‫استفاده از GitHub Copilot CLI و SDK برای بازآفرینی سیستم مدیریت یادگیری (LMS) با هوش مصنوعی

در این مقاله، جولیا Muiruri توضیح می‌دهد که چگونه از GitHub Copilot CLI و SDK برای ساخت یک عامل مطالعه هوش مصنوعی (AI Study Agent) و بازآفرینی سیستم مدیریت یادگیری (LMS) استفاده کرده است. هدف اصلی، ایجاد یک سیستم هوشمند است که نه تنها محتوای آموزشی را میزبانی کند، بلکه آن را درک کرده و به صورت شخصی‌سازی شده به دانشجویان کمک کند. ایده‌آل این است که با استفاده از Copilot CLI بتوان به سرعت یک نمونه اولیه (prototype) ساخت. در این راستا، از حالت /plan برای برگزاری یک جلسه طوفان فکری (brainstorming) با Copilot استفاده شده است. این ابزار با پرسیدن سوالات کلیدی و ارائه یک طرح پیاده‌سازی جامع در عرض چند ثانیه، به شناسایی سناریوهایی که ممکن است در نظر گرفته نشده باشند، کمک می‌کند. این فرآیند به یک روال جدید در فرآیند ایده‌پردازی تبدیل شده است: ایده → طوفان فکری با Copilot در حالت /plan → ذخیره طرح → تکرار. فرآیند توسعه به پنج فاز تقسیم شده است: طوفان فکری، تحقیق، راه‌اندازی پروژه، منطق اصلی و رابط کاربری (Frontend). در فاز تحقیق، اسناد و اعلامیه‌های جدید بررسی می‌شوند تا اطمینان حاصل شود که انتخاب فریم‌ورک‌ها و پایگاه داده‌ها بر اساس دلایل مشخصی صورت گرفته است. فاز راه‌اندازی پروژه شامل نصب ابزارها، ایجاد ساختار پروژه و تعریف نحوه ارتباط اجزای مختلف است. در فاز منطق اصلی، منطق اصلی سیستم پیاده‌سازی شده و APIها و طرح‌بندی پایگاه داده با ویژگی‌های مورد نظر مطابقت دارند. در نهایت، رابط کاربری (Frontend) به عنوان آخرین مرحله توسعه در نظر گرفته می‌شود. با این کار، Copilot نه تنها ویژگی‌های پیاده‌سازی شده را در نظر می‌گیرد، بلکه یک طراحی را نیز ارائه می‌دهد که قابلیت انطباق با بهبودهای آینده را نیز دارا است. این رویکرد به توسعه‌دهندگان C# و سایر زبان‌های .NET کمک می‌کند تا با استفاده از ابزارهای هوش مصنوعی، فرآیند توسعه را تسریع و کیفیت محصولات خود را بهبود بخشند. این مقاله نشان می‌دهد که چگونه می‌توان از ابزارهای GitHub Copilot برای ساخت سیستم‌های هوشمند آموزشی مبتنی بر Microsoft .NET استفاده کرد و چالش‌های موجود در زمینه شخصی‌سازی آموزش را با استفاده از هوش مصنوعی برطرف نمود.