دوره آموزشی وایب کدینگ اولین ایجنت هوش مصنوعی خود با Claude Code

عامل‌های هوش مصنوعی (AI Agents) در حال تغییر نحوه ساخت نرم‌افزارهای هوشمند هستند؛ اما ساخت یک عامل واقعی فراتر از ایجاد یک اپلیکیشن ساده یا استفاده از چند پرامپت آماده است. این دوره به شما آموزش می‌دهد چگونه یک عامل هوش مصنوعی کاربردی را به‌صورت کامل از طریق ترمینال طراحی و پیاده‌سازی کنید.

در این آموزش با استفاده از Claude Code، Vercel AI SDK و GitHub Codespace یک عامل هوشمند برای جست‌وجوی مشتریان بالقوه (Sales Prospecting Agent) ایجاد می‌کنید. این عامل بر پایه چهار بخش اصلی ساخته می‌شود: مغز (Brain)، ابزارها (Tools)، حافظه (Memory) و حلقه اجرا (Loop) که در کنار هم یک سیستم Agentic واقعی را شکل می‌دهند.

در طول دوره یاد می‌گیرید چگونه عامل خود را به Airtable متصل کنید تا تمام فعالیت‌های آن مانند امتیازدهی به مشتریان بالقوه، نتایج تحقیقات و پیش‌نویس پیام‌های ارتباطی، به‌صورت لحظه‌ای در یک پایگاه داده زنده ثبت و قابل مشاهده باشند. همچنین با رویکرد توسعه مبتنی بر آزمون (Test-Driven Development)، قبل از ساخت هر قابلیت، تست‌های مربوط به آن را ایجاد می‌کنید تا کدهای شما از ابتدا قابل اعتماد و پایدار باشند.

این دوره علاوه بر ساخت یک نمونه عملیاتی کامل از یک عامل هوش مصنوعی، به شما دید جامعی درباره تفاوت میان AI Agent و Workflow می‌دهد و مسیر تبدیل یک نمونه اولیه (Proof of Concept) به یک سیستم آماده تولید را بررسی می‌کند.

این آموزش برای توسعه‌دهندگان نرم‌افزار، مهندسان هوش مصنوعی، برنامه‌نویسان علاقه‌مند به Agentic AI و متخصصانی مناسب است که می‌خواهند مهارت عملی ساخت عامل‌های هوشمند واقعی را به دست آورند.

🎯 اهداف یادگیری
• طراحی و ساخت یک سیستم Agentic AI مبتنی بر ترمینال با چهار بخش اصلی شامل مغز استدلالی، ابزارهای قابل فراخوانی، حافظه پایدار و حلقه اجرایی
• استفاده از Claude Code، Vercel AI SDK و GitHub Codespace برای توسعه و آزمایش عامل‌های هوش مصنوعی چندمرحله‌ای
• پیاده‌سازی گردش کارهای عامل‌محور با رویکرد توسعه مبتنی بر آزمون (TDD) برای افزایش کیفیت و قابلیت اطمینان کد
• ساخت یک عامل هوشمند برای فرآیندهای فروش و جست‌وجوی مشتریان بالقوه با قابلیت انجام وظایف خودکار
• اتصال عامل‌های هوش مصنوعی به سرویس‌های خارجی مانند Airtable برای ذخیره و نمایش داده‌های تولیدشده توسط عامل
• پیاده‌سازی قابلیت‌های جست‌وجوی وب و دریافت داده‌های لحظه‌ای برای افزایش توانایی‌های عامل هوشمند
• ایجاد سیستم‌هایی که بتوانند نتایج تحقیقات، امتیازدهی مشتریان و محتوای ارتباطی را به‌صورت خودکار مدیریت کنند
• درک تفاوت میان عامل هوش مصنوعی (AI Agent) و گردش کار معمولی (Workflow) و شناخت کاربرد هرکدام
• توسعه نمونه‌های اولیه عامل‌های هوشمند و شناسایی مراحل لازم برای انتقال آن‌ها به محیط تولید
• کسب تجربه عملی در طراحی، توسعه، تست و ارزیابی عامل‌های هوش مصنوعی قابل استفاده در دنیای واقعی