عامل‌های هوش مصنوعی

چطور عامل‌هایی طراحی کنیم که از ابزار استفاده کنند، دقیقاً به‌اندازه‌ی لازم کانتکست به یاد بسپارند، و روی سامانه‌های واقعی کار مفید انجام دهند — نه یک نمایش چت‌بات که در گام دوم از هم می‌پاشد.

بعد از ثبت‌نام با شما تماس می‌گیرم تا پیش‌زمینه‌تان را بسنجیم (کمی برنامه‌نویسی خیلی کمک می‌کند) و زمان‌بندی را انتخاب کنیم.

برای چه کسی است

کمی کد نوشته‌اید (پایتون یا جاوا کافی است). از ChatGPT یا مشابهش استفاده کرده‌اید و می‌خواهید از «یک پرامپت تایپ کن» فراتر بروید. به دکترای یادگیری ماشین نیازی ندارید.

کلاس‌ها چطور برگزار می‌شوند

• جلسه‌های زنده، با یک مخزن که کلون و گسترش می‌دهید
• هر هفته با چیزی که اجرا می‌شود تمام می‌شود: یک ابزار، یک گام بازیابی، یا یک حلقه‌ی کوچک عامل
• فارسی یا انگلیسی، بسته به گروه

نقشه‌ی راه

1. یک LLM واقعاً چه می‌کند — توکن‌ها، پنجره‌ی کانتکست، دما، و خروجی ساختارمند. آن‌قدر مدل ذهنی که بتوانید «چرا این کار را کرد؟» را اشکال‌زدایی کنید.
2. پرامپت‌هایی که شکلشان را حفظ می‌کنند — سیستمی در برابر کاربری، اسکیما، JSONی که تجزیه می‌شود، و حالت‌های خرابی وقتی مدل اسکیما را نادیده می‌گیرد.
3. ابزارها — فراخوانی تابع، دسترسی‌ها، اثرهای جانبی خودتوان (idempotent)، و اینکه چطور آنچه مدل درخواست کرده را لاگ کنیم.
4. حلقه‌ی عامل — برنامه‌ریزی ← کنش ← مشاهده ← توقف. زمان انتظار، بیشینه‌ی گام‌ها، و اینکه کِی یک گردش‌کار نباید عامل باشد.
5. حافظه و RAG — کِی سند بازیابی کنیم، کِی یک خلاصه‌ی کوتاه کافی است، تکه‌تکه‌کردن، و چرا «کل PDF را در پرامپت بریز» شکست می‌خورد.
6. اتصال به سامانه‌های واقعی — APIها، ابزارهای سبک MCP، اسرار، و اینکه نگذاریم مدل تصادفاً به مشتری‌هایتان ایمیل بزند.
7. ارزیابی و تحویل — چند وظیفه‌ی طلایی، ردگیری اجرا، هزینه، و یک رابط کاربری یا CLI سبک که کس دیگری هم بتواند اجرایش کند.

پروژه

یک عامل با دست‌کم دو ابزار بسازید (مثلاً جست‌وجو به‌علاوه‌ی یک API خصوصی یا تقویم). ردگیری‌های اجرا را با هم مرور می‌کنیم: کجا استدلال کرده، کجا حدس زده، و کجا یک if ساده بهتر بود.

بعد از ثبت‌نام

ایمیل و شماره تماستان را بگذارید. تماس می‌گیرم تا درباره‌ی پشته‌ی فعلی‌تان و اینکه آیا سطح این گروه مناسب شماست صحبت کنیم.