دوره ایجنت‌های هوش مصنوعی حرفه‌ای با JavaScript: آموزش LangChain و LangGraph

آنچه یاد خواهید گرفت: طراحی، ساخت و عرضه ایجنت‌های هوش مصنوعی در سطح تولید با استفاده از LangChain.js ،LangGraph.js و TypeScript/JavaScript مدرن پیاده‌سازی پروژه‌های واقعی: ایجنت جستجوی وب، چت مستندات (RAG)، ابزارهای کد محور و گردش‌کارهای ایجنت‌محور با APIهای تمیز و قابل تست تسلط به الگوهای JSON-first، اسکیماهای Zod، فراخوانی ابزار و خروجی‌های ساختاریافته برای قابل اطمینان، قابل اشکال‌زدایی و قابل مشاهده کردن ایجنت‌ها استقرار و نظارت بر ایجنت‌ها با استفاده از LangSmith و LangGraph Cloud، ادغام با رابط‌های کاربری Next.js و آماده‌سازی برای استفاده واقعی در محیط تولید پیش‌نیازهای دوره مبانی JavaScript/TypeScript و Node.js (توابع،async/await ،npm). آشنایی با Git ،REST APIs ،JSON، متغیرهای محیطی و VS Code (یا موارد مشابه). دانش اولیه React/Next.js مفید است اما اجباری نیست؛ چگونگی ادغام‌ها در دوره آموزش داده می‌شود. نیازی به دانش قبلی ML/AI نیست. توضیحات دوره بیشتر دوره‌های LangChain و LangGraph اولویت را به پایتون می‌دهند. این دوره از پایه برای مهندسان JavaScript و TypeScript ساخته شده است که سیستم‌های ایجنتی واقعی و قابل عرضه می‌خواهند، نه دموهای گسسته. شما مجموعه‌ای از پروژه‌های سرتاسری را خواهید ساخت که چگونگی ارائه ویژگی‌های هوش مصنوعی توسط تیم‌های مدرن را منعکس می‌کند: کد TypeScript تمیز، APIهای شفاف، قراردادهای JSON، ارکستراسیون LangGraph، RAG، وکتور استورهای مناسب و فرانت‌اندهای واقعی Next.js که به ایجنت‌های واقعی متصل هستند. در پایان، شما دقیقاً خواهید دانست که چگونه مسیر ایده ← طراحی ← پیاده‌سازی ← مشاهده‌پذیری ← استقرار را در اکوسیستم JS طی کنید. در اینجا آنچه در فاز 1 پوشش داده می‌شود آمده است: مقدمه و ذهنیت این دوره چگونه کار می‌کند، چه هست / چه نیست، و چگونگی دنبال کردن آن انتخاب هوشمندانه مدل‌ها (OpenAI / Gemini / Groq / local) برای هزینه، سرعت و قابلیت اطمینان چگونه همه پروژه‌ها به یک «پلتفرم ایجنت» قابل استفاده مجدد که می‌توانید آن را توسعه دهید، متصل می‌شوند؟ اصول: LangChain، ایجنت‌ها و جریان معماری اپلیکیشن هوش مصنوعی مدرن: رابط کاربری ← ارکستراسیون ← مدل‌ها ← ابزارها ← ذخیره‌سازی تعریف ساده و صادقانه ایجنت‌های هوش مصنوعی و موارد استفاده در دنیای واقعی زنجیره‌ها در مقابل ایجنت‌ها: چه زمانی یک زنجیره کافی است، چه زمانی یک ایجنت ارزشش را دارد؟ جایگاه LangChain.js کجاست، جایگاه LangGraph.js کجاست و چگونه با هم کار می‌کنند؟ تیزر ذهنیت JSON-first: چرا رشته‌ها دروغ می‌گویند و اسکیماها نجاتتان می‌دهند. آشنایی و پروژه «ایجنت سلام» راه‌اندازی پروژه TS/Node ،tsconfig، الگوهای env، اسکریپت‌ها راه‌اندازی چند ارائه‌دهنده: OpenAI ،Gemini ،Groq از طریق یک کارخانه ارائه‌دهنده واحد اولین تابع «ایجنت سلام» که مانند یک اصل بک‌اند تمیز اجرا می‌شود، نه یک اسکریپت اسباب‌بازی اصول LLM: رویکرد JSON-First توکن‌ها، پنجره‌های context، تفکر آگاه به هزینه تنظیمات نمونه‌برداری: temperature ،top_p، max_tokens به زبان عملی چت در مقابل ابزارها؛ چرا خروجی‌های ساختاریافته بر پرامپت‌های تک‌کاره برتری دارند؟ اسکیما‌های Zod به عنوان قرارداد برای هر پاسخ. استراتژی‌های اعتبارسنجی ← تعمیر ← جایگزین برای پایدار نگه داشتن ایجنت‌ها پروژه کوچک JSON-First پیاده‌سازی یک پایپ‌لاین پرسش و پاسخ دقیق در TypeScript با: مدیریت متمرکز env. رپر قابل استفاده مجدد LLM نقطه ورود CLI که JSON تضمین شده برمی‌گرداند، آماده برای هر فرانت‌اند اصول LangChain.js چرا به جای SDKهای خام از LangChain.js استفاده کنیم؟ قالب‌های پرامپت، مدل‌ها، پارسرهای خروجی در JS. موارد قابل اجرا و LCEL مانند (RunnableSequence، RunnableMap) به عنوان مدل ذهنی شما فراخوانی ابزار با اسکیماها، رفتار قطعی با temperature پایین اصول فراخوانی ابزار: جستجو نسخه 1 (LCEL) طراحی یک ایجنت جستجو که انتخاب می‌کند: پاسخ مستقیم در مقابل مسیر جستجوی وب. پیاده‌سازی: اسکیماهای تایپ‌دی برای نتایج جستجو، باز کردن URL و خلاصه‌ها ادغام Tavily (یا مشابه) از طریق ابزارهای LangChain. پایپ‌لاین LCEL که مسیریابی، دریافت، خلاصه‌سازی و بازگرداندن JSON دقیق را انجام می‌دهد. ارائه به صورت اندپوینت /search HTTP و اتصال به یک رابط کاربری ساده Next.js اصول RAG توضیح واضح و بدون اصطلاحات پیچیده درباره RAG فازهای جذب در مقابل کوئری؛ تکه‌تکه کردن و امبدینگ‌ها مفاهیم وکتور استور: جستجوی شباهت، متادیت، top-k کجا «RAG سبک» کافی است در مقابل چه زمانی به زیرساخت سنگین نیاز دارید؟ RAG سبک: پروژه دستیار مستندات ساخت یک سیستم RAG کوچک در JS: تکه‌تکه کننده مبتنی بر کاراکتر. وکتور استور درون‌حافظه‌ای با امبدینگ‌های قابل اتصال (OpenAI/Gemini). APIهای /kb/ingest ،/kb/ask ،/kb/reset پاسخ‌های دارای ارجاع با امتیاز اطمینان تب رابط کاربری Next.js: چسباندن مستندات ← پرسیدن سوالات ← مشاهده پاسخ‌های مستند + منابع اصول LangGraph چرا LCEL به تنهایی برای ایجنت‌های پیچیده کافی نیست؟ وضعیت، گره‌ها، یال‌ها: یک مدل ذهنی بصری JS. جریان‌های خطی (اعتبارسنجی ← برنامه‌ریزی ← عمل ← نهایی‌سازی) شاخه‌بندی، تلاش‌های مجدد، حداکثر تکرار و مرزهای خطا چک‌پوینت گذاری، بازپخش و تاییدهای انسان در حلقه پروژه ارکستراسیون LangGraph پیاده‌سازی یک گراف واقعی LangGraph.js: وضعیت تایپ‌دی در types.ts گره‌ها: اعتبارسنجی، برنامه‌ریزی، تایید، اجرا، نهایی‌سازی مسیر HTTP برای اجرای گراف؛ رابط کاربری Next.js برای بررسی نتایج نمایش اینکه چگونه ابزارهای LangChain به طور تمیز به گره‌های LangGraph متصل می‌شوند. استقرار و مشاهده ایجنت‌ها (LangSmith + LangGraph Cloud) چرا ردیابی و مشاهده‌پذیری در تولید اجباری هستند؟ اتصال ایجنت‌های JS شما به LangSmith برای لاگ‌ها، اسپن‌ها، خطاها و پرامپت‌ها استقرار یک گراف LangGraph در LangGraph Cloud تست از طریق API + جریان‌های HITL (تایید/رد) RAG ایجنتی با دیتابیس وکتور (به سبک Mongo/Supabase) تبدیل RAG + ابزارها به یک ایجنت شبه‌تولید تکه‌تکه کردن ← امبد کردن ← Upsert در یک وکتور استور واقعی پرسش ← بازیابی ← خلاصه‌سازی با ارجاعات و اطمینان افزودن ابزارهایی مانند ماشین حساب، برنامه‌ریز تاریخ، خلاصه‌سازی استفاده از createAgent / ابزارها با سیاست‌های سخت‌گیرانه (ارجاع در صورت استفاده، بدون منابع توهمی) اتصال آن به رابط کاربری Next.js و نمایش اینکه چگونه می‌تواند ربات‌های پشتیبانی، کوپایلوت‌های داخلی یا ویژگی‌های SaaS را تغذیه کند. در طول دوره شما یک معماری جاوا اسکریپت منسجم را مشاهده خواهید کرد، همراه با توضیحات مفصل و الگوهای تولیدمحور که می‌توانید مستقیماً در محصولات خود یا کارهای مشتری استفاده کنید. این دوره برای چه کسانی مناسب است؟ توسعه‌دهندگان JavaScript/TypeScript که می‌خواهند ایجنت‌های هوش مصنوعی واقعی بسازند، نه چت‌بات‌های اسباب‌بازی مهندسان فول‌استک، بک‌اند و Next.js که آماده‌اند مهارت‌های LangChain.js ،LangGraph.js ،RAG و فراخوانی ابزار را به جعبه‌ابزار تولید خود اضافه کنند. توسعه‌دهندگانی که از محتوای هوش مصنوعی مختص پایتون می‌آیند و مسیری بومی JS و فریم‌ورک محور برای عرضه برنامه‌های ایجنتی می‌خواهند. رهبران فنی، هکرهای مستقل و سازندگان SaaS که به صحت، APIهای JSON-first، مشاهده‌پذیری و معماری‌های قابل استقرار اهمیت می‌دهند—نه فقط دموها.