Visual Studio Code که بهش می‌گن VS Code، یه ویرایشگر کد فوق‌العاده سبک، رایگان و متن‌باز (Open Source) هستش که شرکت مایکروسافت ساخته.

توی دنیای برنامه‌نویسی، VS Code الان محبوب‌ترین ویرایشگر کد به حساب میاد. چرا؟ چون:

• رایگانه — هیچ هزینه‌ای نداره
• سبکه — روی هر سیستمی به راحتی اجرا می‌شه
• قابلیت نصب افزونه (Extension) داره — می‌تونین هزاران ابزار مختلف بهش اضافه کنین
• از Git پشتیبانی می‌کنه — یعنی می‌تونین کدهاتون رو مدیریت و کنترل کنید
• داشبورد دیباگ (Debug) داره — یعنی می‌تونین خطاهای کدتون رو راحت پیدا کنین
• قابلیت هوش مصنوعی داره — با دستیار های متنوعی می‌تونین کد بزنین
• روی سه تا سیستم‌عامل اصلی (ویندوز، مک و لینوکس) اجرا می‌شه

به زبان ساده: VS Code مثل یه دفترچه یاداشت حرفه‌ای برای برنامه‌نویسه که هر وسیله‌ای که نیاز دارین می‌تونین بهش اضافه کنین!

نکته مهم: VS Code رو با Visual Studio اشتباه نگیرین! Visual Studio یه نرم‌افزار سنگین و حرفه‌ای‌تره که بیشتر روی ویندوز کار می‌کنه، ولی VS Code سبک‌تره و روی همه سیستم‌عامل‌ها اجرا می‌شه.

نصب VS Code روی ویندوز 🪟

مرحله ۱: دانلود فایل نصب

1. برین به سایت رسمی: code.visualstudio.com
2. صفحه که باز بشه، خودکار دکمه Download for Windows رو می‌بین. روش کلیک کنین.
3. یه فایل با اسم VSCodeUserSetup-xxxx.exe دانلود می‌شه.

نکته: دو نوع نصب‌کننده وجود داره:

• User Setup (توصیه می‌شه) — نیاز به دسترسی ادمین نداره و مخصوص حساب کاربری خودتونه
• System Setup — نیاز به دسترسی ادمین داره و برای همه کاربرای سیستم نصب می‌کنه

مرحله ۲: اجرای فایل نصب

1. فایل دانلود شده رو دوبار کلیک کنین تا اجرا بشه.
2. توافقنامه (License Agreement) رو قبول کنین و Next بزنین.
3. مسیر نصب رو انتخاب کنین (همون پیش‌فرض خوبه).
4. توی صفحه Select Additional Tasks، حتماً این گزینه‌ها رو تیک بزنین:
   • ✅ Add to PATH — این خیلی مهمه! با این کار می‌تونین از ترمینال با دستور code . VS Code رو باز کنین
   • ✅ Add “Open with Code” action to Windows Explorer file context menu
   • ✅ Add “Open with Code” action to Windows Explorer directory context menu
5. دکمه Install رو بزنین.
6. بعد از تموم شدن نصب، تیک Launch Visual Studio Code رو بزنین و Finish رو بزنین.

مرحله ۳: اجرا و تست

• VS Code باز می‌شه و صفحه خوش‌آمدگویی (Welcome) رو می‌بین.
• برای تست از خط فرمان (CMD یا PowerShell)، دستور زیر رو بزنین:

code .

اگه VS Code باز شد، یعنی نصب کاملاً درسته! 🎉

نصب VS Code روی macOS 🍎

مرحله ۱: دانلود

1. برین به سایت رسمی: code.visualstudio.com
2. دکمه Download for macOS رو بزنین.
3. یه فایل ZIP دانلود می‌شه.

نکته: اگه مک شما تراشه Apple Silicon (M1, M2, M3) داره یا Intel، خیالتون راحت باشه — گزینه Universal رو انتخاب کنین که روی هر دو نوع کار می‌کنه.

مرحله ۲: نصب

1. فایل ZIP دانلود شده رو دوبار کلیک کنین تا از حالت فشرده خارج بشه.
2. فایل Visual Studio Code.app رو بگیرین و بکشین توی پوشه Applications.
3. برین پوشه Applications و دوبار کلیک کنین روی VS Code تا اجرا بشه.
4. اگه پیام امنیتی اومد که “این برنامه از اینترنت دانلود شده”، دکمه Open رو بزنین — این طبیعیه!

مرحله ۳: فعال‌سازی دستور ترمینال

برای اینکه بتونین از ترمینال مک با دستور code . VS Code رو باز کنین:

1. VS Code رو باز کنین.
2. کلیدهای Cmd+Shift+P رو بزنین تا Command Palette باز بشه.
3. تایپ کنین: Shell Command
4. گزینه Shell Command: Install ‘code’ command in PATH رو انتخاب کنین.
5. ترمینال رو بندین و دوباره باز کنین. حالا می‌تونین از دستور code . استفاده کنین.

