دوره آموزش Vibe Coding (وایب کدینگ) | کدنویسی با هوش مصنوعی

1 رای ثبت شده
video player
دوره آموزش Vibe Coding (وایب کدینگ) | کدنویسی با هوش مصنوعی

دوره آموزش Vibe Coding (وایب کدینگ) | کدنویسی با هوش مصنوعی

در دورهٔ Vibe Coding (وایب کدینگ) یاد می‌گیری به‌جای نوشتن خط‌به‌خط کد، هوش مصنوعی را هدایت کنی و ۱۰ برابر سریع‌تر برنامه بسازی. این دوره کاملاً کاربردی و بازارکاری است و روی محبوب‌ترین ابزارها — Cursor، GitHub Copilot و Claude Code — روی بستر VS Code آموزش داده می‌شود. از مفهوم و طرز فکر شروع می‌کنیم و تا ساختِ یک پروژهٔ کامل بدون نوشتن حتی یک خط کد دستی پیش می‌رویم.

1 رای ثبت شده
مدرس: محسن درم بخت
video player
دوره آموزش Vibe Coding (وایب کدینگ) | کدنویسی با هوش مصنوعی
499,000 تومان 899,000 تومان
خرید
  • مدت زمان دوره: 11 ساعت
  • امکان دانلود کل دوره به صورت یکجا
  • ویدیوهای آموزشی با کیفیت
  • دسترسی همیشگی به دوره خریداری شده
  • امکان درج پرسش و پاسخ
499,000 تومان 899,000 تومان
خرید
  • دسترسی به فایل ها و محتوای متنی ضمیمه شده
  • ویدیو های آموزشی با کیفیت
  • امکان اجرا در موبایل و تبلت
  • دسترسی همیشگی به ویدیو خریداری شده
  • امکان درج پرسش و پاسخ
خرید دوره 499,000 تومان 899,000 تومان
پیش نیازها:
  • آشناییِ اولیه با VS Code و مفاهیم پایهٔ برنامه‌نویسی
  • نیازی به تسلط پیشرفته بر یک زبان خاص نیست؛ در طول دوره یاد می‌گیری چطور از هوش مصنوعی برای پر کردن شکاف‌های دانشی استفاده کنی.

سرفصل‌های دوره آموزش Vibe Coding (وایب کدینگ) | کدنویسی با هوش مصنوعی

زمان برگزار شده: 11:1:00 تعداد دروس: 13

11:01:28 13 بخش
49:42
Vibe Coding چیست؟
45:29
پرامپت‌نویسی و Context Engineering
01:27:24
جعبه‌ابزار: از ترمینال تا ادیتور برای Vibe Coding
40:47
اپ‌سازها، Cloud Agent و انتخاب مدل مناسب
27:7
مقایسه و قیمت ابزارها در VibeCoding
01:04:25
مدیریت Context، حافظه و توکن به کمک RTK و Claude-mem
01:13:38
مستندسازی، Rules و Spec-Driven Development
55:15
اهمیت Git در دنیای Vibe Coding
26:2
Monorepo یا مخازن جدا؟
32:57
تست نویسی، کیفیت بالا و نکات مربوط به امنیت
41:51
استفاده از Skills، Subagents و MCP
54:15
از پروتوتایپ تا Production
01:02:36
جلسه پایانی

با دوره آموزش Vibe Coding (وایب کدینگ) | کدنویسی با هوش مصنوعی بیشتر آشنا شوید:

دوره کاربردی DevTube.ir

دوره Vibe Coding برنامه‌نویسی با هوش مصنوعی، از مفهوم تا Production

Vibe Coding & Agentic Programming Complete Syllabus

در Vibe Coding دیگر خط‌به‌خط کد نمی‌نویسید؛ هوش مصنوعی کد را تولید می‌کند و شما نقش معمار، بازبین و مدیر محصول را بر عهده می‌گیرید. اما استفاده از AI بدون روش درست، به کد کثیف، ناامن و پرهزینه ختم می‌شود. این دوره دقیقاً همان شکاف را پر می‌کند: یاد می‌گیرید مثل یک مهندس نرم‌افزار حرفه‌ای، خروجی هوش مصنوعی را کنترل، بازبینی و مدیریت کنید.

