🧪 پروتوتایپ AI تو یک بار کار میکنه، بعد میشکنه؟ آماده‌ای بری سمت پایداری واقعی در پروداکشن؟ از اینکه هالوسینیشن‌ها دموها و اعتماد ذی‌نفع‌ها رو خراب میکنن خسته شدی؟ به ورک‌فلوهای ایجنتی نیاز داری که از Edge Caseهای دنیای واقعی جون سالم به در ببرن؟ میخوای بدونی Early Adopterها امروز چطور سیستم‌های چندایجنتی رو Ship میکنن؟ حدس زدن رو کنار بذار و با ابزارهای متن‌باز و امتحان‌شده، شروع کن به تحویل دادن ارزش واقعی. محصول‌های AI مطمئن و آماده آینده بساز؛ محصول‌هایی که کاربرها واقعاً بتونن بهشون تکیه کنن.

🎯 چیزهایی که یاد میگیری

🧠 مهندسی پرامپت و کانتکست: خروجی‌های دقیق و بدون هالوسینیشن تولید کن که کسب‌وکارت بتونه بهشون اعتماد کنه.

🔎 تکنیک‌های پیشرفته RAG: سندها رو خلاصه کن، جست‌وجوی معنایی بساز، و با منبع‌های قابل‌راستی‌آزمایی به سؤال‌ها جواب بده.

🕸️ ورک‌فلوهای ایجنتی با LangGraph: فرایندهای چندمرحله‌ای رو برای تسک‌های پیچیده و واقعی ارکستریت کن.

🔌 یکپارچه‌سازی ابزار با MCP: قابلیت‌ها رو بین پروژه‌ها وصل کن، ترکیب کن و دوباره استفاده کن تا ریلیزها سریع‌تر انجام بشن.

💻 مثال‌های کد انتهابه‌انتها: کپی کن، تغییر بده و دیپلوی کن؛ بدون آزمون‌وخطای وقت‌گیر.

📘 کتاب AI Agents and Applications with LangChain, LangGraph, and MCP نوشته روبرتو اینفانته، دولوپر باتجربه، یک نقشه راه عمل‌گرا و کدمحوره که با فرمتی روشن و قابل‌دنبال‌کردن ارائه شده. اینفانته دقیقاً نشون میده چطور از ایده به AI سطح پروداکشن برسی.

🧱 هر فصل یک راهکار واقعی و قابل‌اجرا میسازه؛ از مهندسی پرامپت محکم شروع میکنه، بعد RAG پیشرفته رو لایه‌لایه اضافه میکنه، و در ادامه به ایجنت‌های ساختاریافته و سیستم‌های چندایجنتی میرسه. توضیح‌های تصویری، لیستینگ‌های Python با توضیح، و دیاگرام‌های معماری کمک میکنن سریع‌تر یاد بگیری و کمتر درگیر حدس و آزمون‌وخطا بشی.

🚀 تا صفحه آخر، میتونی با اعتمادبه‌نفس اپلیکیشن‌های LLM رو طراحی، تست و دیپلوی کنی؛ اپلیکیشن‌هایی که کاربرها رو راضی میکنن و ذی‌نفع‌ها رو تحت‌تأثیر قرار میدن. ابزارها و پترن‌های کتاب همراه با داده، تیم و مدل‌های آینده‌ات اسکیل میشن.

👨‍💻 این کتاب برای دولوپرهای Python که مبانی LLM رو میفهمن و دنبال بردهای واقعی در پروداکشن هستن ایده‌آله. برای مهندس‌ها، دانشمندهای داده و تک‌لیدهایی هم مناسبه که میخوان محصول‌هاشون رو با Generative AI مدرن کنن.