نصب با Homebrew (روش سریع‌تر): اگه Homebrew نصب دارین، فقط کافیه این دستور رو بزنین:

brew install --cask visual-studio-code

نصب VS Code روی لینوکس 🐧

نصب روی لینوکس بسته به توزیعی که دارین کمی متفاوته. بیاین روش‌های مختلف رو ببینیم:

روش ۱: اوبونتو / دبیان (Debian/Ubuntu)

روش ساده (دانلود فایل .deb)

1. برین به سایت رسمی: code.visualstudio.com
2. دکمه Debian (.deb) رو بزنین و فایل رو دانلود کنین.
3. ترمینال رو باز کنین و دستور زیر رو بزنین:

sudo apt install ./<اسم-فایل>.deb

مثلاً:

sudo apt install ./code_1.96.0-1734602286_amd64.deb

روش حرفه‌ای (با مخزن مایکروسافت — توصیه می‌شه)

این روش باعث می‌شه VS Code به‌صورت خودکار آپدیت بشه:

# نصب ابزارهای لازم
sudo apt update
sudo apt install wget gpg

# دریافت کلید امنیتی مایکروسافت
wget -qO- https://packages.microsoft.com/keys/microsoft.asc | gpg --dearmor > packages.microsoft.gpg
sudo install -D -o root -g root -m 644 packages.microsoft.gpg /etc/apt/keyrings/packages.microsoft.gpg

# اضافه کردن مخزن
echo "deb [arch=amd64,arm64,armhf signed-by=/etc/apt/keyrings/packages.microsoft.gpg] https://packages.microsoft.com/repos/code stable main" | sudo tee /etc/apt/sources.list.d/vscode.list > /dev/null

# بروزرسانی و نصب
sudo apt update
sudo apt install code

روش ۲: فدورا / RHEL / CentOS

# دانلود فایل .rpm
# یا استفاده از مخزن مایکروسافت:

sudo rpm --import https://packages.microsoft.com/keys/microsoft.asc
echo -e "[code]\nname=Visual Studio Code\nbaseurl=https://packages.microsoft.com/yumrepos/vscode\nenabled=1\nautorefresh=1\ntype=rpm-md\ngpgcheck=1\ngpgkey=https://packages.microsoft.com/keys/microsoft.asc" | sudo tee /etc/yum.repos.d/vscode.repo > /dev/null

# نصب با dnf (فدورا ۲۲ به بعد)
dnf check-update
sudo dnf install code

# یا برای نسخه‌های قدیمی‌تر با yum
sudo yum install code

روش ۳: نصب با Snap (روی همه توزیع‌ها)

sudo snap install --classic code

این روش رو همه توزیع‌های لینوکس پشتیبانی می‌کن و خودکار آپدیت می‌شه.

اجرا در لینوکس

بعد از نصب، برای اجرا:

• از منوی برنامه‌ها Visual Studio Code رو انتخاب کنین
• یا توی ترمینال دستور زیر رو بزنین:

code

قدم‌های بعد از نصب ✅

بعد از اینکه VS Code رو نصب کردین، این کارها رو انجام بدین:

۱. نصب افزونه‌های مفید

از منوی سمت چپ، آیکون چهارخانه (Extensions) رو بزنین و این افزونه‌ها رو نصب کنین:

• Persian Language Pack — برای فارسی کردن محیط (اگه دوست دارین)
• Python — اگه با پایتون کار می‌کنین
• Prettier — برای مرتب کردن کد
• Live Server — برای دیدن زنده سایت‌های HTML

۲. تنظیم دلخواه

• از منوی File > Preferences > Settings می‌تونین ظاهر و تنظیمات VS Code رو شخصی‌سازی کنین
• تم (Theme) مورد علاقه‌تون رو انتخاب کنین

۳. تست نهایی

یه پوشه جدید بسازین، توی ترمینال برین اون پوشه و دستور code . رو بزنین — اگه VS Code با اون پوشه باز شد، یعنی همه چی عالیه! 🚀

جمع‌بندی 📝

VS Code یه ابزار فوق‌العاده‌ست که چه تازه‌کار باشین چه حرفه‌ای، به کارتون میاد. نصبش هم که دیدین چقدر راحته!

حالا برین و شروع کنین به کدنویسی! 🎉

اندروید استودیو از یه ایجنت هوش مصنوعی به اسم Gemini استفاده می‌کنه. این ایجنت می‌تونه:

• کد براتون بنویسه و کاملش کنه
• باگ‌ها رو پیدا و رفع کنه
• خطاهای Gradle، Logcat و Crash رو تحلیل کنه
• مستقیماً برنامه رو روی دستگاه نصب و تست کنه
• بین چند فایل همزمان تغییر ایجاد کنه

ولی دو تا مشکل بزرگ داره:

۱. محدودیت نسخه رایگان: توی نسخه رایگان، یه نسخه سبک از Gemini 2.5 Pro با context window کوچک دریافت می‌کنید. اگه پروژه بزرگ دارید، ممکنه جواب‌هاش کامل نباشه.

