![]()
عربی | بنگالی | بلغاری | بریمی (میانمار) | چینی (ساده شده) | چینی (سنتی، هنگ کنگ) | چینی (سنتی، ماکائو) | چینی (سنتی، تایوان) | کرواتی | چکی | دانمارکی | هلندی | استونیایی | فنلاندی | فرانسوی | آلمانی | یونانی | عبری | هندی | مجارستانی | اندونزیایی | ایتالیایی | ژاپنی | کانادا | خمری | کرهای | لیتوانیایی | مالایی | مالایالام | مراتی | نپالی | پیدجین نیجریهای | نروژی | فارسی | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورمخی) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحیلی | سوئدی | تاگالوگ (فیلیپینی) | تامیل | تلوگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی
ترجیح میدهید به صورت محلی کلون کنید؟
این مخزن شامل ترجمه به بیش از ۵۰ زبان است که حجم دانلود را به طور قابل توجهی افزایش میدهد. برای کلون کردن بدون ترجمه، از sparse checkout استفاده کنید:
Bash / macOS / لینوکس:
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'CMD (ویندوز):
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 همه چیز لازم برای کامل کردن دوره را با دانلود بسیار سریعتر به شما میدهد.
اگر میخواهید زبانهای ترجمه اضافی پشتیبانی شوند، آنها را در اینجا مشاهده کنید.
این دوره شامل درسهایی درباره اصول ساخت عاملهای هوش مصنوعی است. هر درس موضوع خاص خود را پوشش میدهد، پس از هر جایی که دوست دارید شروع کنید!
پشتیبانی چند زبانه برای این دوره وجود دارد. به زبانهای موجود اینجا مراجعه کنید.
اگر 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 به این مخزن ستاره (🌟) بدهید و این مخزن را فورک کنید تا کد را اجرا کنید.
اگر گیر کردید یا سوالی درباره ساخت عاملهای هوش مصنوعی داشتید، به کانال دیسکورد اختصاصی ما در Microsoft Foundry Discord بپیوندید.
هر درس در این دوره شامل نمونه کد است، که در پوشه code_samples یافت میشود. میتوانید این مخزن را فورک کنید تا نسخه خودتان را بسازید.
نمونههای کد در این تمرینها از Microsoft Agent Framework با Microsoft Foundry Agent Service V2 استفاده میکنند:
این دوره از فریمورکها و سرویسهای عامل هوش مصنوعی زیر از مایکروسافت استفاده میکند:
برخی نمونههای کد همچنین از ارائهدهندگان سازگار با OpenAI مانند MiniMax که مدلهای با متن طولانی (تا ۲۰۴ هزار توکن) ارائه میدهند، پشتیبانی میکنند. برای جزئیات پیکربندی به راهاندازی دوره مراجعه کنید.
برای اطلاعات بیشتر در مورد اجرای کد این دوره، به راهاندازی دوره مراجعه کنید.
آیا پیشنهاد یا خطایی در املا یا کد یافتهاید؟ یک Issue باز کنید یا یک Pull Request ایجاد کنید
| درس | متن و کد | ویدئو | یادگیری اضافی |
|---|---|---|---|
| معرفی به عاملهای هوش مصنوعی و کاربردهای عامل | لینک | ویدئو | لینک |
| بررسی فریمورکهای عامل هوشمند | لینک | ویدئو | لینک |
| درک الگوهای طراحی عامل هوشمند | لینک | ویدئو | لینک |
| الگوی طراحی استفاده از ابزار | لینک | ویدئو | لینک |
| RAG عامل هوشمند | لینک | ویدئو | لینک |
| ساخت عاملهای هوش مصنوعی قابل اعتماد | لینک | ویدئو | لینک |
| الگوی طراحی برنامهریزی | لینک | ویدئو | لینک |
| الگوی طراحی چند عامله | لینک | ویدئو | لینک |
| الگوی طراحی فراشناخت | Link | Video | Link |
| عاملهای هوش مصنوعی در تولید | Link | Video | Link |
| استفاده از پروتکلهای عاملی (MCP، A2A و NLWeb) | Link | Video | Link |
| مهندسی زمینه برای عاملهای هوش مصنوعی | Link | Video | Link |
| مدیریت حافظه عاملی | Link | Video | |
| کاوش چارچوب عامل مایکروسافت | Link | ||
| ساخت عاملهای استفاده از رایانه (CUA) | Link | Link | |
| پیادهسازی عاملهای مقیاسپذیر | Link | Link | |
| ساخت عاملهای هوش مصنوعی محلی | Link | Link | |
| ایمنسازی عاملهای هوش مصنوعی | Link | Link |
تیم ما دورههای دیگری هم تولید میکند! بررسی کنید:
از Shivam Goyal به خاطر ارائه نمونههای کد مهمی که Agentic RAG را نشان میدهد، سپاسگزاریم.
این پروژه از مشارکتها و پیشنهادات استقبال میکند. اکثر مشارکتها از شما میخواهند که با یک قرارداد مجوز مشارکتکننده (CLA) موافقت کنید که اعلام میکند شما حق دارید و واقعاً این حقوق را به ما میدهید تا از مشارکت شما استفاده کنیم. برای جزئیات، به https://cla.opensource.microsoft.com مراجعه کنید.
هنگامی که یک درخواست کشش ارسال میکنید، ربات CLA بهطور خودکار تعیین میکند که آیا نیاز به ارائه قرارداد دارید یا خیر و درخواست کشش را بهصورت مناسب علامتگذاری میکند (مثلاً بررسی وضعیت، نظر). فقط کافی است دستورالعملهای ارائهشده توسط ربات را دنبال کنید. این کار فقط یکبار در تمام مخازنی که از CLA ما استفاده میکنند لازم است.
این پروژه از کد رفتاری متنباز مایکروسافت پیروی میکند. برای اطلاعات بیشتر، به سؤالات متداول کد رفتار مراجعه کنید یا با opencode@microsoft.com برای هر سؤال یا نظر بیشتری تماس بگیرید.
این پروژه ممکن است شامل علائم تجاری یا لوگوهایی برای پروژهها، محصولات یا خدمات باشد. استفاده مجاز از علامتهای تجاری مایکروسافت مشروط است به و باید طبق رهنمودهای استفاده از علامتهای تجاری و برند مایکروسافت باشد. استفاده از علائم تجاری یا لوگوهای مایکروسافت در نسخههای تغییر یافته این پروژه نباید موجب ایجاد سردرگمی شود یا حمایت مایکروسافت را القا کند. استفاده از هرگونه علامت تجاری یا لوگوی شخص ثالث مشروط به سیاستهای همان اشخاص است.
اگر دچار مشکل شدید یا سوالی در مورد ساخت برنامههای هوش مصنوعی داشتید، بپیوندید به:
اگر بازخوردی درباره محصول داشتید یا هنگام ساخت با خطا مواجه شدید، مراجعه کنید به:
سلب مسئولیت: این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است شامل خطاها یا نادرستیهایی باشند. سند اصلی به زبان مادری خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفهای انسانی توصیه میشود. ما در قبال هرگونه سوء تفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.