🤖 ساخت AI Agentهایی که واقعاً دست به کار میشن

🚀 کتاب AI Agents in Action, Second Edition آموزش میده چطور AI Agentهایی بسازی که فقط پاسخ تولید نمیکنن؛ بلکه از ابزارها استفاده میکنن، به منابع دانش متصل میشن، با Agentهای دیگه همکاری میکنن، از Feedback یاد میگیرن و برای انجام هدف‌های طولانی‌مدت برنامه‌ریزی میکنن. تمام این مسیر با مثال‌های عملی Python، از ساخت اولین Agent تا ارزیابی و Deployment سیستم‌های Agentic پوشش داده میشه.

✨ ویژگی‌های کلیدی

🛠️ Agentها را به Tool، Server و منابع خارجی متصل میکنی تا بتونن Actionهای واقعی انجام بدن.

🧠 با Prompting، Planning، Reasoning، Memory، Knowledge و Metacognition، رفتار Agentها را ساختاریافته‌تر میکنی.

🔗 از Model Context Protocol یا MCP برای اتصال Agentها به Toolها، Resourceها، Promptها و Serverها استفاده میکنی.

👥 Multi-Agent Workflowهایی میسازی که در اون‌ها Agentهای تخصصی از طریق Orchestration و Collaboration با هم کار میکنن.

📊 عملکرد Agentها را با LLM-as-a-Judge، Test-Driven Development، Feedback و Observable Behavior ارزیابی و بهبود میدی.

📘 توضیح کتاب

⚡ AI Agents in Action, Second Edition یک مسیر کاملاً عملی برای طراحی، ساخت، ارزیابی و استقرار AI Agentها ارائه میده. مثال‌های کتاب با Python نوشته شدن و کمک میکنن اجزای مختلف یک Agentic System را در عمل کنار هم قرار بدی.

🤖 مسیر یادگیری با یک Agent ساده و اولین پاسخ اون شروع میشه. بعد به‌تدریج Agent را به ابزاری تبدیل میکنی که میتونه Tool فراخوانی کنه، به Knowledge دسترسی داشته باشه، Memory خودش را مدیریت کنه و با سایر Agentها همکاری کنه.

🧩 کتاب توضیح میده LLMها، Promptها و Agentها چطور با هم ارتباط دارن. بعد از شناخت این اجزای اصلی، سراغ Actionها و Model Context Protocol میری تا Agentها را به Toolها، Resourceها، Promptها و Serverهای واقعی متصل کنی.

👥 در بخش Multi-Agent Systemها، با طراحی Agentهای تخصصی و هماهنگ کردن کار اون‌ها آشنا میشی. Assembly-Flow، Orchestration و Collaboration Patternها کمک میکنن وظایف پیچیده را میان چند Agent تقسیم و جریان اجرای اون‌ها را کنترل کنی.

🧠 Reasoning و Planning بخش مهمی از Agentهای قابل‌اعتمادن. کتاب الگوهایی مثل ReAct، Reflexion، Tree-of-Thought و Sequential Thinking را بررسی میکنه تا Agentها بتونن مسئله را تحلیل کنن، برنامه بسازن، نتیجه کار خودشون را بازبینی کنن و مسیر مناسب‌تری برای رسیدن به هدف انتخاب کنن.

📚 برای اتصال Agentها به اطلاعات، Retrieval-Augmented Generation یا RAG و Hybrid Search بررسی میشن. همچنین روش‌های عملی استفاده از Memory آموزش داده میشن تا Agent بتونه اطلاعات مهم، Context قبلی و تجربه‌های موردنیاز را حفظ و بازیابی کنه.

🔄 کتاب Agentic Loop را با جزئیات بررسی میکنه؛ چرخه‌ای که در اون Agent وضعیت را مشاهده میکنه، درباره قدم بعدی تصمیم میگیره، Action انجام میده، نتیجه را ارزیابی میکنه و دوباره مسیر خودش را تنظیم میکنه. این ساختار برای ساخت Agentهای Task-Focused و سیستم‌های Goal-Focused با Long Horizon ضروریه.

🧠 Metacognition یکی از موضوعات جدید این ویرایشه. با استفاده از Metacognition Harnessها، فرایند تفکر، برنامه‌ریزی، کنترل و یادگیری Agent ساختار مشخص‌تری پیدا میکنه و Agent میتونه رفتار خودش را بهتر بررسی و اصلاح کنه.

📊 ارزیابی Agentها در یک فصل کاملاً جدید پوشش داده شده است. یاد میگیری از LLM-as-a-Judge، Test-Driven Development، Feedback و رفتار Observable استفاده کنی تا بفهمی Agent کجا درست عمل میکنه، کجا شکست میخوره و برای بهبود اون باید سراغ کدوم بخش بری.