۲. فقط جمینای! اندروید استودیو به صورت پیش‌فرض فقط از مدل‌های Gemini پشتیبانی می‌کنه. نمی‌تونید از Claude، GPT یا مدل‌های دیگه استفاده کنید… مگه اینکه یه راه بلد باشید که الآن بهتون یاد می‌دم 😉

راه حل: اتصال به Natural AI به عنوان پروایدر خارجی

خوشبختانه اندروید استودیو یه قابلیت داره به اسم Remote Third-Party Provider که به شما اجازه میده هر سرویس OpenAI-compatible رو بهش وصل کنید.

مرحله ۱: گرفتن API Key از Natural AI

کافیه برید سایت Natural AI، ثبت‌نام کنید و از بخش تنظیمات یه کلید API بگیرید. این کلید رو برای مرحله بعد نیاز دارید.

مرحله ۲: باز کردن تنظیمات

1. از منوی File (ویندوز) یا Android Studio (مک) برید به Settings.
2. توی کادر جستجوی تنظیمات، بنویسید AI.
3. از نتایج، گزینه Model Providers رو انتخاب کنید.

مرحله ۳: افزودن پروایدر جدید

1. روی علامت + (افزودن پروایدر جدید) کلیک کنید.
2. گزینه Third-Party Remote Provider رو انتخاب کنید.

مرحله ۴: پر کردن اطلاعات اتصال

حالا این اطلاعات رو وارد کنید:

بعد از وارد کردن API Key، چند لحظه صبر کنید تا لیست مدل‌ها لود بشه. یه مدل که دوست دارید انتخاب کنید (مثلاً Qwen یا DeepSeek).

مرحله ۵: ذخیره و شروع کار

1. روی OK یا Apply کلیک کنید.
2. حالا برید توی چت ایجنت (پنل کناری).
3. از منوی بالای چت، مدل جدیدی که اضافه کردید رو انتخاب کنید.

🎉 تبریک! الآن می‌تونید با مدل دلخواه خودتون توی اندروید استودیو کد بزنید، بدون محدودیت جمینای!

جمع‌بندی

چی شد که انجام دادیم؟ خیلی ساده: ✅ از Natural AI کلید API گرفتیم ✅ اندروید استودیو رو به Natural AI وصل کردیم ✅ از محدودیت مدل‌های جمینای خلاص شدیم ✅ حالا می‌تونیم از ده‌ها مدل مختلف توی اندروید استودیو استفاده کنیم

برای گرفتن API Key از Natural AI:

کافیه برید سایت Natural AI، ثبت‌نام کنید و از بخش تنظیمات (Dashboard/Settings) کلید API خودتون رو بگیرید. با این کلید می‌تونید به ده‌ها مدل هوش مصنوعی معروف دسترسی داشته باشید.

شما میتوانید لیست مدلها را از اینجا ببینید. پیشنهاد میکنیم برای شروع از مدلهای ارزان قیمتی مثل deepseek استفاده کنید و میزان مصرف را مدیریت کنید.

Qdrant (تلفظ: کادْرَنت) یک دیتابیس برداری (Vector Database) قدرتمند و متن‌باز (Open Source) است که به زبان Rust نوشته شده.

به زبان ساده: توی دیتابیس‌های معمول مثل MySQL یا PostgreSQL، ما داده‌ها رو به صورت ردیف و ستون ذخیره می‌کنیم و بر اساس مقادیر اون‌ها جستجو می‌کنیم. اما Qdrant مخصوص ذخیره‌سازی بردارها (Vectors) ساخته شده — همون اعدادی که مدل‌های هوش مصنوعی (مثل ChatGPT یا مدل‌های embedding) تولید می‌کنند.

کاربردهای اصلی Qdrant

• جستجوی معنایی (Semantic Search): مثلاً بهش می‌گی «تغییرات اقلیمی» و مقالات مربوط به «گرمایش زمین» رو برات پیدا می‌کنه
• سیستم‌های توصیه‌گر (Recommendation Systems): مثل «محصولات مشابه» در فروشگاه‌های اینترنتی
• حافظه بلندمدت برای AI Agentها و RAG (Retrieval-Augmented Generation)
• تشابه‌یابی تصاویر، صداها و متن‌ها

ویژگی‌های مهم Qdrant

• ⚡ فوق‌العاده سریع — نوشته شده با Rust و از SIMD پشتیبانی می‌کنه
• 🔍 فیلتر کردن پیشرفته — می‌تونی همزمان با جستجوی برداری، روی JSON metadata هم فیلتر اعمال کنی
• 📊 مقیاس‌پذیر — تا میلیاردها بردار رو پشتیبانی می‌کنه
• 🔄 جستجوی ترکیبی (Hybrid Search) — ترکیب جستجوی معنایی + جستجوی متنی
• 🖥️ رابط کاربری تحت وب — داشبورد بصری برای مدیریت
• 📦 Client Library برای زبان‌های مختلف: Python, JavaScript, Rust, Go, Java, .NET

روش‌های نصب Qdrant

Qdrant رو به ۴ روش اصلی می‌شه نصب کرد. بیایید هرکدوم رو ببینیم:

✅ روش ۱: نصب با Docker (ساده‌ترین روش — توصیه‌شده)

این روش هم روی لینوکس و هم روی ویندوز جواب میده.

