ai-agents-for-beginners
نمایندگان هوش مصنوعی برای مبتدیان - یک دوره آموزشی
دورهای که همه چیزهایی را که برای شروع ساخت نمایندگان هوش مصنوعی نیاز دارید آموزش میدهد
🌐 پشتیبانی چندزبانه
پشتیبانی شده از طریق GitHub Action (خودکار و همواره بهروز)
عربی | بنگالی | بلغاری | برمهای (میانمار) | چینی (ساده شده) | چینی (سنتی، هنگکنگ) | چینی (سنتی، ماکائو) | چینی (سنتی، تایوان) | کرواتی | چکی | دانمارکی | هلندی | استونیایی | فنلاندی | فرانسوی | آلمانی | یونانی | عبری | هندی | مجارستانی | اندونزیایی | ایتالیایی | ژاپنی | کانادا | کرهای | لیتوانیایی | مالایی | مالایالام | مراتی | نپالی | پیجین نیجریهای | نروژی | فارسی | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورمکھی) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحلی | سوئدی | تاگالوگ (فیلیپین) | تامیل | تلگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی
ترجیح میدهید لوکال کلون کنید؟
این مخزن شامل بیش از ۵۰ ترجمه زبان است که اندازه دانلود را به طور قابل توجهی افزایش میدهد. برای کلون بدون ترجمهها، از sparse checkout استفاده کنید:
git clone --filter=blob:none --sparse https://github.com/microsoft/ai-agents-for-beginners.git cd ai-agents-for-beginners git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'این کار همه چیزهایی را که برای تکمیل دوره نیاز دارید با سرعت دانلود بسیار سریعتر به شما میدهد.
اگر مایلید زبانهای ترجمه بیشتری پشتیبانی شود، لیست آنها را اینجا ببینید
🌱 شروع به کار
این دوره شامل درسهایی است که مبانی ساخت نمایندگان هوش مصنوعی را پوشش میدهند. هر درس موضوع خودش را دارد، پس از هر جایی که دوست دارید شروع کنید!
برای این دوره پشتیبانی چندزبانه وجود دارد. به زبانههای موجود اینجا مراجعه کنید.
اگر این اولین بار است که با مدلهای هوش مصنوعی مولد کار میکنید، دوره هوش مصنوعی مولد برای مبتدیان ما را بررسی کنید که شامل ۲۱ درس درباره ساخت با GenAI است.
فراموش نکنید که این مخزن را ستاره (🌟) بدهید و از این مخزن فورک بگیرید تا کد را اجرا کنید.
ملاقات با دیگر فراگیران، پاسخ به سوالات شما
اگر گیر افتادید یا سوالی درباره ساخت نمایندگان هوش مصنوعی داشتید، در کانال اختصاصی دیسکورد ما در Microsoft Foundry Discord عضو شوید.
آنچه نیاز دارید
هر درس در این دوره شامل مثالهای کد است که میتوانید آنها را در پوشه code_samples پیدا کنید. میتوانید این مخزن را فورک کنید تا کپی خودتان را بسازید.
مثالهای کد در این تمرینها از Azure AI Foundry و کاتالوگ مدلهای GitHub برای تعامل با مدلهای زبان استفاده میکنند:
- مدلهای GitHub - رایگان / محدود
- Azure AI Foundry - نیاز به حساب Azure دارد
این دوره همچنین از چارچوبها و سرویسهای نماینده هوش مصنوعی زیر از مایکروسافت استفاده میکند:
- چارچوب نماینده مایکروسافت (MAF) - جدید!
- سرویس نماینده هوش مصنوعی Azure
- هسته معنایی (Semantic Kernel)
- AutoGen
برای اطلاعات بیشتر در مورد اجرای کد این دوره، به راهاندازی دوره مراجعه کنید.