۱۳ فصل 69 سرفصل اصلی 191 ریزمبحث اپ کامل پروژه پایانی ۱۰۰٪ عملی رویکرد

چرا این دوره با بقیه فرق دارد؟

  • ✓بیشتر منابع فقط می‌گویند «چطور از AI کد بگیرید»؛ این دوره یک قدم جلوتر است
  • ✓یاد می‌گیرید خروجی مدل را مدیریت کنید و کد کثیفش را کنترل کنید
  • ✓هزینه اکانت و مصرف توکن را واقعاً پایین می‌آورید
  • ✓امنیت و تست را جدی می‌گیرید، نه به‌عنوان مرحله آخر
  • ✓خروجی نهایی، پروژه واقعی و قابل تحویل به بازار کار است

این دوره برای چه کسانی است؟

  • ✓دانشجویان و علاقه‌مندان برنامه‌نویسی که می‌خواهند با جدیدترین روزِ دنیای توسعه نرم‌افزار همراه شوند
  • ✓برنامه‌نویسانی که می‌خواهند سرعت و بهره‌وری خود را با ابزارهای هوش مصنوعی چند برابر کنند
  • ✓کسانی که VS Code را می‌شناسند و می‌خواهند قدرت واقعی آن را همراه با هوش مصنوعی کشف کنند
  • ✓هرکسی که می‌خواهد برنامه‌نویسی با هوش مصنوعی را به‌صورت اصولی و بازارکاری یاد بگیرد

پیش‌نیازها

  • ✓آشنایی اولیه با VS Code و مفاهیم پایه برنامه‌نویسی
  • ✓تسلط پیشرفته بر یک زبان خاص لازم نیست
  • ✓در طول دوره یاد می‌گیرید چطور از AI برای پر کردن شکاف‌های دانشی استفاده کنید
  • ✓دسترسی به اینترنت و یک اکانت روی حداقل یکی از ابزارهای معرفی‌شده

در این دوره چه چیزهایی یاد می‌گیری؟

سرفصل‌ها طوری چیده شده‌اند که از مفهوم شروع کنی و به ساخت پروژه واقعی برسی.

01
مفهوم و طرز فکر Vibe Codingگذار از «تایپ‌کننده کد» به «معمار سیستم» و شناخت طیف خودکارسازی.
02
پرامپت‌نویسی حرفه‌ای برای تولید کدفرمول شش‌جزئی پرامپت و تکنیک Chain-of-Thought برای گرفتن بهترین خروجی.
03
آموزش کامل ابزارهای روزنصب و استفاده عملی Cursor، GitHub Copilot، Claude Code، Windsurf و ابزارهای متن‌باز روی VS Code.
04
مقایسه و مدیریت هزینهسه مدل پرداخت، Rate Limit مبتنی بر مصرف و انتخاب اقتصادی برای دانشجو.
05
مدیریت Context و توکنقانون @، فایل‌های Rules، پاک‌سازی حافظه و ابزارهای کاهش مصرف توکن.
06
کنترل کیفیت و امنیت کدتست کد تولیدی، خطر Hallucinated Dependency، چک‌لیست امنیتی و بازبینی خودکار PR.
07
Git و تکنیک Micro-Commitsشاخه‌بندی برای آزمایش‌های پرریسک، کامیت خودکار و بازبینی Diff پیش از تأیید.
08
معماری پروژه (Monorepo)ساختار پوشه‌ای که هماهنگی فرانت‌اند و بک‌اند را برای AI ممکن می‌کند.
09
مفاهیم پیشرفته: Skills و Agentساخت Skill، تقسیم کار بین Subagentها و اتصال ابزارها با MCP.
10
پروژه پایانی واقعیساخت و انتشار یک اپلیکیشن کامل، از صفر تا Production.
۰۱

Vibe Coding و Agentic Programming چیست؟

What is Vibe Coding?

گذار از «تایپ‌کننده کد» به «معمار سیستم» و شناخت دقیق مرز میان Vibe Coding و برنامه‌نویسی عاملی.

