مقدمه

پیش‌گفتار

نگاه کلی به کالج Agentic AI

قالب کوئرا کالج

سیستم امتیازدهی و گواهی

مبانی Agentic Work و طرز فکر سیستمی

اهداف فصل

تفاوت چهار سطح AI Chat، Copilot، Agent و Multi-Agent

چهار جزء یک Agent: مدل، ابزار، حلقه، حافظه

حلقهٔ کاری: فکر، عمل، مشاهده، تکرار

تشخیص کار مناسب Agent از کار انسان

چرا Agentها اشتباه می‌کنند

سناریو: یک ردپای واقعی از حلقهٔ کاری

انتخاب مدل

خانواده‌های مدل و تفاوت‌هایشان

تعادل هزینه، کیفیت و سرعت

انتخاب مدل بر اساس نوع کار

کار با چند مدل و مسیریابی مدل

سناریو: یک ربات پشتیبانی با مسیریابی سه‌مدلی

مدیریت مدل

چرا انتخاب زودهنگام ابزار به شکست می‌انجامد

شکستن کار بزرگ به زیرتسک‌های قابل‌واگذاری

نوشتن معیار پذیرش قابل‌سنجش

وابستگی‌ها، محدودیت‌ها و ریسک‌ها

ساختار قرارداد کار: ورودی، خروجی، معیار، مرز

سناریو: قرارداد کار agent پیگیری شبانه

مهندسی پرامپت و دستورِ کار

تفاوت پرامپت چت با دستورِ کارِ Agent

چهار رکن: Role، Goal، Scope و Constraints

خروجی ساختارمند: JSON، جدول، Markdown

استدلال گام‌به‌گام پیش از پاسخ

System Prompt و ارتفاع درست دستورالعمل

سناریو: تشریح یک دستورِ کار

Claude Code: محیط، نشست و ابزارها

آشنایی با Claude Code و جایگاهش میان رقبا

نصب، احراز هویت و اولین نشست Claude Code

آناتومی یک نشست: turn، tool call، چرخه

فضای کاری و مسیرهای کاری در Claude Code

فایل CLAUDE.md و دانش پروژه

مدیریت context با /clear و /compact

خواندن، نوشتن، ویرایش فایل و جست‌وجو با Glob و Grep

اجرا، رهگیری و ایمنی: Bash، TodoWrite و Plan Mode

سناریو: ردپای یک نشست واقعی

مهندسی Skill: بسته‌بندی تخصص

مفهوم Skill و Progressive Disclosure

ساختار پوشهٔ Skill و فایل SKILL.md

نوشتن name و description مؤثر

نوشتن بدنهٔ SKILL.md: دستور، مثال، محدودیت

فیلد allowed-tools و فایل‌های همراه

فراخوانی، دستور اسلش و توزیع Skill

سناریو: دامنهٔ Skill و روش فعال‌سازی

Subagentها و ایزولاسیون Context

چرا یک Agent کافی نیست و ارزش context جدا

تعریف Subagent در .claude/agents

نوشتن description مؤثر برای فعال‌شدن خودکار

مدیریت Subagentها با /agents و عامل‌های آماده

واگذاری و انتقال نتیجه بین Agentها

موازی‌سازی، اولویت scope و دام‌ها

سناریو: اعزام موازی سه بازرس فقط‌خواندنی

الگوهای طراحی Agent

Workflow در برابر Agent: مسیر ثابت یا تصمیم پویا

الگوی Prompt Chaining با Gate کیفیت

الگوهای Routing و Parallelization

الگوی Orchestrator-Workers

الگوی Evaluator-Optimizer و ReAct/Reflection

سناریو: پایپ‌لاین پشتیبانی مشتری

مهندسی Context و حافظه

پنجرهٔ محدود و بودجهٔ token

جداکردن سیگنال از نویز در context

فشرده‌سازی تاریخچه با خلاصه و Compaction

بازیابی به‌موقع به‌جای انباشت

حافظهٔ کوتاه‌مدت و بلندمدت با فایل‌های حافظه

افت کیفیت در context طولانی و مدیریت آن