🛠️ نکته‌ها و تکنیک‌های عملی برای ساخت AI Applicationها، Help Deskها و Deep Research Agentها هم ارائه میشن. این مثال‌ها نشان میدن Agentها چطور میتونن برای پاسخ‌گویی، تحقیق عمیق، حل مسئله و اجرای Workflowهای واقعی به کار گرفته بشن.

🎙️ Voice-Driven AI Agentها هم در این ویرایش بررسی میشن. کتاب علاوه بر طراحی Agentهای صوتی، Patternهای واقعی Deployment برای Multi-Agent Systemها را توضیح میده تا سیستم‌ها فقط در محیط آزمایشی باقی نمونن.

🚀 در مراحل پایانی، نحوه Deploy کردن Agentها و Agentic Systemها آموزش داده میشه. هدف اینه که از یک Prototype ساده عبور کنی و به سیستمی برسی که ابزار استفاده میکنه، با Agentهای دیگه هماهنگه، به Knowledge متصل میشه و Feedback را وارد فرایند بهبود خودش میکنه.

🎯 در پایان، میتونی AI Agentهای مستقل و قابل‌استقرار بسازی، اون‌ها را به Tool و Server متصل کنی، Workflowهای چندعاملی طراحی کنی و عملکرد سیستم را با روش‌های ساختاریافته ارزیابی و اصلاح کنی.

🆕 تغییرات ویرایش دوم

🔄 بیش از ۹۵ درصد محتوای ویرایش اول بازنویسی شده و پوشش گسترده‌ای از تازه‌ترین نوآوری‌های AI Agentها به کتاب اضافه شده است.

🧭 مسیر کامل Agentها، از Prompting و Planning گرفته تا Memory، Evaluation و Deployment، پوشش داده میشه.

📊 یک فصل جدید به ارزیابی Agentها با LLM-as-a-Judge، Test-Driven Development و Observable Behavior اختصاص داره.

🔁 در فصل جدید Agentic Loop، ساخت Agentهای Task-Focused و توسعه سیستم‌های Goal-Focused با Long Horizon بررسی میشه.

🧠 یک فصل جدید Metacognition Harnessهایی را آموزش میده که تفکر، برنامه‌ریزی و یادگیری Agentها را ساختارمند میکنن.

🛠️ فصل جدید دیگه‌ای نکته‌ها و تکنیک‌های عملی ساخت AI Applicationها، Help Deskها و Deep Research Agentها را ارائه میده.

🎙️ Voice-Driven AI Agentها همراه با Patternهای واقعی استقرار Multi-Agent Systemها به کتاب اضافه شدن.

👥 Multi-Agent Workflowها با Assembly-Flow، Orchestration و Collaboration Patternها گسترش پیدا کردن.

🔗 کار عملی با MCP برای اتصال Agentها به Toolها و Serverها به‌صورت کامل پوشش داده شده است.

📚 Hybrid Search برای RAG و روش‌های عملی استفاده از Memory در Agentها هم به‌روزرسانی و گسترش پیدا کردن.

🎯 چیزهایی که یاد میگیری

🤖 یاد میگیری AI Agentهای مستقل را طراحی، پیاده‌سازی و Deploy کنی.

🧩 با اجزای اصلی Agentها شامل LLM، Prompt، Tool، Memory، Knowledge و Feedback آشنا میشی.

🔗 میتونی با MCP، Agentها را به Toolها، Resourceها، Promptها و Serverها متصل کنی.

👥 یاد میگیری Multi-Agent Systemها و Workflowهای هماهنگ میان چند Agent بسازی.

🧠 میتونی الگوهای ReAct، Reflexion، Tree-of-Thought و Sequential Thinking را پیاده‌سازی کنی.

📋 یاد میگیری Agentها را برای Taskهای مشخص و Goalهای طولانی‌مدت برنامه‌ریزی کنی.

📚 میتونی با RAG و Hybrid Search، Agentها را به منابع Knowledge متصل کنی.

💭 با روش‌های عملی استفاده از Short-Term و Long-Term Memory در Agentها آشنا میشی.

🔄 یاد میگیری Agentic Loop و Metacognition Harnessها را برای مشاهده، تصمیم‌گیری، Action و یادگیری طراحی کنی.

📊 میتونی Agentها را با LLM-as-a-Judge، Test-Driven Development و Feedback ارزیابی کنی.

🔍 یاد میگیری رفتار Agent را Observable کنی و محل مشکلات عملکردی اون را پیدا کنی.

🎙️ با ساخت Voice-Driven Agentها و Patternهای Deployment سیستم‌های چندعاملی آشنا میشی.

🛠️ میتونی AI Application، Help Desk و Deep Research Agentهای عملی بسازی.

👤 این کتاب برای چه کسانیه؟

🐍 این کتاب برای Python Programmerهای سطح متوسط نوشته شده که میخوان وارد طراحی و توسعه AI Agentها و Agentic Systemها بشن.