درس کامل ←

1تعریف و مفهوم

  • گذار از سینتکس به «قصد»: چه چیزی واقعاً تغییر کرده است
  • تشبیه واقعی برای درک نقش جدید توسعه‌دهنده
  • چرا سرعت توسعه چند برابر می‌شود و چه بهایی دارد

2Vibe Coding در برابر Agentic Programming

  • تفاوت بنیادی دو رویکرد و کاربرد هرکدام
  • کِی فقط هم‌نویسی کافی است و کِی به عامل خودکار نیاز دارید

3طیف Vibe Coding

  • از Autocomplete ساده تا Background Agent
  • جایگاه هر ابزار روی این طیف
  • انتخاب سطح خودکارسازی متناسب با ریسک پروژه

4تغییر طرز فکر

  • ترس رایج: آیا برنامه‌نویس بی‌کار می‌شود؟
  • نقش‌های جدید شما: معمار، بازبین و مدیر محصول
  • مسئولیتی که با واگذاری کد به AI جابه‌جا نمی‌شود

5مراحل شروع کار

  • بخش‌بندی ایده به قطعات کوچک و قابل تحویل
  • ایجاد ساختار پایه پروژه
  • توسعه تکرارشونده و حلقه ساخت–بازبینی–اصلاح
  • چرا گام‌ها باید «مینیاتوری» باشند
  • یک مثال واقعی از اجرای کامل حلقه

6اشتباهات رایج تازه‌کارها

  • اعتماد کور به خروجی مدل
  • نوشتن پرامپت غول‌پیکر به‌جای گام‌های کوچک
  • کار بدون Git و از دست دادن نقطه بازگشت
  • نفهمیدن کدی که تحویل گرفته‌اید
  • ادامه دادن یک چت بی‌پایان و آلوده
  • بی‌توجهی به امنیت در کد تولیدشده
۰۲

پرامپت‌نویسی و Context Engineering

Prompt Engineering

فرمول عملی نوشتن پرامپتی که کد درست تولید کند نه کدی که فقط قشنگ به‌نظر برسد.

درس کامل ←

1از پرامپت‌نویسی تا Context Engineering

  • چرا پرامپت خوب بدون Context درست، نتیجه نمی‌دهد
  • تفاوت نگاه تک‌پرامپتی با مهندسی زمینه

2فرمول پرامپت ساختاریافته

  • جزء Context: مدل باید چه چیزی از پروژه بداند
  • جزء Role: تعیین نقش و سطح تخصص
  • جزء Task: تعریف دقیق و تک‌هدفه کار
  • جزء Constraints: محدودیت‌های فنی و سبک کد
  • جزء Output: قالب دقیق خروجی موردانتظار
  • جزء Examples: نمونه‌های راهنما برای کاهش ابهام
  • مقایسه عملی یک پرامپت ضعیف با نسخه قوی همان درخواست

3تکنیک Chain-of-Thought

  • وادار کردن مدل به استدلال گام‌به‌گام پیش از تولید کد
  • چرا این تکنیک روی مسائل پیچیده مؤثر است

4پرامپت‌های تخصصی

  • پرامپت Refactoring برای بازنویسی کد موجود
  • پرامپت دیباگ برای رسیدن به ریشه خطا
  • ساخت کتابخانه شخصی از پرامپت‌های پرکاربرد

5اشتباهات رایج در پرامپت

  • جا دادن چند کار در یک پرامپت
  • نبود Context کافی از پروژه
  • نگفتن محدودیت‌ها و فرض‌های ضمنی
  • پرامپت مبهم و قابل تفسیر چندگانه
  • نپذیرفتن سؤال شفاف‌سازی از مدل
  • اصرار روی مسیر غلط به‌جای شروع دوباره
۰۳

جعبه‌ابزار: دستیارهای داخل ادیتور

Editor AI Toolbox

نصب و استفاده حرفه‌ای از Cursor، Copilot، Claude Code، Windsurf و ابزارهای متن‌باز روی VS Code.

