مقدمه و آماده‌سازی

چرا اینجاییم؟

قالب دوره و روش انجام تمرین‌ها

ابزارهای مورد استفاده و نقشه راه

شناخت Gemini و اکوسیستم آن

اهداف فصل

مدل‌های زبانی و انتخاب مدل مناسب

آشنایی با Gemini و اکوسیستم توسعه

Long Context و کدنویسی چندوجهی

Gemini و رقبا

Gemini در برنامه‌نویسی کاربردی

پرامپت‌نویسی و Context Engineering

توسعه مبتنی بر مشخصات و پیاده‌سازی ایده

درک کد، Refactoring و مستندسازی

خطایابی و تحلیل لاگ

تولید تست، Code Review و Git

ابزارهای عملی توسعه

کار با Google AI Studio

برنامه‌نویسی با Antigravity

سفارشی‌سازی Antigravity و عامل‌ها

Gemini در Google Colab

توسعه برنامه و Agent با Gemini API

ساخت اولین برنامه با Gemini API

Structured Output، Function Calling و ابزارهای داخلی

Embeddings، File Search و RAG

Live API و برنامه‌های بلادرنگ

ساخت عامل‌ها با ADK

امنیت، انتشار و پروژه پایانی

محدودیت‌ها، امنیت و استفاده مسئولانه

آماده‌سازی برای محیط واقعی

پروژه پایانی و ادامه مسیر

|%video:/video/player/eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJ2aWRlb191cmwiOiJodHRwczovL3N0cmVhbS5xdWVyYXZpZGVvLmlyL2NvbGxlZ2UvN2VmMmUzYmMtMjA5ZS00MzU4LWFhMGItNWJkYjJjNjRmMTMwL3BsYXlsaXN0Lm0zdTgiLCJ0aHVtYm5haWxfdXJsIjoiIiwiZXhwaXJlc19hdCI6MTc4NzE4MzQxMn0.yVfmEfhIy1XdlQ6srUuoGbeZvCcfKaZZwekCiKAidzY%|
|:-:|
|ویدیوی معرفی|

فرض کنید برای اولین‌بار وارد یک پروژه نسبتاً بزرگ شده‌اید. چند پوشه، تعدادی فایل ناآشنا و خطایی که معلوم نیست از کجا آمده است. در چنین موقعیتی، داشتن ابزاری که بتواند کد را بخواند، سؤال‌های ما را پاسخ دهد و برای پیدا کردن مشکل سرنخ بدهد، بسیار مفید است.

مدل‌های هوش مصنوعی دقیقاً می‌توانند در همین نقطه به برنامه‌نویس کمک کنند؛ اما نه به‌عنوان جایگزین دانش فنی یا تصمیم‌گیری ما. خروجی مدل ممکن است ناقص، قدیمی یا حتی کاملاً اشتباه باشد. مهارتی که در این دوره یاد می‌گیریم فقط «پرسیدن از **Gemini**» نیست؛ یاد می‌گیریم چطور اطلاعات درست را در اختیارش قرار دهیم، پاسخ را بررسی کنیم و نتیجه را با کد واقعی بسنجیم.

## در این دوره چه می‌کنیم؟

کار را از نسخه تحت وب **Gemini** و چند مثال ساده شروع می‌کنیم. بعد سراغ استفاده از مدل در کارهای روزمره برنامه‌نویسی می‌رویم: توضیح کد، پیاده‌سازی یک ایده، بازنویسی، خطایابی، نوشتن تست و مرور تغییرات.

در ادامه با محیط‌هایی مانند **Google AI Studio**، **Antigravity** و **Google Colab** کار می‌کنیم. بخش پیشرفته‌تر دوره هم به **Gemini API** اختصاص دارد؛ جایی که مدل دیگر فقط یک چت‌بات نیست و بخشی از برنامه‌ای می‌شود که خودمان ساخته‌ایم.

این مسیر در نهایت به ساخت یک عامل ساده می‌رسد؛ عاملی که می‌تواند از ابزار استفاده کند، اطلاعات یک جلسه را نگه دارد و برای انجام کارهای چندمرحله‌ای برنامه‌ریزی کند.

## سهم ما در این همکاری

هوش مصنوعی می‌تواند سرعت کار را بیشتر کند، ولی مسئولیت نتیجه همچنان با برنامه‌نویس است. اگر مدل تابعی تولید کرد، آن را اجرا می‌کنیم. اگر تغییری روی پروژه پیشنهاد داد، تفاوت فایل‌ها را می‌خوانیم. اگر ادعایی درباره یک کتابخانه مطرح کرد، مستندات رسمی آن را بررسی می‌کنیم.

برای امتحان‌کردن مثال‌ها، یک پروژهٔ کوچک و غیرمحرمانه انتخاب کنید؛ پروژه‌ای که اجرای آن را بلد باشید و بتوانید بدون نگرانی روی آن تغییر آزمایشی انجام دهید. هدف این است که هر بار یک مسئلهٔ کوچک را با کمک مدل بررسی کنیم و نتیجه را خودمان بسنجیم.

اگر در پایان دوره بتوانید تشخیص دهید کجا از **Gemini** کمک بگیرید، چه اطلاعاتی به آن بدهید و چگونه خروجی‌اش را آزمایش کنید، به هدف اصلی دوره رسیده‌اید.

Gemini برای برنامه‌نویسی