دوره n8n
هوش مصنوعی را از یک ابزار گفتگو به یک همکار دیجیتال تبدیل کنید
تصور کنید یک دستیار هوشمند داشته باشید که پیام مشتری را دریافت کند، اطلاعات مورد نیاز را از فایلها، وب، Google Sheets یا API بخواند، با کمک مدلهای زبانی تحلیل و تصمیمگیری کند و نتیجه را از طریق تلگرام، ایمیل، تقویم یا ابزارهای دیگر به دست فرد مناسب برساند.
در بوتکمپ AI Agent با n8n کاروکمپ، فقط درباره هوش مصنوعی صحبت نمیکنیم. شما یاد میگیرید چگونه جریانهای کاری هوشمندی بسازید که به داده و ابزارهای واقعی متصلاند، وظایف چندمرحلهای را انجام میدهند و بخشی از فرایندهای تکراری کسبوکار را خودکار میکنند.
از مبانی مورد نیاز Python، API و Webhook شروع میکنید؛ نصب و کار با n8n را یاد میگیرید؛ مدلهای زبانی، مهندسی پرامپت، RAG، VectorDB و MCP را میشناسید و در طول مسیر چند پروژه کاربردی میسازید. در پروژه نهایی نیز تمام این مهارتها را کنار هم قرار میدهید تا یک AI Agent قابل استفاده و قابل توسعه طراحی کنید.
بوتکمپ AI Agent با n8n چیست؟
بوتکمپ n8n یک مسیر فشرده و عملی برای یادگیری اتوماسیون هوشمند و ساخت ایجنتهای هوش مصنوعی است. در این مسیر، بهجای اینکه هر ابزار را جداگانه و بدون کاربرد مشخص یاد بگیرید، آنها را در قالب جریانهای کاری واقعی به یکدیگر متصل میکنید.
برای مثال، یک Workflow میتواند با دریافت پیام در تلگرام شروع شود، اطلاعات مشتری را از Google Sheets بخواند، متن را برای تحلیل به یک مدل زبانی بفرستد، بر اساس نتیجه تصمیم بگیرد و پاسخ یا رویداد جدیدی را در ایمیل و تقویم ثبت کند.
هدف این بوتکمپ، آموزش چند Node یا ساخت اتوماسیونهای نمایشی نیست. قرار است منطق طراحی یک سیستم هوشمند را یاد بگیرید: سیستمی که ورودی میگیرد، داده جمعآوری میکند، ابزار مناسب را به کار میگیرد، تصمیم میگیرد، خروجی تولید میکند و اقدام انجام میدهد.
تفاوت این دوره با آموزشهای پراکنده n8n
در بسیاری از آموزشها، کار با چند Node یا اتصال دو سرویس نمایش داده میشود؛ اما هنگام ساخت یک پروژه واقعی، سوالهای مهمتری به وجود میآیند:
جریان کار از کجا باید شروع شود؟
چه دادهای باید وارد مدل هوش مصنوعی شود؟
چه زمانی از شرط، شاخهبندی یا ادغام داده استفاده کنیم؟
چگونه خروجی مدل را دقیق و قابل استفاده کنیم؟
چه زمانی به RAG و پایگاه دانش نیاز داریم؟
ایجنت چطور باید ابزار مناسب را انتخاب کند؟
اگر اینترنت یا دسترسی به یک سرویس محدود شد، معماری پروژه چگونه باید تغییر کند؟
در این بوتکمپ، آموزشها حول حل همین مسئلهها و اجرای پروژه پیش میروند.
ثبتنام بوتکمپ AI Agent با n8n
بوت کمپ حضوری شهریور ماه 1405
نقدی: 8.900.000 تومان
اقساطی: 10.000.000 تومان
امکان پرداخت در سه قسط
جلسات اموزشی آنلاین و تعاملی
تمرینات کاربردی و پروژه های متنوع
جلسات پرسش و پاسخ و رفع اشکال
دسترسی یک ساله به ویدئوهای آموزشی
پنل اختصاصی و پشتیبانی فنی
سیستم یادآوری جلسات
شروع دوره نیمه دوم شهریور ماه 1405
دوره غیرحضوری (همزمان با افراد حضوری)
نقدی: 7.000.000 میلیون تومان
با تخفیف ویژه
امکان پرداخت در سه قسط
جلسات اموزشی آنلاین و تعاملی
تمرینات کاربردی و پروژه های متنوع
جلسات پرسش و پاسخ و رفع اشکال
دسترسی یک ساله به ویدئوهای آموزشی
پنل اختصاصی و پشتیبانی فنی
سیستم یادآوری جلسات
شروع دوره نیمه دوم شهریور ماه 1405
آنچه در دوره آموزشی n8n میآموزید!