سناریو: چرخهٔ عمر یک نشست واقعی

کار با داده‌ی چندرسانه‌ای

چطور agent تصویر و PDF را می‌فهمد

استخراج داده از PDF و اسناد اسکن‌شده

تحلیل تصویر و screenshot در workflow

تولید خروجی چندرسانه‌ای: نمودار، جدول، گزارش

سناریو: یک پایپ‌لاین سه‌مسیری استخراج PDF

Workflow، Orchestration و Hooks

تبدیل کار به Pipeline: ترتیبی، موازی، شرطی

دروازهٔ Approval برای نگه‌داشتن انسان در حلقه

خودکارسازی با Hooks در چرخهٔ حیات

انتخاب لایهٔ درست: Hook، Skill، Subagent یا Prompt

مدیریت خطا: Retry، Fallback و Idempotency

زمان‌بندی، اجرای پس‌زمینه و مستندسازی

سناریو: یک pipeline گزارش شبانه

MCP: مصرف و ساخت سرور

مشکلی که MCP حل می‌کند

معماری MCP: server، client، tools، resources

اتصال و پیکربندی MCP‌های پرکاربرد

دسترسی و امنیت با کمترین‌دسترسی

ساخت یک MCP server ساده با ابزار سفارشی

سناریو: یک agent با سه server متصل

الگوهای کاربردی در حوزه‌های مختلف

سناریوی مارکتینگ: از تحقیق تا تقویم محتوا

سناریوی محصول: از بازخورد تا PRD

سناریوی فریلنسر: پروپوزال و پیگیری

سناریوی تحلیل داده: از فایل خام تا گزارش مدیریتی

ترکیب همه‌چیز: یک سیستم زنده

سناریو: جدول تصمیم چهار سناریو

ارزیابی، عیب‌یابی و Observability

چرا ارزیابی خروجی Agent سخت است

ساخت مجموعهٔ تست با موارد لبه Eval Dataset

روبریک و داوری با LLM-as-Judge

عیب‌یابی سیستم‌های Agentic و ردیابی خطا

پایش هزینه و تأخیر با Observability

سناریو: یک ردپای واقعی از خط لولهٔ پشتیبانی

Production: هزینه، امنیت و استقرار

از Prototype تا Production: چه چیزی سیستم را آماده می‌کند؟

کاهش هزینه: چهار اهرم از Prompt Caching تا مسیریابی مدل

تزریق پرامپت و نشت داده: حمله‌ها و دفاع‌ها Prompt Injection

قفس، قفل و قانون: حاکمیت Agent در Production

استقرار و تحویل سیستم به تیم

سناریو: سیستم تیکت‌یار

![کاور دوره: آموزش عملی Agentic AI](/qbox/download/2cLmbHvJvY/cover.svg)

تا همین چند وقت پیش، هوش مصنوعی برای بیشتر ما یعنی یک چت‌بات: سؤالی می‌پرسیدید و پاسخ می‌گرفتید. اما نسل تازه‌ای از سیستم‌ها از این مرز عبور کرده است؛ سیستم‌هایی که به‌جای «فقط حرف زدن»، **کار انجام می‌دهند**: فایل می‌خوانند و می‌نویسند، دستور اجرا می‌کنند، به سرویس‌های بیرونی وصل می‌شوند، نتیجهٔ کار خودشان را می‌سنجند و تا رسیدن به هدف ادامه می‌دهند. به این سیستم‌ها ***agent*** می‌گویند و به این سبک کار ***Agentic AI*** گفته می‌شود.

تفاوت این دو دنیا را در یک مثال ساده ببینید: جمع‌آوری دادهٔ فروش هفتگی، نوشتن خلاصه و ارسال آن به تیم. در روش قدیمی، شما تک‌تک مراحل را خودتان انجام می‌دهید؛ در روش *agentic،* فقط هدف را توصیف می‌کنید و *agent* مراحل را خودش پیش می‌برد:

![یک سه‌شنبهٔ معمولی، به دو روش: انجام دستی همهٔ مراحل در برابر توصیف هدف به agent](/qbox/download/uZP4twumBY/old-vs-agentic.svg)

