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

در این دوره، بسته به موضوع هر فصل، از چند ابزار مختلف استفاده می‌کنیم. لازم نیست همه آن‌ها را از همین حالا نصب کنید؛ در شروع هر بخش، مراحل آماده‌سازی همان ابزار توضیح داده می‌شود.

نام مدل‌ها، سهمیه رایگان و امکانات هر سرویس ممکن است تغییر کند. برای همین، روش کار را یاد می‌گیریم و اطلاعات متغیر را از صفحه رسمی همان محصول می‌خوانیم.

## ۱. محیط توسعه **Visual Studio Code**

ابزار **Visual Studio Code** یا **VS Code** یک ویرایشگر کد رایگان و چندسکویی است. در بخش‌های مربوط به مدیریت فایل‌های پروژه و ساخت برنامه با **Gemini API** می‌توانیم از آن استفاده کنیم؛ با این حال، انتخاب ویرایشگر اجباری نیست و محیط توسعه دلخواه شما هم مناسب است.

|![نمای محیط توسعه کد](https://quera.org/qbox/download/K21LThyyjO/vscode.png)|
|:-:|
|محیط توسعه **Visual Studio Code**|

نسخه مناسب سیستم‌عامل خود را از [صفحه رسمی دانلود **Visual Studio Code**](https://code.visualstudio.com/download) دریافت کنید.

## ۲. نسخه تحت وب **Gemini**

نسخه وب **Gemini** برای گفت‌وگو درباره کد، بررسی فایل‌ها، توضیح خطا و مقایسه چند راه‌حل مناسب است. در فصل‌های ابتدایی بیشتر تمرین‌ها را از همین‌جا شروع می‌کنیم.

|![نمونه‌ای از خروجی تعاملی مدل](https://quera.org/qbox/download/YFkBBlr6jl/Gemini.png)|
|:-:|
|نمونه‌ای از ساخت یک نمایش تعاملی با یک درخواست متنی در نسخهٔ وب **Gemini**|

کد محرمانه، رمز عبور، کلید دسترسی یا اطلاعات کاربران را در گفت‌وگو قرار ندهید. برای تمرین از پروژه‌ای استفاده کنید که داده حساس ندارد.

## ۳. محیط **Google AI Studio**

محیط **Google AI Studio** برای آزمایش سریع مدل‌ها و پرامپت‌ها ساخته شده است. در این محیط می‌توانیم فایل و تصویر اضافه کنیم، تنظیمات مدل را تغییر دهیم، تعداد توکن‌ها را ببینیم و کد اولیه یک درخواست **API** را دریافت کنیم.

|![نمای صفحهٔ آغاز محیط آزمایش مدل](https://quera.org/qbox/download/wUZzDyo32j/AIStudio.png)|
|:-:|
|صفحهٔ خانهٔ **Google AI Studio** و دسترسی سریع به پروژه‌ها و ابزارها|

وقتی به فصل ابزارها رسیدیم، یک پرامپت را در [**Google AI Studio**](https://aistudio.google.com/) آزمایش و همان تنظیمات را به کد تبدیل می‌کنیم.

## ۴. محیط عامل‌محور **Antigravity**

در یک چت معمولی، مدل پیشنهاد می‌دهد و ما تغییر را انجام می‌دهیم. در **Antigravity** عامل می‌تواند با اجازه ما فایل‌ها را بخواند، برنامه‌ای برای انجام کار بنویسد، چند فایل را تغییر دهد، دستور اجرا کند و نتیجه تست را نشان دهد.

|![نمای محیط عامل‌محور](https://quera.org/qbox/download/tpQs8nAyhp/Antigravity.png)|
|:-:|
|صفحهٔ اصلی **Antigravity 2.0** برای مدیریت پروژه‌ها و گفت‌وگوهای عامل‌ها|

در این بخش یاد می‌گیریم قبل از تأیید هر تغییر، برنامه عامل، فایل‌های درگیر و تفاوت کد را بررسی کنیم. همچنین با **Rules**، **Workflows**، **Skills**، **Plugins** و اتصال ابزارها با **MCP** آشنا می‌شویم.