🌱 برای شروع، هیچ تجربه قبلی در ساخت AI Agent یا سیستم‌های Agentic لازم نیست. مفاهیم از اجزای اصلی شروع میشن و به‌تدریج به Reasoning، Memory، Multi-Agent Workflowها، Evaluation و Deployment میرسن.

🛠️ Developerهایی که میخوان از Chatbotهای ساده عبور کنن و سیستم‌هایی بسازن که از Tool استفاده میکنن، به Knowledge دسترسی دارن و برای انجام وظایف واقعی همکاری میکنن، بیشترین استفاده را از کتاب میبرن.

📖 فهرست مطالب

فصل ۱. ظهور AI Agentها

فصل ۲. اجزای اصلی: Large Language Modelها، Prompting و Agentها

فصل ۳. انجام Action با Model Context Protocol برای AI Agentها

فصل ۴. معماری و ساخت Multi-Agent Systemها

فصل ۵. Reasoning و Planning در Agentها

فصل ۶. کار با Memory و Knowledge RAG برای Agentها

فصل ۷. ساخت Agentهای مقاوم با Evaluation و Feedback

فصل ۸. استقرار Agentها و Agentic Systemها

فصل ۹. درک Agentic Loop

فصل ۱۰. بررسی Cognitive Agentی که فکر، نظارت و سازگاری میکنه

فصل ۱۱. نکته‌هایی برای ساخت Agentic Systemها

پیوست A. راه‌اندازی Repository کدهای نمونه

پیوست B. راه‌اندازی Node.js برای MCP Serverهای محلی

👤 درباره نویسنده

👨‍💻 مایکل لنهام، نوآور باتجربه حوزه Software و Technology با بیش از ۲۰ سال سابقه است. او مجموعه گسترده‌ای از Software Applicationها را در حوزه‌هایی مثل Game، Graphics، Web، Desktop، Engineering، Artificial Intelligence، GIS و Machine Learning برای صنایع مختلف توسعه داده است.

🧠 مایکل در آغاز هزاره جدید، کار با Neural Networkها و Evolutionary Algorithmها را در حوزه Game Development شروع کرد.

Build AI agents that do more than respond. Give them tools, connect them to knowledge, coordinate their work, and evaluate how well they perform.

AI Agents in Action, Second Edition teaches you how to design, build, evaluate, and deploy AI agents through working Python examples. You’ll progress from a simple agent to tool-using assistants, coordinated multi-agent workflows, and deployable systems. Along the way, you’ll learn how the pieces fit together and where to look when an agent needs improvement.

What’s new and included in the second edition?

• A near-total rewrite with new and extensive coverage of the latest agent innovations
• Agents start to finish—from prompting and planning, to memory and evaluation
• New chapter! Evaluate agents with LLM-as-judge, test-driven-development, and observable behavior
• New chapter! Explore the agentic loop, build task-focused agents, and develop long-horizon, goal focused systems
• New chapter! Metacognition harnesses that structure agent thinking, planning, and learning
• New chapter! Practical tips and techniques for building AI applications, help desks, and deep research agents
• New chapter! Voice-driven AI agents, including real-world deployment patterns for multi-agent systems
• Multi-agent workflows with assembly-flow, orchestration, and collaboration patterns
• Hands-on with the Model Context Protocol (MCP) to connect agents to tools and servers
• Hybrid search for Retrieval Augmented Generation (RAG) and practical ways to use memory in agents

With more than 95% rewritten from the first edition, AI Agents in Action is far more than a refresh! You’ll go right from your agent’s first response, to systems that use tools, work together, draw on knowledge, and incorporate feedback. All illustrated with practical examples throughout.

What's inside

• Autonomous agent design and deployment
• MCP-based tools, resources, prompts, memory, and server integrations
• Reasoning and planning patterns including ReAct, Reflexion, Tree-of- Thought, and Sequential Thinking

About the reader

For intermediate Python programmers. No experience with AI agents and agentic systems required.

Table of Contents

1. The Rise of AI Agents

2. Core Components: Large Language Models, Prompting, and Agents

3. Actions with Model Context Protocol for AI Agents

4. Architecting and Building Multi-Agent Systems

5. Agent Reasoning and Planning

6. Working with Memory and Knowledge RAG for Agents

7. Building Robust Agents with Evaluation and Feedback

8. Deploying Agents and Agentic Systems

9. Understanding the Agentic Loop

10. Exploring the Cognitive Agent That Thinks, Monitors, and Adapts

11. Tips for Building Agentic Systems

Appendix A. Setting Up the Sample Code Repository

Appendix B. Node.js Setup for Local MCP Servers

About the Author

Micheal Lanham is a proven software and tech innovator with over 20 years of experience. He has developed a broad range of software applications in areas such as games, graphics, web, desktop, engineering, artificial intelligence, GIS, and machine learning applications for a variety of industries. At the turn of the millennium, Micheal began working with neural networks and evolutionary algorithms in game development.