+ اما یک *agent* خوب چگونه ساخته می‌شود؟
+ چه فرقی بین یک *workflow* ثابت و یک *agent* با تصمیم‌گیری پویا وجود دارد؟
+ چطور می‌توان به مدل، ابزار و حافظه داد بدون این‌که از کنترل خارج شود؟
+ و چگونه ابزارهایی مثل *Claude Code* این مفاهیم را به یک محیط کاری واقعی تبدیل می‌کنند؟


در این دوره به همه‌ی سوالات بالا پاسخ داده می‌شود و اکنون که این درسنامه را مطالعه می‌کنید بهترین فرصت برای یادگیری این موضوع است! چون ساختن *agent* تا همین اواخر، کار تیم‌های تحقیقاتی بود. امروز سه قطعه هم‌زمان کنار هم قرار گرفته‌اند و این یعنی بهترین زمان برای یادگیری، همین حالاست:
+ مدل‌های به‌اندازهٔ کافی توانمند،
+ ابزارهای پخته‌ای مثل *Claude Code* و *MCP*
+ الگوهای اثبات‌شده‌ای که تیم‌های واقعی در *production* آزموده‌اند.

![چرا الان زمان درست ساختن agent است: مدل‌های توانمند، ابزار پخته و الگوهای اثبات‌شده](/qbox/download/qA6h1h3NGn/why-now.svg)

## این دوره برای چه کسانی است؟

این دوره فقط برای برنامه‌نویس‌ها نوشته نشده است. اگر بخشی از هفتهٔ کاری شما با فایل، متن، داده یا گزارش می‌گذرد، جای درستی آمده‌اید. توسعه‌دهنده، تحلیلگر داده، مدیر محصول، بازاریاب، نویسنده یا فریلنسر؛ همهٔ این‌ها از داشتن یک *agent* شخصی سود می‌برند. پیش‌نیاز دوره نیز ساده است، با کامپیوتر و ابزارهایی مثل ***ChatGPT*** یا ***Claude*** آشنا باشید.

![مخاطبان دوره: شش پرسونای حرفه‌ای حول یک agent مرکزی](/qbox/download/ffggvq41Zw/audience.svg)

 این دوره را طوری طراحی کرده‌ایم که هم عمیق و ساختاریافته باشد و هم جذاب و کاملاً عملی. در این دوره از صفر شروع می‌کنیم و قدم‌به‌قدم با مفاهیم اصلی مانند اجزای یک *agent*، انتخاب مدل، مهندسی پرامپت و کار با ***Claude Code*** آشنا می‌شوید.همچنین هر مفهوم را با مثال‌های دنیای واقعی و سناریوهای عملی آموزش می‌دهیم؛ از ساخت *Skill* و *Subagent* تا اتصال به سرویس‌های بیرونی با ***MCP***.

اگر پیش‌تر دوره‌های هوش مصنوعی دیگری دیده‌اید، این مقایسه نشان می‌دهد رویکرد این دوره در کجاها متفاوت است:

![تفاوت این دوره با دوره‌های متعارف هوش مصنوعی](/qbox/download/Cnms0JUjxZ/this-vs-others.svg)

## در این دوره به چه سوالاتی پاسخ می‌دهیم؟

- یک *agent* واقعاً چیست و چه فرقی با یک چت‌بات معمولی دارد؟
- یک *agent* از چه اجزایی ساخته می‌شود؟ (مدل، ابزار، حلقه و حافظه)
- برای هر کار، کدام مدل را انتخاب کنیم تا تعادل هزینه، کیفیت و سرعت حفظ شود؟
- ‏*Claude Code* چگونه کار می‌کند و چطور می‌توان آن را با *Skill* و *Subagent* گسترش داد؟
- یک *agent* چگونه به دنیای بیرون وصل می‌شود؟ (داستان *MCP*)
- چگونه یک سیستم *agentic* را ارزیابی، عیب‌یابی و آمادهٔ *production* کنیم؟

و ده‌ها سؤال دیگر که به شما کمک می‌کند مهم‌ترین تحول امروز دنیای نرم‌افزار را عمیقاً درک کنید.

آموزش عملی Agentic AI