دوره ایجنت‌های هوش مصنوعی آماده تولید با جاوااسکریپت: LangChain و LangGraph

آنچه یاد خواهید گرفت: طراحی، ساخت و انتشار ایجنت‌های هوش مصنوعی در سطح تولید با استفاده از LangChain.js و LangGraph.js و TypeScript و JavaScript مدرن پیاده‌سازی پروژه‌های واقعی: ایجنت‌ جستجوی وب، چت با مستندات (RAG)، ابزارهای مبتنی بر کد و گردش‌کارهای عاملی با APIs تمیز و قابل‌تست. تسلط به الگوهای JSON-first، اسکیماهای Zod، فراخوانی ابزار و خروجی‌های ساختاریافته برای قابل‌اعتماد، قابل‌ اشکال‌زدایی و قابل‌ مشاهده کردن ایجنت‌ها استقرار و نظارت بر ایجنت‌ها با LangSmith و LangGraph Cloud، یکپارچه‌سازی با رابط‌های کاربری Next.js و آماده‌سازی برای استفاده واقعی در تولید پیش‌نیازهای دوره آشنایی پایه با JavaScript و TypeScript و Node.js (توابع، async/await و npm) آشنایی با Git و REST APIs و JSON، متغیرهای محیطی و VS Code (یا ابزار مشابه) دانش پایه React و Next.js مفید است اما الزامی نیست؛ یکپارچه‌سازی‌ها را مرحله‌به‌مرحله توضیح می‌دهیم. هیچ پیش‌زمینه‌ای در ML و AI لازم نیست. توضیحات دوره بیشتر دوره‌های LangChain و LangGraph ابتدا برای پایتون طراحی شده‌اند. این دوره از پایه برای مهندسان JavaScript و TypeScript ساخته شده که به‌ دنبال سیستم‌های عاملی واقعی و قابل‌انتشار، نه دموهای جدا از هم، هستند. شما مجموعه‌ای از پروژه‌های end-to-end می‌سازید که شبیه همان روشی هستند که تیم‌های مدرن قابلیت‌های هوش مصنوعی را منتشر می‌کنند: کد تمیز TypeScript و APIs شفاف، قراردادهای JSON، ارکستراسیون LangGraph و RAG و vector stores مناسب و فرانت‌اندهای واقعی Next.js که به ایجنت‌های واقعی متصل شده‌اند. در پایان دوره، دقیقاً می‌دانید چگونه در اکوسیستم JS از ایده → طراحی → پیاده‌سازی → مشاهده‌پذیری → استقرار پیش بروید. در فاز 1 این موارد را پوشش می‌دهیم: مقدمه و ذهنیت این دوره چگونه کار می‌کند، چه چیزهایی هست و چه چیزهایی نیست، و چگونه باید آن را دنبال کنید. انتخاب هوشمندانه مدل‌ها (OpenAI و Gemini و Groq و محلی) بر اساس هزینه، سرعت و قابلیت اطمینان اینکه همه پروژه‌ها چگونه به یک «agent platform» قابل‌استفاده مجدد متصل می‌شوند که می‌توانید آن را گسترش دهید. اصول: LangChain، ایجنت‌ها و Flow معماری مدرن اپلیکیشن‌های هوش مصنوعی: UI → ارکستراسیون → مدل ها → ابزارها → ذخیره‌سازی تعریف ساده و دقیق از ایجنت هوش مصنوعی و کاربردهای واقعی آن زنجیره‌ها در برابر ایجنت‌ها: چه زمانی زنجیره LangChain.js کجا به‌کار می‌آید، LangGraph.js کجا مناسب است و چگونه با هم کار می‌کنند؟ اشاره‌ای به ذهنیت JSON-first: چرا رشته‌ها قابل‌اعتماد نیستند و اسکیماها نجات‌دهنده‌ هستند؟ آشنایی اولیه و پروژه «Hello Agent» راه‌اندازی پروژه TS/Node و tsconfig و الگوهای env و اسکریپت‌ها راه‌اندازی چند ارائه‌دهنده: OpenAI و Gemini و Groq از طریق یک provider factory واحد اولین تابع «Hello Agent» که مثل یک primitive تمیز بک اند اجرا می‌شود، نه یک اسکریپت آزمایشی اصول LLM: رویکرد JSON-First توکن‌ها، پنجره‌های کانتکس و تفکر مبتنی بر هزینه پارامترهای نمونه‌برداری (دما و top_p و max_tokens) در عمل چت در برابر ابزارها؛ چرا خروجی ساختاریافته از پرامپت‌های موردی بهتر است؟ اسکیماهای Zod به‌ عنوان قرارداد برای هر پاسخ استراتژی‌های validate → repair → fallback برای پایدار نگه‌داشتن ایجنت‌ها پروژهٔ کوچک JSON-First پیاده‌سازی پایپ لاین سخت‌گیرانه Q&A در TypeScript با: مدیریت متمرکز env. Wrapper قابل‌استفاده مجدد برای LLM ورودی CLI که JSON تضمین‌ شده برمی‌گرداند و برای هر فرانت‌اند آماده است. اصول LangChain.js چرا به‌ جای استفاده صرف از SDKs خام، از LangChain.js استفاده کنیم؟ قالب‌های پرامپت، مدل ها و تجزیه‌گرهای خروجی در JS Runnables و LCEL (RunnableSequence و RunnableMap) به‌ عنوان مدل ذهنی شما فراخوانی ابزار با اسکیماها و رفتار قطعی با دمای پایین فراخوانی ابزار 101: Search v1 (LCEL) طراحی یک ایجنت جستجو که تصمیم می‌گیرد: پاسخ مستقیم یا مسیر جستجوی وب پیاده‌سازی: اسکیماهای دارای تایپ برای نتایج جستجو، open-url و خلاصه‌ها یکپارچه‌سازی Tavily (یا مشابه آن) از طریق ابزارهای LangChain پایپ‌لاین مبتنی بر LCEL که مسیر را انتخاب می‌کند، داده را می‌گیرد، خلاصه می‌کند و JSON سخت‌گیرانه برمی‌گرداند. ارائه به‌صورت اندپوینت search HTTP/ و اتصال آن به یک UI ساده Next.js اصول RAG توضیح روشن و بدون حرف روز از RAG فازهای جذب در برابر کوئری؛ chunking و تعبیه‌ها مفاهیم vector store: شباهت جستجو و متادیتا و top-k اینکه چه زمانی «light RAG» کافی است و چه زمانی به زیرساخت سنگین نیاز دارید. Light RAG: پروژهٔ Docs Helper ساخت سیستم RAG کوچک در JS: chunker مبتنی بر کاراکتر vector store در حافظه با تعبیه های قابل‌تعویض (OpenAI و Gemini) kb/ingest APIs و /kb/ask و /kb/reset پاسخ‌های مستندشده با citation و امتیاز اطمینان تب UI در Next.js: قرار دادن مستندات، پرسیدن سؤال و مشاهده پاسخ‌های grounded همراه با منابع اصول LangGraph چرا LCEL به‌ تنهایی برای ایجنت‌های پیچیده کافی نیست؟ State و nodes و edges: یک مدل ذهنی شهودی در JS جریان‌های خطی (اعتبارسنجی → برنامه‌ریزی → اقدام → نهایی‌سازی) برنچینگ، retry و max-iterations و مرزهای خطا checkpointing و replay و تأییدهای انسان در حلقه پروژه ارکستراسیون LangGraph پیاده‌سازی گراف واقعی در LangGraph.js: state دارای تایپ‌ در types.ts Nodes: اعتبارسنجی، برنامه‌ریزی، تایید، اجرا و نهایی‌سازی مسیر HTTP برای اجرای گراف - UI در Next.js برای بررسی نتایج نشان می‌دهیم که ابزارهای LangChain چگونه به‌ صورت تمیز در LangGraph nodes قرار می‌گیرند. استقرار و مشاهده‌پذیری ایجنت‌ها (LangSmith + LangGraph Cloud) چرا tracing و مشاهده‌پذیری در تولید الزامی هستند. اتصال ایجنت‌های JS به LangSmith برای لاگ‌ها، spans، خطاها و پرامپت‌ها استقرار گراف در LangGraph Cloud تست از طریق API و جریان‌های HITL (تایید و انکار) Agentic RAG با پایگاه داده برداری (سبک Mongo و Supabase) تبدیل RAG و ابزارها به یک ایجنت نزدیک به تولید: chunk → تعبیه → upsert در یک vector store واقعی پرسش → بازیابی → خلاصه‌سازی با استناد و اعتمادبه‌نفس افزودن ابزارهایی مثل ماشین‌حساب و پلنر تاریخ و خلاصه‌سازی استفاده از createAgent و ابزارها با سیاست‌های سخت‌گیرانه (cite-if-used، بدون منبع ساختگی) اتصال آن به UI در Next.js و نمایش اینکه چگونه می‌تواند پشت‌صحنه بات‌های پشتیبانی و copilots داخلی یا قابلیت‌های SaaS باشد. در طول دوره، یک معماری یکپارچه JavaScript، توضیحات فراوان درون‌خطی و الگوهای production-minded را خواهید دید که می‌توانید مستقیماً در محصولات خود یا پروژه‌های مشتری استفاده کنید. این دوره برای چه کسانی مناسب است؟ توسعه‌دهندگان JavaScript و TypeScript که می‌خواهند به‌ جای چت‌بات‌های ساده، ایجنت‌های واقعی هوش مصنوعی بسازند. مهندسان فول‌استک، بک‌اند و Next.js که آماده‌اند LangChain.js و LangGraph.js و RAG و مهارت‌های فراخوانی ابزرا را به ابزارهای تولید خود اضافه کنند. توسعه‌دهندگانی که از محتوای هوش مصنوعی فقط پایتون می‌آیند و به‌ دنبال یک مسیر JS-native و فریمورک محور برای انتشار اپلیکیشن‌های عاملی هستند. رهبران فنی، هکرهای مستقل و سازندگان SaaS که به درستی و JSON-first APIs و مشاهده‌پذیری و معماری‌های قابل‌استقرار اهمیت می‌دهند نه فقط دموها