فصل اول: پیشدرآمدی بر Python
هدف این فصل، تبدیل شما به برنامهنویس Python نیست. بخشهایی را یاد میگیرید که برای اتوماسیون، پردازش داده و کار با هوش مصنوعی به آنها نیاز دارید.
متغیرها و انواع داده
شرطها و تصمیمگیری
حلقهها و تکرار عملیات
توابع و تقسیم مسئله به بخشهای کوچکتر
آشنایی با کتابخانهها
کار با داده در حد مورد نیاز پروژههای دوره
استفاده از کد برای تکمیل Workflowهای n8n
فصل دوم: آشنایی با AI Agent، چتبات، Agentic AI و n8n
چتبات چیست و چه محدودیتهایی دارد؟
AI Agent چیست؟
Agentic AI به چه معناست؟
تفاوت پاسخگویی ساده با تصمیمگیری و اقدام
اجزای اصلی یک ایجنت: مدل، حافظه، ابزار و هدف
Workflow چیست؟
نقش n8n در اتصال داده، مدل و ابزار
بررسی چند سناریوی واقعی برای کسبوکار
فصل سوم: مدلهای بزرگ زبانی، LLM و مهندسی پرامپت
مدل زبانی بزرگ چگونه در یک فرایند کاری استفاده میشود؟
آشنایی با ورودی، خروجی و محدودیتهای مدل
اتصال سرویسهای مدل زبانی از طریق API
کار با سرویسهایی مانند OpenRouter، Cohere و سایر سرویسهای مورد استفاده در دوره
تعریف نقش، هدف و زمینه
مشخص کردن محدودیتها و معیار تصمیمگیری
تعیین فرمت خروجی
طراحی پرامپت برای استفاده در Workflow
کنترل پاسخهای مبهم یا غیرقابل استفاده
کار با مدلهای متن، تصویر و صوت در پروژههای دوره
فصل چهارم: API چیست و چه کاربردی دارد؟
API چیست و چرا برای اتوماسیون ضروری است؟
مفهوم Request و Response
آشنایی با دادههای JSON
احراز هویت و Credentialها در حد مورد نیاز
Webhook چیست و چه زمانی استفاده میشود؟
دریافت اطلاعات از سرویسهای مختلف
ارسال داده به ابزار دیگر
اتصال تلگرام، Google Sheets، Gmail و Google Calendar
اتصال مدلهای هوش مصنوعی به یک فرایند واحد
تست و بررسی خروجی اتصالها
فصل پنجم: آشنایی و نصب n8n
آشنایی با محیط n8n
انتخاب میان نسخه ابری و Self-hosted
راهاندازی محلی با Docker
نصب و اجرا روی VPS
ساخت اولین Workflow
Triggerها و شروع فرایند
آشنایی با Credentialها
کار با داده ورودی و خروجی Nodeها
استفاده از Expressionها در حد مورد نیاز پروژه
کار با Nodeهای Set، IF، Switch، Merge، Code و Wait
کار با Google Nodes و سایر اتصالهای مورد استفاده
طراحی مسیرهای شرطی و چندمرحلهای
تست، اجرا و بررسی Workflow
فصل ششم: RAG و VectorDB
چرا مدل زبانی به پایگاه دانش اختصاصی نیاز دارد؟
RAG چیست و چه مسئلهای را حل میکند؟
VectorDB چیست؟
آمادهسازی اسناد و دانش سازمان
ذخیره و بازیابی اطلاعات مرتبط
اتصال پایگاه دانش به ایجنت
طراحی پاسخ مبتنی بر دادههای اختصاصی
ساخت نمونه سامانه پاسخگویی به سوالات
بررسی محدودیتها و خطاهای رایج پاسخگویی
فصل هفتم: Vibe Coding و پروژههای عملی
Vibe Coding چیست و در چه پروژههایی کاربرد دارد؟
تبدیل ایده به مشخصات قابل اجرا
استفاده از مدل هوش مصنوعی برای کمک به تولید و اصلاح کد