📖 فهرست مطالب

بخش ۱. شروع کار با LLMها

فصل ۱. مقدمه‌ای بر ایجنت‌ها و اپلیکیشن‌های AI

فصل ۲. اجرای پرامپت‌ها به‌صورت برنامه‌نویسی‌شده

بخش ۲. خلاصه‌سازی

فصل ۳. خلاصه‌سازی متن با LangChain

فصل ۴. ساخت یک موتور خلاصه‌سازی پژوهشی

فصل ۵. ورک‌فلوهای ایجنتی با LangGraph

بخش ۳. چت‌بات‌های پرسش‌وپاسخ

فصل ۶. مبانی RAG با ChromaDB

فصل ۷. چت‌بات‌های پرسش‌وپاسخ با LangChain و LangSmith

بخش ۴. RAG پیشرفته

فصل ۸. ایندکس‌گذاری پیشرفته

فصل ۹. تبدیل سؤال‌ها

فصل ۱۰. تولید کوئری، روتینگ و پس‌پردازش بازیابی

بخش ۵. ایجنت‌های AI

فصل ۱۱. ساخت ایجنت‌های ابزارمحور با LangGraph

فصل ۱۲. سیستم‌های چندایجنتی

فصل ۱۳. ساخت و مصرف سرورهای MCP

فصل ۱۴. پروداکشن‌کردن ایجنت‌های AI: حافظه، گاردریل‌ها و فراتر از آن

پیوست A. امتحان کردن LangChain

پیوست B. راه‌اندازی محیط Jupyter Notebook

پیوست C. انتخاب یک LLM

پیوست D. نصب SQLite روی Windows

پیوست E. LLMهای متن‌باز

💬 نظرها

💭 کتاب موضوع رو واقعاً خوب توضیح میده. واضحه و وارد جزئیات بی‌ربط نمیشه. من واقعاً ازش لذت بردم.

—پیوتر یاسترژبسکی

💭 این کتاب یک مقدمه عالیه برای هر مهندس نرم‌افزاری که دنبال توضیح عملی درباره اینه که LangChain و LLMها چطور میتونن برای توسعه اپلیکیشن‌های مبتنی بر AI استفاده بشن.

—بورکو جورکوویچ

👤 درباره نویسنده

👨‍💻 روبرتو اینفانته یک مهندس نرم‌افزار باسابقه و رهبر Quant است که به تبدیل ایده‌های پیچیده به سیستم‌های قابل‌اعتماد شناخته میشه. روبرتو با چند دهه تجربه در فایننس پرریسک و پروژه‌های نوظهور AI، در هر صفحه شفافیت، دقت و تجربه واقعی میاره. او تخصص عمیق خودش رو به مثال‌های عملی تبدیل میکنه تا به دولوپرها کمک کنه قابلیت‌های AI رو با اعتمادبه‌نفس Ship کنن.

Your AI prototype works once, then breaks. Ready for production stability? Tired of hallucinations ruining demos and stakeholder trust? Need agent workflows that survive real-world edge cases? Wondering how early adopters ship multi-agent systems today? Stop guessing, start delivering value with proven, open-source tools. Build confident, future-proof AI products your users will rely on.

• Prompt and context engineering: Produce accurate, hallucination-free outputs your business can trust.
• Advanced RAG techniques: Summarize documents, power semantic search, and answer questions with verifiable sources.
• LangGraph agent workflows: Orchestrate multi-step processes for complex, real-world tasks.
• MCP tool integration: Plug, compose, and reuse capabilities across projects for faster releases.
• End-to-end code examples: Copy, adapt, and deploy without time-consuming trial and error.

AI Agents and Applications with LangChain, LangGraph, and MCP by seasoned developer Roberto Infante delivers a pragmatic, code-first roadmap in a clear softcover format. Infante shows exactly how to move from idea to production-grade AI.

Each chapter builds a working solution, starting with solid prompt engineering, layering in advanced RAG, then evolving into structured agents and multi-agent systems. Visual explanations, annotated Python listings, and architecture diagrams speed learning and reduce guesswork.

By the final page you will confidently design, test, and deploy LLM applications that delight users and impress stakeholders. The tools and patterns scale with your data, your team, and tomorrow’s models.

Ideal for Python developers who grasp LLM basics and crave real production wins. Perfect for engineers, data scientists, and tech leads modernizing products with generative AI.

Table of Contents

PART 1. GETTING STARTED WITH LLMS

1. Introduction to AI agents and applications

2 . Executing prompts programmatically

PART 2. SUMMARIZATION

3. Summarizing text using LangChain

4. Building a research summarization engine

5. Agentic workflows with LangGraph

PART 3. Q&A CHATBOTS

6. RAG fundamentals with ChromaDB

7. Q&A chatbots with LangChain and LangSmith

PART 4. ADVANCED RAG

8. Advanced indexing

9. Question transformations

10. Que.ry generation, routing, and retrieval postprocessing

PART 5 AI AGENTS

11. Building tool-based agents with LangGraph

12. Multi-agent systems

13. Building and consuming MCP servers

14. Productionizing AI agents: Memory, guardrails, and beyond

appendix A. Trying out LangChain

appendix B. Setting up a Jupyter Notebook environment

appendix C. Choosing an LLM

appendix D. Installing SQLite on Windows

appendix E. Open source LLMs

Review

• The book explains the topic really well. It's clear and does not go into irrelevant details. I really enjoyed it.

Piotr Jastrzebski

• This is a great introduction for any software engineer looking for practical explanation of how LangChain and LLM's can be used to develop AI based applications.

Borko Djurkovic

About the Author

Roberto Infante is a veteran software engineer and quant leader known for turning complex ideas into reliable systems. With decades in high-stakes finance and emerging AI projects, Roberto brings clarity, rigor, and real-world wisdom to every page. He distills deep expertise into practical examples that help developers ship AI features with confidence.