روی لینوکس

# مرحله ۱: کشیدن image از Docker Hub
docker pull qdrant/qdrant

# مرحله ۲: اجرای کانتینر (با ذخیره‌سازی دائمی)
docker run -p 633:633 -p 6334:6334 \
    -v "$(pwd)/qdrant_storage:/qdrant/storage" \
    qdrant/qdrant

روی ویندوز (با Docker Desktop)

# مرحله ۱: کشیدن image
docker pull qdrant/qdrant

# مرحله ۲: اجرا 
docker run -p 633:633 -p 6334:6334 ^
    -v "%cd%/qdrant_storage:/qdrant/storage" ^
    qdrant/qdrant

⚠️ نکته مهم برای ویندوز: به دلیل مشکلات فایل‌سیستم در WSL، توصیه می‌شه مسیر ذخیره‌سازی رو داخل یک volume مخصوص Docker بذارید، نه روی فایل‌سیستم ویندوز.

بعد از اجرا، به این آدرس‌ها دسترسی دارید

✅ روش ۲: نصب با استفاده از باینری مستقیم (بدون Docker)

Qdrant فایل‌های باینری آماده برای سیستم‌عامل‌های مختلف ارائه می‌ده.

روی لینوکس (Ubuntu/Debian)

# دانلود آخرین نسخه (مثلاً v1.18.3) - فایل .deb
wget https://github.com/qdrant/qdrant/releases/download/v1.18.3/qdrant_1.18.3-1_amd64.deb

# نصب
sudo dpkg -i qdrant_1.18.3-1_amd64.deb

# اجرا
qdrant

روی لینوکس (نسخه فشرده — عمومی)

# دانلود فایل tar.gz
wget https://github.com/qdrant/qdrant/releases/download/v1.18.3/qdrant-x86_64-unknown-linux-gnu.tar.gz

# استخراج
tar -xzf qdrant-x86_64-unknown-linux-gnu.tar.gz

# اجرا
./qdrant

روی ویندوز

# ۱. از صفحه Releases گیت‌هاب دانلود کن:
# https://github.com/qdrant/qdrant/releases
# فایل: qdrant-x86_64-pc-windows-msvc.zip

# ۲. فایل رو extract کن
# ۳. توی CMD یا PowerShell اجرا کن:
.\qdrant.exe

✅ روش ۳: نصب از روی سورس (منبع کد) — برای لینوکس و macOS

اگر نیاز به کامپایل اختصاصی برای معماری خاصی دارید:

# پیش‌نیاز: نصب Rust
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh

# clone کردن مخزن
git clone https://github.com/qdrant/qdrant.git
cd qdrant

# کامپایل
cargo build --release --bin qdrant

# باینری در مسیر:
./target/release/qdrant

✅ روش ۴: نصب کتابخانه Python (حالت Local Mode)

اگر برنامه‌نویس پایتون هستی، می‌تونی حتی بدون اجرای سرور، Qdrant رو مستقیم در کدت استفاده کنی:

pip install qdrant-client

و بعد توی کد پایتون:

from qdrant_client import QdrantClient

# حالت Local — بدون نیاز به سرور!
client = QdrantClient(":memory:")

# یا با مسیر مشخص
client = QdrantClient(path="/tmp/my_qdrant_db")

🚀 شروع سریع (Quick Start) — بعد از نصب

بعد از اینکه Qdrant رو اجرا کردی، می‌تونی با یه درخواست ساده REST API امتحانش کنی:

# بررسی وضعیت سرور
curl http://localhost:633

و برای استفاده در پایتون:

from qdrant_client import QdrantClient
from qdrant_client.http.models import Distance, VectorParams

client = QdrantClient("http://localhost:633")

# ساخت یک Collection جدید
client.create_collection(
    collection_name="my_collection",
    vectors_config=VectorParams(size=128, distance=Distance.COSINE),
)

# اضافه کردن چند نقطه (Point)
client.upsert(
    collection_name="my_collection",
    points=[
        {"id": 1, "vector": [0.1]*128, "payload": {"name": "سند اول"}},
        {"id": 2, "vector": [0.2]*128, "payload": {"name": "سند دوم"}},
    ]
)

🧪 نکات مهم

📚 جمع‌بندی

Qdrant یک دیتابیس برداری مدرن، سریع و قدرتمنده که بهترین گزینه برای کارهای هوش مصنوعی، جستجوی معنایی و RAG هست. ساده‌ترین راه نصب استفاده از Docker هست که روی هر دو سیستم‌عامل لینوکس و ویندوز جواب میده. بعد از اجرا با docker run، فقط کافیه پورت 633 رو باز کنی و API آماده استفاده است.

Zoo Code یه افزونه قدرتمند و متن‌باز برای VS Code هست که به شما امکان میده با هوش مصنوعی مستقیماً توی محیط کدنویسی‌تون تعامل داشته باشید. برخلاف چت‌های معمولی، Zoo Code میتونه کل پروژه شما رو بخونه، ویرایش کنه و به عنوان یه دستیار هوشمند کنار شما باشه.