درس کامل ←

1مبنای کار: VS Code

  • چرا VS Code هسته مشترک همه این ابزارهاست
  • تنظیمات پایه و آماده‌سازی محیط
  • تذکر درباره تغییر سریع نام‌ها و دستورها

2حالت‌های کار ابزارها

  • حالت Ask / Chat برای پرسش و توضیح
  • حالت Plan برای طراحی پیش از اجرا
  • حالت Agent برای اجرای چندمرحله‌ای خودکار
  • حالت Auto و انتخاب خودکار مدل
  • کدام حالت برای چه نوع کاری مناسب است

3Cursor

  • این ابزار چیست و چه تفاوتی با افزونه دارد
  • نصب و راه‌اندازی اولیه
  • سه راه استفاده: تکمیل درون‌خطی، چت و عامل
  • مدل محدودیت مصرف (Usage-Based Rate Limits)

4GitHub Copilot

  • معرفی و جایگاه آن در بازار
  • نصب روی VS Code و پیکربندی
  • راه‌های استفاده: تکمیل، چت و ویرایش چندفایلی

5Claude Code

  • معرفی و تفاوت رویکرد ترمینالی
  • روش الف: استفاده در ترمینال داخل VS Code
  • روش ب: افزونه VS Code
  • دو راه پرداخت و انتخاب اقتصادی بین آن‌ها

6Windsurf

  • معرفی و نصب
  • ویژگی کلیدی Cascade و جریان کار آن

7ابزارهای متن‌باز و CLI

  • گزینه‌های متن‌باز روی VS Code
  • ابزارهای خط فرمان و کاربرد آن‌ها
  • تصحیح یک باور رایج درباره Codex
  • جدول مقایسه فنی همه ابزارها در کنار هم
۰۴

اپ‌سازها، Cloud Agent و انتخاب مدل

AI Builders & Model Choice

وقتی از ادیتور فراتر می‌روید: ساخت اپ از روی پرامپت، عامل‌های ابری و انتخاب درست مدل.

درس کامل ←

1فراتر از ادیتور

  • چه زمانی ادیتور کافی نیست
  • جایگاه اپ‌سازها در چرخه ساخت محصول

2اپ‌سازهای Prompt-to-App

  • معرفی v0، Lovable، Bolt.new و Replit Agent
  • از پرامپت تا اپ قابل اجرا: جریان کار واقعی
  • نکته بازارکاری: کجا این ابزارها می‌ارزند و کجا نه

3دسته نوظهور: Background / Cloud Agent

  • عامل‌هایی که بدون حضور شما کار می‌کنند
  • کاربردهای عملی و ریسک‌های آن

4کدام دسته برای چه کاری؟

  • ماتریس انتخاب میان ادیتور، اپ‌ساز و عامل ابری

5راهنمای انتخاب مدل

  • قاعده عملی انتخاب مدل بر اساس نوع تسک
  • تفاوت مدل‌های سریع، استدلالی و کدنویسی
  • چرا نام‌ها و نسخه‌ها زود کهنه می‌شوند و چطور به‌روز بمانید
۰۵

مقایسه و قیمت ابزارها

Pricing & Rate Limits

انتخاب اقتصادی: سه مدل پرداخت، محدودیت‌های مصرف و راه‌های پایین نگه داشتن هزینه.

درس کامل ←

1سه مدل پرداخت را بشناسید

  • اشتراک ماهانه: مزایا و سقف پنهان آن
  • پرداخت به‌ازای مصرف و رابطه مستقیم با توکن
  • مدل اعتباری (Credit-Based) و نحوه سوختن اعتبار

2Rate Limit مبتنی بر مصرف

  • مفهوم جدیدی که جای سقف ثابت درخواست را گرفته
  • چرا ممکن است وسط کار متوقف شوید
  • نکته عملی برای مدیریت سقف مصرف

3جدول مقایسه پلن‌ها

  • مقایسه پلن ابزارهای اصلی در کنار هم
  • تذکر مهم درباره تغییر مداوم ارقام

4راهنمای انتخاب برای دانشجو

  • چطور هزینه را پایین نگه داریم
  • ترکیب ابزار رایگان و پولی برای کمترین هزینه
  • قانون طلایی اقتصادی در Vibe Coding
۰۶

مدیریت Context، حافظه و توکن

Context & Token Management

کاهش هزینه و افزایش دقت، با کنترل دقیق آنچه مدل می‌بیند.

