آنچه در این دوره می‌آموزید

• مبانی LangGraph و چگونگی ساختاردهی گراف‌های زبان
• ایجاد و مدیریت عوامل پیچیده برای خودکارسازی وظایف
• طراحی جریان‌های کاری ترکیبی با چندین گره (Node) و شرط‌های مختلف
• کار با APIهای مدل‌های زبانی مثل OpenAI، Cohere و مدل‌های متن‌باز
• بهینه‌سازی عملکرد عوامل و کاهش هزینه‌های محاسباتی
• استخراج، فیلتر و تجزیه‌و‌تحلیل داده‌های متنی از منابع گوناگون
• چگونگی لاگ‌برداری و پایش سلامت عامل‌ها در محیط تولید

مزایا و کاربردها

• توسعهٔ سریع و ماژولار سیستم‌های هوشمند بدون نیاز به کدنویسی سنگین
• افزایش دقت و قابلیت تفسیر نتایج با استفاده از گراف‌های منطقی قابل خواندن
• امکان یکپارچه‌سازی سرویس‌های خارجی مثل پایگاه‌های داده، API وب و ابزارهای شخص ثالث
• ساخت ابزارهای اتوماسیون مشتری‌محور، دستیار هوشمند و چت‌بات‌های پیشرفته
• بهبود سطح پاسخگویی به کاربران و کاهش هزینه‌های پشتیبانی
• انعطاف‌پذیری برای تغییر و به‌روزرسانی جریان‌های کاری در هر زمان

پیش‌نیازها

• آشنایی مقدماتی با پایتون و مفاهیم برنامه‌نویسی
• درک مفاهیم پایه‌ای مدل‌های زبانی بزرگ (LLM) و Prompt Engineering
• تجربه کار با APIهای HTTP/REST و مدیریت درخواست‌ها با Requests یا ابزار مشابه
• آشنایی با مفاهیم داده‌های ساختاریافته (JSON، YAML) برای تعریف گراف‌ها
• اصولی سادهٔ مهندسی نرم‌افزار مثل مدیریت نسخه (Git) و محیط‌های مجازی

ساختار و بخش‌های دوره

• بخش ۱: معرفی دوره، نصب و پیکربندی LangGraph
• بخش ۲: اجزای اصلی گراف‌های زبان و نحوهٔ تعریف Nodeها و Edgeها
• بخش ۳: ساخت اولین عامل LLM – از تنظیم Prompt تا اجرای ساده
• بخش ۴: جریان‌های کاری پیشرفته – شرط‌ها، حلقه‌ها و همزمان‌سازی
• بخش ۵: مثال‌های عملی – پاسخگویی به پرسش‌های کاربران و تحلیل احساسات
• بخش ۶: ادغام با پایگاه داده و REST API برای خودکارسازی گزارش‌گیری
• بخش ۷: بهینه‌سازی، آزمون و اشکال‌زدایی گراف‌ها
• بخش ۸: پروژهٔ نهایی – طراحی یک عامل جامع برای مدیریت فرآیند رزرو

مثال‌های عملی

۱. ساخت عامل پاسخ‌گوی هوشمند: این عامل با دریافت ورودی کاربر، سوال او را به مدل LLM ارسال کرده و پاسخ را همراه با خلاصهٔ کلیدی به صورت گرافیافته ارائه می‌دهد. در این مثال، نحوهٔ تعریف Node برای ورود داده، ساخت Prompt پویا و ارسال درخواست به API توضیح داده شده است.

۲. عامل تحلیل احساسات: با ترکیب چندین Node و شرط‌های تصمیم‌گیری، متنی که کاربر ارسال می‌کند تحلیل شده و بر اساس مثبت یا منفی بودن، پیام مناسب نمایش داده می‌شود. این مثال نشان می‌دهد چگونه می‌توان از تابع‌های کمکی برای پیش‌پردازش متن و پاک‌سازی نویسه‌ها استفاده کرد.

۳. پروژه رزرو آنلاین: عاملی طراحی می‌شود که گفتگو با مشتری را مدیریت کرده، تقویم و قیمت‌ها را بررسی و در نهایت درخواست رزرو را در پایگاه داده ثبت می‌کند. این پروژه پیچیدگی‌های ادغام با سرویس‌های خارجی و مدیریت خطا را نیز پوشش می‌دهد.

نکات کلیدی

• استفاده از Nodes برای تقسیم وظایف و جداسازی منطقی گام‌ها.
• طراحی Prompts پویا با پارامترهای قابل تغییر براساس ورودی کاربر.
• پایش و نگهداری لاگ‌ها برای تشخیص گلوگاه‌ها و بهبود مستمر عملکرد عوامل.
• به‌کارگیری اصول امنیتی در مدیریت توکن‌های API و داده‌های حساس کاربران.
• استفاده از ابزارهای تست واحد و یکپارچه برای حفظ کیفیت و پایداری پروژه.