## ۵. محیط **Google Colab**

ابزار **Google Colab** یک محیط تحت وب برای نوشتن و اجرای کد **Python** در قالب **Notebook** است. برای مثال‌های کوتاه، تحلیل داده و آزمایش کد بدون نصب محلی گزینه مناسبی است.

|![نمای محیط دفترچه محاسباتی](https://quera.org/qbox/download/Uuu0dgcBkX/Colab.png)|
|:-:|
|نمایی از محیط آمادهٔ اجرای **Notebook** در **Google Colab**|

در درس مربوط به **Colab** می‌بینیم چطور کد پیشنهادی مدل را پیش از اجرا بخوانیم و کلید **API** را بدون قرار دادن در سلول عمومی نگه داریم.

## ۶. **Gemini API**

در فصل پنجم از **Gemini API** برای اضافه‌کردن قابلیت‌های مدل به برنامه خودمان استفاده می‌کنیم. مثال‌ها با کتابخانه رسمی **Google GenAI SDK** نوشته می‌شوند و موضوعاتی مانند خروجی ساخت‌یافته، **Function Calling**، جست‌وجو در فایل‌ها، **RAG** و **Live API** را پوشش می‌دهند.

| ![صفحه مدیریت کلیدهای Gemini API در Google AI Studio](https://quera.org/qbox/download/NIALm03vrC/API.png) |
| :---: |
| صفحه مدیریت و ساخت کلید **Gemini API** در **Google AI Studio** |

برای شروع این بخش به یک کلید **API** نیاز داریم. کلید را فقط در متغیر محیطی یا محل نگهداری امن قرار می‌دهیم؛ نه داخل کد، تصویر صفحه یا مخزن **Git**. مرجع این بخش [راهنمای رسمی **Gemini API**](https://ai.google.dev/gemini-api/docs) است.

## ۷. **Git** و **GitHub**

وقتی هوش مصنوعی چند فایل را تغییر می‌دهد، باید بتوانیم دقیقاً ببینیم چه چیزی عوض شده است. **Git** این امکان را می‌دهد که تفاوت‌ها را مرور کنیم، تغییر ناخواسته را برگردانیم و نسخه سالم پروژه را نگه داریم. **GitHub** نیز برای نگهداری مخزن و مرور تغییرها در قالب **Pull Request** مفید است.

|![نمای محیط یک مخزن کد](https://quera.org/qbox/download/TZBAWFXH4K/Github.png)|
|:-:|
|مدیریت مخزن در **GitHub**|

## تغییردهنده **DNS** یا تغییردهنده **IP**

بنا به سیاست‌گذاری شرکت **Google**، سرویس‌های اصلی **Gemini** برای افراد مقیم ایران محدودیت دسترسی دارند. بنابراین برای استفاده از بعضی بخش‌های عملی ممکن است به یک تغییردهنده **DNS** یا ابزار تغییر **IP** نیاز داشته باشید. ابزار انتخابی باید معتبر، امن و پایدار باشد و بهتر است موقعیت اتصال هنگام کار با حساب **Google** مدام تغییر نکند.

رمز حساب، کد تأیید یا کلید **API** را در اختیار هیچ ابزار تغییر **IP** قرار ندهید. اگر موقتاً به سرویس آنلاین دسترسی نداشتید، نمونه‌های آفلاین درس‌ها کمک می‌کنند منطق اصلی را بدون اتصال به مدل بررسی کنید.

فعلاً داشتن یک ویرایشگر کد، **Git** و یک پروژه کوچک غیرمحرمانه کافی است. ابزارهای دیگر را سر زمان خودشان آماده می‌کنیم.

Gemini برای برنامه‌نویسی