دانش
اگر تازه با عامل‌های هوش مصنوعی آشنا شده‌اید، بهتر است از درس معرفی عامل‌ها شروع کنید. اگر تجربه برنامه‌نویسی هوش مصنوعی دارید، می‌توانید موضوعات تخصصی‌تری مانند Agentic RAG، سیستم‌های چندعاملی یا مهندسی زمینه را انتخاب کنید.
مرحله سوم: مطالعه مطالب و مشاهده ویدئوها
هر درس شامل محتوای آموزشی و نمونه‌های کدنویسی است. در درس‌هایی که ویدئو ارائه شده، می‌توانید از محتوای تصویری نیز برای درک بهتر مفاهیم استفاده کنید.
مرحله چهارم: اجرای مثال‌های برنامه‌نویسی
برای یادگیری عمیق‌تر، بهتر است صرفاً به مطالعه مطالب اکتفا نکنید. کدهای نمونه را بررسی کنید، آن‌ها را اجرا کنید و در صورت امکان تغییر دهید تا با نحوه عملکرد اجزای مختلف عامل آشنا شوید.
مرحله پنجم: توسعه یک پروژه کوچک
پس از یادگیری مباحث اولیه، می‌توانید یک پروژه کوچک تعریف کنید؛ برای مثال، دستیار پرسش‌وپاسخ مبتنی بر اسناد، عامل تحلیل اطلاعات یا ابزاری برای خودکارسازی یک فرایند مشخص.
اجرای چنین پروژه‌ای به شما کمک می‌کند مفاهیم دوره را در عمل به کار بگیرید و با چالش‌های واقعی توسعه نرم‌افزار مبتنی بر هوش مصنوعی آشنا شوید.
چرا یادگیری ساخت عامل‌های هوش مصنوعی برای برنامه‌نویسان اهمیت دارد؟
هوش مصنوعی مولد تنها به تولید متن، تصویر یا پاسخ به پرسش‌های کاربران محدود نمی‌شود. یکی از مسیرهای مهم توسعه این فناوری، استفاده از مدل‌های هوشمند در کنار ابزارها، داده‌ها و فرایندهای نرم‌افزاری است.
برای برنامه‌نویسان، یادگیری عامل‌های هوش مصنوعی می‌تواند فرصت‌های تازه‌ای در زمینه توسعه محصولات نرم‌افزاری ایجاد کند.
از جمله کاربردهای بالقوه این فناوری می‌توان به موارد زیر اشاره کرد:
- توسعه دستیارهای هوشمند برای پاسخ‌گویی به کاربران
- ایجاد سیستم‌های پرسش‌وپاسخ مبتنی بر اسناد سازمانی
- خودکارسازی بخشی از فرایندهای تکراری کسب‌وکار
- توسعه ابزارهای تحلیل و پردازش اطلاعات
- ساخت نرم‌افزارهای متصل به APIها و سرویس‌های مختلف
- طراحی سیستم‌های چندعاملی برای وظایف پیچیده‌تر
- افزودن قابلیت‌های هوشمند به نرم‌افزارهای موجود
البته استفاده از عامل‌های هوش مصنوعی باید متناسب با نیاز واقعی پروژه، ملاحظات امنیتی، هزینه اجرا و میزان اطمینان موردنیاز انتخاب شود. در بسیاری از کاربردها، یک راهکار ساده مبتنی بر مدل زبانی ممکن است از معماری پیچیده چندعاملی مناسب‌تر باشد.
با این حال، آشنایی با اصول طراحی و پیاده‌سازی عامل‌های هوشمند می‌تواند دانش فنی توسعه‌دهندگان را گسترش دهد و آن‌ها را برای کار با نسل جدید ابزارهای نرم‌افزاری آماده‌تر کند.
جمع‌بندی؛ یادگیری هوش مصنوعی را از منابع معتبر شروع کنید
دوره رایگان AI Agents for Beginners مایکروسافت فرصتی مناسب برای برنامه‌نویسان، دانشجویان و علاقه‌مندان به فناوری است تا با اصول ساخت عامل‌های هوش مصنوعی آشنا شوند.
این مجموعه با پوشش موضوعاتی از مفاهیم پایه تا طراحی، استفاده از ابزارها، معماری چندعاملی، مدیریت حافظه، امنیت و استقرار، می‌تواند نقطه شروع مناسبی برای یادگیری این حوزه باشد.
وجود نسخه فارسی، مثال‌های کدنویسی و منابع تکمیلی نیز به شما کمک می‌کند مسیر یادگیری خود را متناسب با نیازتان انتخاب کنید.
پیشنهاد رادنت: اگر به توسعه نرم‌افزار علاقه‌مند هستید، یادگیری را به مطالعه محدود نکنید. یک درس را انتخاب کنید، مثال‌های آن را اجرا کنید و در ادامه تلاش کنید یک مسئله واقعی را با کمک هوش مصنوعی حل کنید.
همین حالا یادگیری را شروع کنید!
برای دسترسی به محتوای فارسی، مثال‌های کدنویسی و ۱۸ درس آموزشی این مجموعه، به صفحه رسمی دوره مراجعه کنید:
شروع دوره رایگان آموزش عامل‌های هوش مصنوعی مایکروسافت به زبان فارسی
دانلود دوره هوش مصنوعی مایکروسافت
| درس | متن و کد | ویدئو | یادگیری اضافی |
|---|---|---|---|
| معرفی عامل‌های هوش مصنوعی و موارد کاربرد عامل | لینک | ویدئو | لینک |
| بررسی چارچوب‌های عامل هوشمند | لینک | ویدئو | لینک |
| درک الگوهای طراحی عامل هوشمند | لینک | ویدئو | لینک |
| الگوی طراحی استفاده از ابزار | لینک | ویدئو | لینک |
| عامل هوشمند RAG | لینک | ویدئو | لینک |
| ساخت عامل‌های هوش مصنوعی قابل اعتماد | لینک | ویدئو | لینک |
| الگوی طراحی برنامه‌ریزی | لینک | ویدئو | لینک |
| الگوی طراحی چندعاملی | لینک | ویدئو | لینک |
| الگوی طراحی فراشناخت | لینک | ویدئو | لینک |
| عوامل هوش مصنوعی در تولید | لینک | ویدئو | لینک |
| استفاده از پروتکل‌های عاملیت‌مند (MCP, A2A و NLWeb) | لینک | ویدئو | لینک |
| مهندسی زمینه برای عوامل هوش مصنوعی | لینک | ویدئو | لینک |
| مدیریت حافظه عاملیت‌مند | لینک | ویدئو | |
| بررسی قالب عامل مایکروسافت | لینک | ||
| ساخت عوامل استفاده از کامپیوتر (CUA) | لینک | لینک | |
| استقرار عوامل مقیاس‌پذیر | لینک | لینک | |
| ایجاد عوامل هوش مصنوعی محلی | لینک | لینک | |
| ایمن‌سازی عوامل هوش مصنوعی | لینک | لینک |