توی این مقاله، قدم‌به‌قدم یاد می‌گیرید چطور Zoo Code رو به Natural AI وصل کنید و از قابلیت‌های پیشرفته‌ش استفاده کنید.

پیش‌نیاز: Zoo Code یه افزونه برای VS Code هست، پس اول باید VS Code رو روی سیستم‌تون نصب داشته باشید. اگه هنوز نصب نکردین، نگران نباشید — مقاله راهنمای نصب VS Code روی ویندوز، لینوکس و مک رو ببینید و بعد برگردین اینجا. 😊

قبل از شروع: برای دنبال کردن این آموزش، اول باید از Natural AI یه کلید API (API Key) بگیرید. کافیه وارد سایت بشید، برید بخش تنظیمات و کلید خودتون رو دریافت کنید. این کلید مثل رمز عبور برای ارتباط با سرویس هست.

۱. نصب Zoo Code توی VS Code خیلی ساده‌ست:

1. VS Code رو باز کنید.
2. از منوی سمت چپ، روی آیکون Extensions (چهارتا مربع) کلیک کنید.
3. توی کادر جستجو، بنویسید Zoo Code.
4. اولین نتیجه که توسط Zoo Team منتشر شده رو انتخاب کنید.
5. روی دکمه Install (نصب) کلیک کنید.

🎉 تمام! حالا Zoo Code نصب شده و توی نوار کناری VS Code یه آیکون جدید (شبیه زرافه 🦒) می‌بینید.

۲. تنظیمات اولیه و اتصال به Natural AI بعد از نصب، باید Zoo Code رو به یه پروایدر هوش مصنوعی وصل کنید. اینجا ما Natural AI رو انتخاب می‌کنیم.

مرحله ۱: باز کردن تنظیمات

1. روی آیکون Zoo Code (زرافه 🦒) توی نوار کناری کلیک کنید.
2. یه صفحه چت باز میشه. توی بالای صفحه چت، یه آیکون چرخ‌دنده (تنظیمات) هست. روش کلیک کنید.

مرحله ۲: اضافه کردن پروایدر جدید

1. توی صفحه تنظیمات، برید به بخش Providers.
2. روی دکمه Add Provider (اضافه کردن پروایدر) کلیک کنید.
3. یه لیست از انواع اتصالات می‌بینید. معروف‌ترین‌شون OpenAI Compatible هست. اون رو انتخاب کنید.

مرحله ۳: تنظیم اتصال Natural AI حالا باید اطلاعات سرویس رو وارد کنید:

نکته مهم: فیلد Base URL رو دقیقاً به این شکل وارد کنید: https://naturalai.ir/api/v1

مرحله ۴: تنظیمات اضافی

پایین صفحه یه سری تنظیمات دیگه هست مثل:

• Stream response (پاسخ‌های زنده): بذارید روشن باشه
• Enable thinking (تفکر عمیق): برای شروع نیاز نیست

فعلاً اینا رو دست نزنید و با پیش‌فرض بمونید.

مرحله ۵: ذخیره و شروع مکالمه

1. روی Save کلیک کنید.
2. حالا برمی‌گردید پایین صفحه. یه قسمت به اسم Model می‌بینید که مدل انتخابی شما اونجاست.
3. توی کادر چت، هر سوالی بپرسید! ایجنت جواب میده و حتی میتونه کد اجرا کنه.

✅ اتصال شما برقرار شد! حالا می‌تونید از هوش مصنوعی توی محیط کدنویسی استفاده کنید.

۳. کار پیشرفته‌تر: Index کردن پروژه (جستجوی هوشمند توی کدها)

این قابلیت به Zoo Code اجازه میده کل پروژه شما رو بخونه، بفهمه و توی یه پایگاه داده برداری ذخیره کنه. نتیجه‌ش چی میشه؟

چرا باید پروژه رو Index کنیم؟

مزایای Index کردن پروژه:

نصب Qdrant (پایگاه داده برداری)

برای Index کردن، Zoo Code از Qdrant استفاده می‌کنه. Qdrant یه دیتابیس برداری (Vector Database) هست که اطلاعات پروژه رو به صورت برداری ذخیره می‌کنه.

• روش نصبش رو می‌تونید از اینجا ببینید Qdrant: https://naturalai.ir/blog/posts/qdrant-install/
• برای این آموزش، فرض می‌کنیم Qdrant روی سیستم شما نصب و اجراس.

تنظیم اتصال به Qdrant و Index کردن

مرحله ۱: رفتن به بخش دیتابیس

1. پایین صفحه چت Zoo Code، یه دکمه به اسم Database هست.
2. روش کلیک کنید.

مرحله ۲: راه‌اندازی اتصال

1. روی دکمه Setup کلیک کنید.
2. مثل دفعه قبل، OpenAI Compatible رو انتخاب کنید.