درس کامل ←

1توکن چیست و چرا مهم است؟

  • رابطه مستقیم توکن با هزینه و کیفیت پاسخ
  • تفاوت مصرف توکن در فارسی و انگلیسی

2چرا کنترل Context حیاتی است؟

  • پدیده Lost in the Middle و افت دقت در Context طولانی
  • چرا «هرچه بیشتر، بهتر» درباره Context غلط است

3قانون طلایی: @

  • ارجاع دقیق به فایل و پوشه به‌جای رها کردن مدل
  • الگوهای عملی استفاده از @ در ابزارهای مختلف

4فایل‌های Rules پروژه

  • تعریف قواعد ثابت پروژه برای مدل
  • ساختار پیشنهادی فایل Rules
  • چطور Rules از تکرار پرامپت جلوگیری می‌کند

5پاک‌سازی حافظه و مدیریت توکن

  • چرا دکمه New Chat دوست شماست
  • چک‌لیست عملی کاهش مصرف توکن
  • ارتباط مستقیم مصرف با Rate Limit
  • قاعده ذهنی برای تصمیم لحظه‌ای

6ابزارهای صرفه‌جویی در توکن

  • RTK و کاهش حجم Context
  • حافظه پایدار میان جلسات (claude-mem و هم‌خانواده‌ها)
  • Graphiti و گراف دانش زمان‌مند
  • این ابزارها برای چه کسی مناسب نیستند
  • ترتیب درست شروع و قانون طلایی: اندازه بگیرید
۰۷

مستندسازی، Rules و Spec-Driven Development

Documentation & Specs

مستندی که هم انسان می‌خواند و هم هوش مصنوعی از آن پیروی می‌کند.

درس کامل ←

1کد متولدشده را مستند کن

  • چرا کد تولیدشده با AI به مستند بیشتری نیاز دارد
  • تولید خودکار README و JSDoc

2مهندسی معکوس: فهم کد ناآشنا

  • استفاده از AI برای توضیح کد موجود
  • رسیدن به نقشه ذهنی پروژه در کمترین زمان

3سه نوع مستند که باید بسازید

  • README پروژه و اجزای ضروری آن
  • مستند داخل کد و سطح مناسب جزئیات
  • مستند معماری و تصمیم‌های طراحی

4Spec-Driven Development

  • نوشتن مشخصات پیش از تولید کد
  • چرا Spec دقیق، خروجی AI را چند برابر بهتر می‌کند

5مستند بنویس تا AI از آن پیروی کند

  • تبدیل مستند به منبع حقیقت برای مدل
  • چرخه کامل: Spec → کد → مستند → Spec بعدی
۰۸

Git در دنیای Vibe Coding

Git & Micro-Commits

شبکه نجات شما وقتی هوش مصنوعی نصف پروژه را بازنویسی می‌کند.

درس کامل ←

1Git، شبکه نجات شماست

  • چرا بدون Git، Vibe Coding خطرناک است
  • حداقل دانش Git که باید داشته باشید

2تکنیک Micro-Commits

  • کامیت کوچک بعد از هر تغییر تأییدشده
  • قاعده عملی: هر واحد کاری، یک کامیت
  • بازگشت سریع بدون از دست دادن کل روز

3شاخه‌بندی برای آزمایش‌های بزرگ

  • ایزوله کردن تغییرات پرریسک AI
  • الگوی شاخه آزمایشی و ادغام کنترل‌شده

4کامیت مسیج خودکار با AI

  • تولید پیام کامیت دقیق از روی Diff
  • استانداردسازی پیام‌ها در تیم

5بازبینی قبل از تأیید

  • چه چیزی را در کد تولیدی باید بررسی کنیم
  • کار با ابزار Diff در VS Code
  • نکته امنیتی: چه چیزهایی هرگز نباید کامیت شوند
۰۹

Monorepo یا مخازن جدا؟

Repository Structure

ساختاری که به هوش مصنوعی اجازه می‌دهد فرانت‌اند و بک‌اند را با هم ببیند.