بررسی و تست خروجی بهجای اعتماد بدون کنترل
استفاده از کدهای کوچک در Nodeهای n8n
حل نیازهایی که با Node آماده پوشش داده نمیشوند
اجرای پروژههای مرحلهای دوره
فصل هشتم: MCP چیست و چه کاربردی دارد؟
MCP چیست؟
نقش MCP در ارتباط مدل با ابزارها و منابع داده
تفاوت اتصال مستقیم API با استفاده از MCP
آشنایی با اجزای یک ارتباط مبتنی بر MCP
بررسی سناریوهای کاربردی
استفاده از MCP در معماری ایجنت
فصل نهم: توسعه در شرایط اینترنت داخلی
شناسایی وابستگیهای خارجی پروژه
انتخاب معماری متناسب با شرایط دسترسی
مقایسه اجرای ابری، محلی و VPS
مدیریت سرویسها و Credentialها
طراحی مسیر جایگزین برای سرویسهای حساس
کاهش وابستگی غیرضروری به ابزارهای خارجی
تست پایداری Workflow در شرایط واقعی
نکات اجرایی و امنیتی مورد تأیید مدرس
فصل دهم: پروژه نهایی AI Agent
انتخاب مسئله واقعی
تعریف کاربر، هدف و خروجی
تعیین منابع داده
انتخاب مدل و ابزارها
طراحی Workflow
افزودن منطق تصمیمگیری
اتصال دانش اختصاصی در صورت نیاز
تست سناریوهای مختلف
اصلاح خطاها و بهبود خروجی
ارائه نسخه نهایی قابل استفاده و توسعه
مزایای شرکت در بوتکمپ n8n کاروکمپ
سوالات متداول
n8n چیست و چرا برای ساخت AI Agent مناسب است؟
n8n یک ابزار ساخت Workflow است که امکان اتصال سرویسها، دادهها و مدلهای هوش مصنوعی را در یک فرایند فراهم میکند. در این دوره از n8n برای طراحی جریانهایی استفاده میکنید که فقط داده جابهجا نمیکنند؛ بلکه با کمک مدل و ابزار، تحلیل و اقدام هم انجام میدهند.
تفاوت اتوماسیون ساده با AI Agent چیست؟
اتوماسیون ساده معمولاً مجموعهای از مراحل از پیش تعیینشده را اجرا میکند. AI Agent علاوه بر دنبال کردن فرایند، میتواند با توجه به هدف، داده و ابزارهای در دسترس درباره مرحله بعد تصمیم بگیرد. در دوره، تفاوت این دو را با پروژه عملی مشاهده میکنید.
آیا برای شرکت در دوره به دانش برنامهنویسی نیاز دارم؟
پیشنیاز حرفهای برنامهنویسی ندارید. مبانی Python در حد مورد نیاز اتوماسیون و AI آموزش داده میشود. آشنایی اولیه با کامپیوتر، منطق حل مسئله و زبان انگلیسی فنی به پیشرفت سریعتر کمک میکند.
آیا نصب n8n هم آموزش داده میشود؟
بله. شیوه استفاده از نسخه ابری و راهاندازی Self-hosted بهصورت محلی با Docker یا روی VPS در سرفصل دوره قرار دارد.
در دوره با چه ابزارهایی کار میکنیم؟
بر اساس سناریوهای دوره، با ابزارهایی مانند تلگرام، Google Sheets، Gmail، Google Calendar، API مدلهای زبانی و سرویسهای متن، تصویر یا صوت کار میکنید. فهرست نهایی سرویسها باید پیش از شروع هر دوره اعلام شود.
آیا RAG و ساخت پایگاه دانش آموزش داده میشود؟
بله. یاد میگیرید چگونه اسناد و دانش اختصاصی را با استفاده از RAG و VectorDB در دسترس ایجنت قرار دهید تا پاسخها به اطلاعات کسبوکار شما نزدیکتر باشند.