مرحله ۳: تنظیم مدل Embedding این بار تنظیمات کمی فرق داره:

توضیح کوتاه درباره bge-m3: این یه مدل Embedding (جاسازی) هست که توسط شرکت BAAI ساخته شده. کارش اینه که متن و کد رو به بردارهای عددی تبدیل کنه تا کامپیوتر بتونه “معنی” کدها رو بفهمه. عدد 1024 یعنی هر تکه از کد شما به یه بردار ۱۰۲۴تایی تبدیل میشه. هرچه این عدد بزرگتر باشه، دقت بیشتری داره.

مرحله ۴: تنظیم آدرس Qdrant - توی بخش Qdrant URL، آدرس دیتابیس محلی رو وارد کنید. معمولاً این آدرس پیش‌فرض هست:

http://localhost:6333

مرحله ۵: ذخیره و شروع Index 1. روی Save کلیک کنید.

2. حالا دکمه Start Indexing رو بزنید.
3. منتظر بمونید تا Zoo Code پروژه شما رو بخونه و Index کنه. این کار ممکنه چند دقیقه طول بکشه (به حجم پروژه بستگی داره).

علامت موفقیت

اگه همه چیز خوب پیش بره:

• بالای بخش دیتابیس، یه دایره سبز رنگ ظاهر میشه. 🌟
• یعنی پروژه شما با موفقیت Index شده و آماده استفاده هوشمنده.

نکته جالب: از این به بعد، هر تغییری توی پروژه بدید، Zoo Code خودکار Index رو به‌روز می‌کنه. نیاز به کار اضافه ندارید.

۴. ایجنت‌های کدنویسی Zoo Code چجوری کار می‌کنن؟

Zoo Code فقط یه چت ساده نیست. این ابزار از ایجنت‌های تخصصی (Modes) استفاده می‌کنه که هرکدوم برای یه کار خاص طراحی شدن:

حالت‌های مختلف ایجنت:

چطور از ایجنت‌ها استفاده کنیم؟

• توی صفحه چت، بالای کادر متن، یه منوی کشویی می‌بینید که Code نوشته (حالت پیش‌فرض).
• روش کلیک کنید و حالت مورد نظر رو انتخاب کنید.
• حالا هر چی توی کادر بنویسید، ایجنت همون نقش رو بازی می‌کنه.

مثال عملی: فرض کنید باگ دارید. حالت رو بذارید روی Debug Mode و بگید: “برنامه موقع ثبت‌نام کرش می‌کنه. کمکم کن ریشه مشکل رو پیدا کنم.” ایجنت کل پروژه Index شده رو بررسی می‌کنه و جواب دقیق میده.

جمع‌بندی و نکات نهایی

✅ کاری که توی این مقاله انجام دادیم:

1. Zoo Code رو توی VS Code نصب کردیم.
2. Natural AI رو به عنوان پروایدر تنظیم کردیم.
3. پروژه رو با استفاده از bge-m3 و Qdrant Index کردیم.
4. با حالت‌های مختلف ایجنت‌ها آشنا شدیم.

حالا دیگه می‌تونید مثل یه برنامه‌نویس حرفه‌ای، با دستیار هوشمند خودتون کد بزنید، باگ پیدا کنید و مستندات بنویسید. 🚀

برای گرفتن API Key از Natural AI:

کافیه برید سایت Natural AI، ثبت‌نام کنید و از بخش تنظیمات (Dashboard/Settings) کلید API خودتون رو بگیرید. با این کلید می‌تونید به ده‌ها مدل هوش مصنوعی معروف دسترسی داشته باشید.

شما میتوانید لیست مدلها را از اینجا ببینید. پیشنهاد میکنیم برای شروع از مدلهای ارزان قیمتی مثل deepseek استفاده کنید و میزان مصرف را مدیریت کنید.

نکته جالب اینجاست که Opus 5 در برخی از معیارهای سنجش عملکرد که در این اطلاعیه منتشر شده، حتی از Fable 5 هم بهتر عمل کرده است.

جایگاه Opus 5 در خانواده مدل‌های سری ۵

عرضه Opus 5 تنها دو ماه پس از انتشار Opus 4.8 (که ۲۸ اردیبهشت ماه در دسترس قرار گرفت) انجام می‌شود. از طرفی، مدل‌های Mythos 5، Fable 5 و Sonnet 5 همگی در خرداد ماه عرضه شدند و حالا تنها مدل سبک‌وزن Haiku است که هنوز به سری ۵ ارتقا پیدا نکرده و منتظر به‌روزرسانی است.

قابلیت راستی‌آزمایی و تکرار گام‌به‌گام

Anthropic در پست معرفی این مدل تأکید کرده که Opus 5 «در راستی‌آزمایی کار خود و تکرار گام‌به‌گام تا رسیدن به نتیجه مطلوب، بسیار توانمندتر شده است». به عنوان مثال، در آزمایش‌های انجام‌شده، Opus 5 با دریافت یک راهنمای ناقص، موفق شد یک خط لوله کامل پردازش تصویر (بینایی کامپیوتری) را از صفر بنویسد.

محدودیت‌های کمتر نسبت به Fable 5

نکته بسیار مهم دیگر این است که Opus 5 از بسیاری از محدودیت‌هایی که از زمان عرضه، گریبانگیر Fable بوده، رها شده است. مشابه نسل قبلی خود، سیاست نگهداری ۳۰ روزه داده‌ها که برای Fable و Mythos اعمال می‌شود، شامل Opus 5 نمی‌شود. این سیاست پیشتر نگرانی کاربرانی را که به حریم خصوصی خود حساس بودند، برانگیخته بود.