درس کامل ←

1پاسخ کوتاه: Monorepo

  • چرا یک ریپو برای کار با AI بهتر است
  • اثر مستقیم ساختار مخزن بر کیفیت خروجی مدل

2ساختار پوشه پیشنهادی

  • چیدمان استاندارد فرانت‌اند، بک‌اند و مستندات
  • محل قرارگیری فایل‌های Rules و اسکریپت‌ها

3مثال کاربردی

  • پیاده‌سازی یک ساختار واقعی گام‌به‌گام
  • هماهنگ کردن تغییر هم‌زمان دو سر پروژه

4مقایسه کامل

  • Monorepo در برابر مخازن جدا: مزایا و هزینه‌ها
  • جمع‌بندی و توصیه نهایی برای پروژه‌های کوچک و متوسط
۱۰

تست، کیفیت و امنیت

Testing, Quality & Security

کد AI باورپذیر است و دقیقاً به همین دلیل خطرناک‌تر است.

درس کامل ←

1چرا کد AI بیشتر به تست نیاز دارد؟

  • خروجی باورپذیر اما غلط
  • فرض‌های نادرست درباره ورودی
  • حذف خاموش بخشی از منطق در بازنویسی

2الگوی «اول تست، بعد پیاده‌سازی»

  • نوشتن تست پیش از درخواست کد از مدل
  • همین الگو برای Refactor کردن کد موجود

3خطر Hallucinated Dependency

  • پکیج‌هایی که مدل می‌سازد و وجود ندارند
  • ریسک امنیتی نصب وابستگی جعلی و راه تشخیص

4چک‌لیست امنیتی قبل از انتشار

  • رازها و کلیدها: جایی که نباید باشند
  • اعتبارسنجی ورودی و جلوگیری از تزریق
  • احراز هویت و کنترل سطح دسترسی
  • بازبینی وابستگی‌ها و نسخه‌ها

5بازبینی خودکار Pull Request

  • استفاده از AI به‌عنوان بازبین اول کد
  • جمع‌بندی: کیفیت، مسئولیت شماست نه مدل
۱۱

Skills، Subagents و MCP

Skills, Subagents & MCP

توانمندسازی هوش مصنوعی برای انجام کارهای واقعی، نه فقط تولید متن.

درس کامل ←

1Skill چیست؟

  • تعریف Skill و تفاوت آن با یک پرامپت خوب
  • ساختار یک Skill قابل استفاده مجدد

2مثال‌های کاربردی

  • اجرای خودکار تست‌ها
  • جستجو در داکیومنت API
  • کار مستقیم با دیتابیس
  • اتصال به سرویس‌های بیرونی

3Subagents: از یک عامل به یک تیم

  • تقسیم تسک‌های بزرگ بین چند عامل
  • هماهنگی و تحویل نتیجه بین عامل‌ها

4MCP: استاندارد اتصال Skillها

  • MCP چیست و چه مشکلی را حل می‌کند
  • تبدیل یک API معمولی به ابزار قابل استفاده مدل

5پرامپت، Skill یا Subagent؟

  • ماتریس انتخاب میان سه سطح خودکارسازی
  • قدرت بیشتر یعنی مسئولیت بیشتر: مرزهای ایمن
۱۲

از پروتوتایپ تا Production

Deployment

فاصله میان «روی لپ‌تاپ من کار می‌کند» تا «کاربر واقعی از آن استفاده می‌کند».

درس کامل ←

1چرا این جلسه؟

  • شکاف میان پروتوتایپ و محصول قابل انتشار

2انتخاب نوع میزبانی

  • هاست فرانت‌اند و استاتیک
  • PaaS برای بک‌اند کامل
  • کانتینر و کنترل کامل زیرساخت
  • کدام گزینه برای پروژه این دوره مناسب است

3متغیرهای محیطی و رازها

  • مدیریت درست کلیدها در محیط Production
  • جداسازی پیکربندی از کد

4CI ساده

  • اجرای خودکار تست روی هر Push
  • حداقل خط لوله‌ای که ارزش راه‌اندازی دارد

5مانیتورینگ اولیه

  • ردیابی خطا (Error Tracking)
  • مانیتورینگ در دسترس بودن سرویس
  • لاگ‌ها و آنچه باید ثبت شود

6دامنه، HTTPS و انتشار

  • اتصال دامنه و فعال‌سازی HTTPS
  • چک‌لیست کامل پیش از انتشار
۱۳

کارگاه پروژه پایانی

Capstone Workshop

ساخت و انتشار یک اپلیکیشن واقعی، از صفر، بدون نوشتن دستی حتی یک خط کد.