🙏 میخواهید کمک کنید؟
اگر پیشنهادی دارید یا اشتباه املایی یا کدی پیدا کردید، یک مسئله مطرح کنید یا یک درخواست کشش ایجاد کنید
📂 هر درس شامل
- یک درس کتبی واقع در README و یک ویدئوی کوتاه
- نمونه کدهای پایتون که Azure AI Foundry و مدلهای گیتهاب (رایگان) را پشتیبانی میکند
- لینکهایی به منابع اضافی برای ادامه یادگیری شما
🗃️ دروس
| درس | متن و کد | ویدئو | یادگیری اضافی |
|---|---|---|---|
| مقدمهای بر نمایندگان هوش مصنوعی و موارد استفاده آنها | لینک | ویدئو | لینک |
| بررسی چارچوبهای نمایندهای | لینک | ویدئو | لینک |
| درک الگوهای طراحی نمایندگان هوش مصنوعی | لینک | ویدئو | لینک |
| الگوی طراحی استفاده از ابزار | لینک | ویدئو | لینک |
| نمایندهای RAG | لینک | ویدئو | لینک |
| ساخت نمایندگان هوش مصنوعی قابل اعتماد | لینک | ویدئو | لینک |
| الگوی طراحی برنامهریزی | لینک | ویدئو | لینک |
| الگوی طراحی چند نمایندهای | لینک | ویدئو | لینک |
| الگوی طراحی فراشناخت | لینک | ویدیو | لینک |
| عوامل هوش مصنوعی در تولید | لینک | ویدیو | لینک |
| استفاده از پروتکلهای عاملمحور (MCP، A2A و NLWeb) | لینک | ویدیو | لینک |
| مهندسی زمینه برای عوامل هوش مصنوعی | لینک | ویدیو | لینک |
| مدیریت حافظه عاملمحور | لینک | ویدیو | |
| کاوش چارچوب عامل مایکروسافت | لینک | ||
| ساخت عوامل استفاده رایانهای (CUA) | به زودی منتشر میشود | ||
| استقرار عوامل مقیاسپذیر | به زودی منتشر میشود | ||
| ایجاد عوامل هوش مصنوعی محلی | به زودی منتشر میشود | ||
| ایمنسازی عوامل هوش مصنوعی | به زودی منتشر میشود |
🎒 دورههای دیگر
تیم ما دورههای دیگری نیز تولید میکند! بررسی کنید:
LangChain
Azure / Edge / MCP / Agents
سری هوش مصنوعی مولد
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
یادگیری پایه
سری همکار برنامهنویس
🌟 تشکر از جامعه
از Shivam Goyal برای مشارکت نمونههای کد مهم که Agentic RAG را نشان میدهد سپاسگزاریم.
مشارکت
این پروژه از مشارکتها و پیشنهادها استقبال میکند. بیشتر مشارکتها نیازمند آن است که شما با توافقنامه مجوز مشارکتکننده (CLA) موافقت کنید که اعلام میکند شما حق دارید و در واقع این حق را به ما دادهاید که از مشارکت شما استفاده کنیم. برای جزئیات، به https://cla.opensource.microsoft.com مراجعه کنید.
زمانی که درخواست کشش (Pull Request) ارسال میکنید، یک ربات CLA به طور خودکار تشخیص میدهد که آیا نیاز به ارائه CLA دارید یا خیر و بهطور مناسب PR را علامتگذاری میکند (مثلاً بررسی وضعیت، کامنت). فقط کافی است دستورالعملهای ربات را دنبال کنید. شما فقط یک بار برای همه مخازنی که از CLA ما استفاده میکنند، نیاز به انجام این کار دارید.
این پروژه قوانین رفتاری منبع باز مایکروسافت (Microsoft Open Source Code of Conduct) را پذیرفته است. برای اطلاعات بیشتر به سؤالات متداول قوانین رفتاری مراجعه کنید یا با opencode@microsoft.com تماس بگیرید.
علائم تجاری
این پروژه ممکن است شامل علائم تجاری یا لوگوهای پروژهها، محصولات یا خدمات باشد. استفاده مجاز از علائم تجاری یا لوگوهای مایکروسافت تابع و باید مطابق با دستورالعملهای نام و برند مایکروسافت باشد. استفاده از علائم تجاری یا لوگوهای مایکروسافت در نسخههای تغییر یافته این پروژه نباید باعث سردرگمی شود یا وابستگی به مایکروسافت را القا کند. هرگونه استفاده از علائم تجاری یا لوگوهای اشخاص ثالث تابع سیاستهای آن اشخاص ثالث است.
دریافت کمک
اگر گیر کردید یا سوالی درباره ساخت برنامههای هوش مصنوعی دارید، بپیوندید به:
اگر بازخورد محصول یا خطایی هنگام ساخت دارید، به اینجا مراجعه کنید:
سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما برای دقت تلاش میکنیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است شامل خطاها یا عدم دقتهایی باشد. سند اصلی به زبان بومی خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، استفاده از ترجمه حرفهای انسانی توصیه میشود. ما بابت هر گونه سوءتفاهم یا تفسیر نادرست ناشی از استفاده از این ترجمه مسئولیتی نمیپذیریم.