محدودیت‌های امنیت سایبری

البته همچنان محدودیت‌های قابل توجهی برای Opus 5 در نظر گرفته شده، به ویژه در حوزه امنیت سایبری و کارهایی مثل تولید بدافزار (اکسپلویت) یا تست نفوذ. مثلاً محافظت‌های Opus 5 مانع از اسکن آسیب‌پذیری‌ها در فایل‌های باینری نرم‌افزاری می‌شود، اما جستجوی آسیب‌پذیری در کد منبع مجاز است، چون احتمال بیشتری دارد که با هدف دفاعی انجام شود.

به طور کلی، Anthropic پیش‌بینی می‌کند که این دسته‌بندی‌های امنیتی برای Opus 5 حدود ۸۵ درصد کمتر از Fable 5 فعال شوند. این خود نشان می‌دهد که شرکت برای مدل کم‌توان‌تر، رویکرد سهل‌گیرانه‌تری در پیش گرفته است.

ویژگی بازگشت خودکار (Automatic Fallbacks)

علاوه بر این، Anthropic ابزاری جدید را معرفی کرده تا وقتی این محافظت‌ها فعال می‌شوند، اختلال کمتری ایجاد کنند. کاربران می‌توانند یک ویژگی آزمایشی (بتا) به نام «بازگشت خودکار» (Automatic Fallbacks) را فعال کنند. با این کار، اگر یک درخواست (پرامپت) دسته‌بندی ایمنی را فعال کند، سیستم به طور خودکار آن را به یک مدل کم‌توان‌تر ارسال می‌کند. نتیجه این می‌شود که کاربران API که این گزینه را فعال کرده‌اند، به جای دریافت پیام خطا، یک پاسخ عملی دریافت می‌کنند.

تصور کنید یک دستیار دارید که فقط حرف نمی‌زند؛ می‌تواند اسنادتان را بخواند، به دیتابیس شرکت وصل شود، در Jira تسک ثبت کند، و حتی از طرف شما ایمیلی بفرستد. Natural AI دقیقاً همین کار را می‌کند.

چت‌بات‌های هوش مصنوعی امروز از یک «صفحه گفتگو» ساده فراتر رفته‌اند. در این مقاله، با قابلیت‌های Natural AI آشنا می‌شوید و می‌بینید چطور می‌تواند فرآیندهای سازمان شما را متحول کند.

بخش ۱: چت‌بات معمولی نیست

در Natural AI، چت‌بات فقط پاسخ نمی‌دهد؛ فکر می‌کند، جستجو می‌کند، و عمل انجام می‌دهد.

۱.۱ گفتگوی تعاملی با Stream

پاسخ کلمه‌به‌کلمه می‌آید و می‌توانید لحظه به لحظه ببینید مدل چطور به جواب می‌رسد. این قابلیت برای دیباگ و تصحیح به‌موقع بسیار مفید است.

۱.۲ تفکر عمیق (Deep Thinking)

وقتی سوال پیچیده‌ای دارید، نیازی نیست چندبار سوال را عوض کنید. Natural AI می‌تواند قبل از پاسخ، یک زنجیره استدلال داخلی (Chain-of-Thought) تولید کند و بعد جواب نهایی را بدهد. برای معماری نرم‌افزار، تحلیل مالی، و مسائل چندمرحله‌ای عالی است.

۱.۳ خروجی غنی

چت‌بات فقط متن ساده تولید نمی‌کند. می‌تواند:

• نمودار Mermaid بکشد (فلوچارت، C4 معماری، نمودار توالی)
• کد با Syntax Highlight بنویسد
• جدول‌های Markdown تولید کند
• و حتی ADR (سند تصمیم‌گیری معماری) کامل با ساختار استاندارد خروجی بدهد

بخش ۲: پایگاه دانش؛ وقتی ربات کتابخانه شما را می‌شناسد

یکی از قوی‌ترین ویژگی‌های Natural AI، پایگاه دانش (Knowledge Base) است. این یعنی چت‌بات شما فقط بر اساس اطلاعات عمومی پاسخ نمی‌دهد؛ بلکه می‌تواند:

• فایل‌های PDF، Word، Excel، JSON را پردازش کند
• پاسخ با استناد بدهد (یعنی منبع دقیق جواب را نشان دهد)
• بر اساس محتوای سازمان شما جواب بدهد، نه حدس مدل

مثال کاربردی: فرض کنید کاتالوگ محصولات، سیاست مرجوعی، و قوانین داخلی شرکت را در پایگاه دانش آپلود کرده‌اید. تیم پشتیبانی می‌تواند سوال کند: «آیا کفش سایز ۴۲ موجود است؟» و ربات دقیقاً از JSON محصولات جواب می‌دهد، نه اینکه حدس بزند.

امکان اشتراک‌گذاری پایگاه دانش با همکاران هم وجود دارد—یک پایگاه، برای کل تیم.