درس کامل ←

1هدف کارگاه

  • خروجی نهایی: یک اپ کامل و منتشرشده
  • معیارهای پذیرش پروژه

2گام ۰: آماده‌سازی

  • راه‌اندازی مخزن، ابزارها و فایل Rules
  • نوشتن Spec اولیه پروژه

3مسیر گام‌به‌گام

  • ساخت ساختار پایه و اولین قابلیت
  • توسعه تدریجی فرانت‌اند و بک‌اند
  • تکرار همان حلقه ساخت–بازبینی–کامیت در هر گام

4دیباگ با Fix with AI

  • مسیر استاندارد رفع خطا با کمک مدل
  • تشخیص زمانی که باید خودتان دخالت کنید

5گام نهایی: Deploy واقعی

  • انتشار پروژه روی محیط عمومی
  • بررسی عملکرد پس از انتشار

6چک‌لیست تحویل

  • کیفیت: تست، ساختار و خوانایی
  • امنیت، مستندسازی و انتشار
  • قدم بعدی: پروژه شخصی، عمق در ابزارها و Skillهای سفارشی

ابزارهایی که در طول دوره با آن‌ها کار می‌کنید

ادیتور و دستیارها

VS Code Cursor GitHub Copilot Claude Code Windsurf CLI Agents

اپ‌ساز و عامل ابری

v0 Lovable Bolt.new Replit Agent Background Agents

کنترل نسخه و کیفیت

Git Micro-Commits Diff Review Pull Request Review CI

Context و بهره‌وری

Rules Files @ References RTK claude-mem Graphiti

خودکارسازی پیشرفته

Skills Subagents MCP

انتشار

Static Hosting PaaS Docker Env Vars HTTPS Monitoring

بعد از این دوره چه می‌توانی بکنی؟

✓
یک اپلیکیشن کامل می‌سازیدفرانت‌اند و بک‌اند را با کمک هوش مصنوعی طراحی، پیاده‌سازی و منتشر می‌کنید.
✓
هزینه ابزارها را مدیریت می‌کنیدپلن درست را انتخاب می‌کنید و مصرف توکن را آگاهانه پایین نگه می‌دارید.
✓
کیفیت و امنیت کد را کنترل می‌کنیدکد تولیدی AI را بازبینی، تست و ایمن‌سازی می‌کنید پیش از آنکه منتشر شود.
✓
سرعت توسعه‌تان چند برابر می‌شودبا حلقه ساخت–بازبینی–کامیت، بدون از دست دادن کنترل پروژه.

برای شروع، از فصل اول Vibe Coding و Agentic Programming چیست؟ آغاز کنید. این سرفصل در هر دوره بازبینی می‌شود تا با ابزارها و قیمت‌های روز هماهنگ بماند.

محسن درم بخت

استاد دوره: محسن درم بخت

مدیر پروژه های نرم افزار، مشاور و مدرس برنامه نویسی
29 دوره
آقای محسن درم‌ بخت، معمار برجسته هوش مصنوعی و نرم‌افزارهای سازمانی، با بیش از 20 سال تجربه در صنعت فناوری، راه‌حل‌های نوآورانه‌ای برای سازمان‌های بزرگ خلق کرده است. از طراحی پلتفرم های هوشمند برای بانک‌ها تا توسعه سامانه‌های نرم افزاری، او با تسلط بر مدیریت پروژه های نرم افزاری و تحلیل نیازمندی های سازمان در کنار دانش فنی بالا، پروژه‌های بزرگی را به موفقیت رسانده است. آقای مهندس درم بخت با مدیریت پروژه‌های پیچیده و آموزش نسل جدید برنامه‌نویسان، پیشگام تحول دیجیتال در دنیای فناوری است.
نظرات
تاکنون نظری درج نشده است.