بخش ۳: سرورهای MCP؛ پل ارتباطی به دنیای بیرون

MCP (Model Context Protocol) جایی است که چت‌بات تبدیل به دستیار عملیاتی می‌شود. Natural AI می‌تواند به سرویس‌های خارجی متصل شود:

• Jira: تسک‌های من را نشان بده، یک issue جدید ایجاد کن
• GitHub: آخرین Pull Requestها را لیست کن
• پایگاه داده: فروش دیروز را به تفکیک شهر گزارش بده
• APIهای داخلی: وضعیت سرور را چک کن
• Spotify: یک پلی‌لیست انرژیک برای ورزش بساز

نکته امنیتی مهم: اجرای ابزارها روی سرور انجام می‌شود، نه در مرورگر کاربر. شما می‌توانید برای هر فراخوانی، تأیید دستی بخواهید یا به مدل «اجازه به همه در این گفتگو» بدهید.

بخش ۴: مدل‌های شخصی؛ دستیار اختصاصی خودت

این قابلیت شاید قوی‌ترین و منحصربه‌فردترین ویژگی Natural AI باشد. شما می‌توانید یک مدل شخصی (Custom Model) بسازید که ترکیبی است از:

• یک مدل پایه OpenAI (مثلاً GPT-4 یا Claude)
• یک پایگاه دانش (RAG)
• چند سرور MCP
• یک پرامپت سیستم ثابت

مثال: فرض کنید می‌خواهید یک دستیار فروش داشته باشید. یک مدل شخصی به نام sales-assistant می‌سازید، به آن پایگاه دانش کاتالوگ محصولات و MCP متصل به CRM را می‌دهید، و پرامپت می‌نویسید: «فقط فارسی جواب بده و همیشه تخفیف‌های فعال را در پاسخ ذکر کن.»

بعد در API فقط model: "sales-assistant" را می‌فرستید و همه تنظیمات خودکار اعمال می‌شود.

بخش ۵: API سازگار با OpenAI

Natural AI کاملاً با استاندارد OpenAI سازگار است. یعنی اگر قبلاً با OpenAI کار کرده‌اید، فقط کافیست:

import openai
client = openai.OpenAI(
    base_url="https://your-domain.com/api/v1",
    api_key="wp_your_key"
)

و تمام قابلیت‌های RAG، MCP، و مدل شخصی شما از طریق API در دسترس است. این یعنی می‌توانید Natural AI را در:

• اپلیکیشن موبایل خود
• ربات تلگرام
• ویجت چت سایت
• و هر سرویس دیگری Embed کنید.

بخش ۶: اتصال به Agentهای برنامه‌نویسی

یک قابلیت جذاب دیگر: Natural AI را می‌توانید به Cursor، Continue، Android Studio و سایر IDEها وصل کنید. یعنی مدل‌ها و MCPهای شخصی‌سازی‌شده‌تان را مستقیماً در محیط توسعه استفاده کنید.

سناریوهای واقعی در یک نگاه

جمع‌بندی

Natural AI یک چت‌بات ساده نیست. یک پلتفرم یکپارچه هوش مصنوعی است که:

• گفتگو، دانش، و عمل را در یک جا جمع کرده
• با استاندارد باز (OpenAI API, MCP) ساخته شده
• هم در مرورگر و هم در API و هم در IDE قابل استفاده است
• و مهم‌تر از همه، شما می‌توانید آن را دقیقاً مطابق نیاز خود شخصی‌سازی کنید

راهنمای بخش‌های مختلف اپ Natural AI

حالا که مقاله را خواندید، بیایید ببینیم در پنل Natural AI خودتان دقیقاً هر بخش چه قابلیت‌هایی دارد:

۱. چت‌بات (بخش اصلی گفتگو)

کاربرد: ایده‌پردازی، تحلیل اسناد، کدنویسی، دیباگ، ترجمه، و هر چیزی که نیاز به یک مکالمه هوشمند دارید.

۲. دستیارها (آماده و از پیش تنظیم شده)

کاربرد: بدون نیاز به تنظیم، یک دستیار تخصصی برای کارهای مشخص دارید.

۳. پایگاه دانش (RAG)

کاربرد: FAQ فروشگاه، مستندات فنی، قوانین داخلی، کاتالوگ محصولات.

۴. مدل‌های شخصی (Custom Models)

کاربرد: ترکیب همه قابلیت‌ها در یک مدل واحد و فراخوانی با یک model_tag در API.

۵. سرورهای MCP (اتصال به دنیای بیرون)

کاربرد: اتصال به Jira، GitHub، دیتابیس، APIهای داخلی، جستجوی وب، و هر سرویس دارای MCP.

۶. API

کاربرد: Embed کردن در اپ موبایل، ربات تلگرام، ویجت چت سایت، و هر سرویس دیگر.

۷. هزینه و اعتبار

جدول خلاصه: هر بخش اپ Natural AI چه کاری برای شما می‌کند

شروع کار:

جهت دسترسی به هوش مصنوعی Natural AI از اینجا، کار را شروع کنید.