پایه برنامه‌نویسی با AI هرچی قبل از شروع باید بدونی

برنامه‌نویسی واقعاً چیه؟

برنامه‌نویسی در واقعی‌ترین شکلش فقط سه کار می‌کند: یک چیزی می‌گیرد (ورودی)، رویش قانون اجرا می‌کند (پردازش)، و یک چیزی تحویل می‌دهد (خروجی). یک ماشین‌حساب ورودی می‌گیرد (دو عدد)، قانون اجرا می‌کند (جمع بزن)، خروجی می‌دهد (نتیجه).

وقتی این مدل ذهنی را داشته باشی، حتی وقتی AI برایت کد می‌نویسد می‌توانی بپرسی: این تابع چه ورودی‌ای می‌گیرد؟ چه پردازشی می‌کند؟ چه خروجی‌ای برمی‌گرداند؟ همین سه سؤال، بخش بزرگی از کارِ فهمیدنِ هر کد ناآشنا را حل می‌کند.

چرا Python؟

• نحوش به انگلیسیِ ساده نزدیک است — برای شروع بهترین انتخاب.
• زبان شماره‌یک برای هوش مصنوعی، اتوماسیون و تحلیل داده است.
• تقریباً هر ابزار AI کدنویسی روی Python فوق‌العاده قوی است.

مفاهیمی که یاد می‌گیری (متغیر، شرط، حلقه، تابع) در هر زبان دیگری هم همین‌ها هستند، فقط شکل نوشتنشان کمی فرق می‌کند.

متغیرها و انواع داده

متغیر مثل یک جعبه است که رویش برچسب می‌زنی. داخلش یک چیزی می‌گذاری و هر وقت بخواهی با اسمِ برچسب به آن دسترسی داری.

# هر متغیر یک نوع دارد
name = "Hozhi"       # str  (متن)
age = 25            # int  (عدد صحیح)
price = 49.99       # float (عدد اعشاری)
in_stock = True      # bool (درست/غلط)

رایج‌ترین ارورِ مبتدی‌ها از قاطی‌کردنِ نوع داده می‌آید — مثلاً نمی‌توانی عدد را مستقیم با متن جمع بزنی:

age = 25
print("سن: " + age)        # ❌ TypeError
print("سن: " + str(age))   # ✅ درست

گرفتن ورودی از کاربر

input() همیشه یک رشته برمی‌گرداند — حتی اگر کاربر عدد تایپ کند. برای کار با عدد باید با int() تبدیلش کنی:

name = input("اسمت چیه؟ ")
age = int(input("چند سالته؟ "))   # تبدیل به عدد

عملگرها

عملگرها سه دسته‌ی اصلی دارند: ریاضی، مقایسه‌ای و منطقی.

total = 10 + 5      # 15
remainder = 10 % 3  # 1 (باقیمانده)

# شکل کوتاه‌شده‌ی عملگرها:
count += 1   # یعنی count = count + 1
stock -= 2   # یعنی stock = stock - 2

5 == 5    # True  ← دو مساوی یعنی «برابره؟»
5 != 3    # True  ← «مساوی نیست؟»

if age >= 18 and has_ticket:   # هر دو باید درست باشند
    print("اجازه ورود داری")

شرط‌ها — قلبِ تصمیم‌گیری

برنامه‌نویسی یعنی به کامپیوتر بگویی: اگر این اتفاق افتاد، آن کار را بکن؛ وگرنه، این یکی را. این کاری است که if / elif / else انجام می‌دهد.

temperature = 32

if temperature > 30:
    print("هوا گرمه، آب بخور")
elif temperature > 15:
    print("هوا معتدله")
else:
    print("هوا سرده، کتت رو بردار")

حلقه‌ها — تکرار بدون خستگی

حلقه یعنی «این کار را تکرار کن». دو نوع اصلی: for وقتی تعداد تکرار مشخص است، و while وقتی فقط شرطِ توقف مشخص است.

for i in range(5):
    print(i)          # 0 1 2 3 4

fruits = ["سیب", "موز", "پرتقال"]
for fruit in fruits:
    print(fruit)      # هر میوه را یکی‌یکی چاپ می‌کند

count = 0
while count < 5:
    print(count)
    count += 1          # حتماً باید شرط یک‌جا False شود

توابع — بسته‌بندیِ منطق

تابع مثل یک دستگاه است: چیزی به آن می‌دهی (ورودی)، کاری رویش انجام می‌دهد، چیزی پس می‌دهد (خروجی). یک‌بار می‌نویسی‌اش، هزاربار استفاده‌اش می‌کنی.

def calculate_discount(price, percent):
    discount = price * (percent / 100)
    return price - discount

result = calculate_discount(500000, 10)
print(result)    # 450000.0

def یعنی «تابع تعریف کن»، پارامترها ورودی‌ها هستند، و return یعنی «این مقدار را به‌عنوان نتیجه پس بده».

لیست و دیکشنری

لیست یعنی مجموعه‌ی مرتب از چیزها (با اندیس از صفر). دیکشنری یعنی داده‌ای که با «کلید و مقدار» ذخیره می‌شود.

fruits = ["سیب", "موز", "پرتقال"]

print(fruits[0])       # سیب  (شمارش از صفر)
len(fruits)             # 3

fruits.append("انگور")   # اضافه به آخر
fruits.remove("موز")     # حذف با اسم
removed = fruits.pop(0)  # حذف با اندیس + برگرداندن مقدار
fruits.insert(1, "خربزه") # اضافه در جایگاه مشخص

customer = {
    "name": "علی",
    "age": 30,
    "is_subscribed": True
}
print(customer["name"])          # علی
customer["email"] = "ali@x.com"  # اضافه‌کردن کلید جدید

کتابخانه‌ها و Import

هیچ‌وقت چرخ را از اول اختراع نکن. هزاران ابزارِ آماده به‌صورت «کتابخانه» نوشته شده‌اند، و برای استفاده از آن‌ها از import استفاده می‌کنیم.

import random

number = random.randint(1, 100)   # عدد تصادفی ۱ تا ۱۰۰
print(number)

pip install requests

کار با JSON

JSON فرمتِ استانداردِ ذخیره و ارسال داده است که همه‌ی زبان‌ها می‌فهمند. تقریباً هر داده‌ای که از یک API یا هوش مصنوعی می‌گیری به این شکل است — و بسیار شبیه دیکشنریِ Python.

{
  "name": "علی",
  "age": 30,
  "is_subscribed": true,
  "courses": ["پایتون", "طراحی"]
}

import json

data = {"name": "علی", "age": 30}
json_text = json.dumps(data)     # دیکشنری → متن JSON

parsed = json.loads(json_text)   # متن JSON → دیکشنری
print(parsed["name"])          # علی

ساختار فایل پروژه

یک پروژه‌ی واقعی کدش را در چند فایل و پوشه‌ی مرتب پخش می‌کند، نه یک فایل غول‌پیکر.

my_project/
├── main.py           # نقطه‌ی شروع برنامه
├── requirements.txt  # لیست کتابخانه‌های موردنیاز
├── .env              # اطلاعات محرمانه
├── .gitignore        # فایل‌هایی که نباید آپلود شوند
├── README.md         # توضیح پروژه
└── src/
    ├── models.py     # ساختارهای داده
    └── utils.py      # توابع کمکی

کار با API

API مثل گارسونِ رستوران است: یک واسطه که به تو اجازه می‌دهد از یک سرویس دیگر چیزی بخواهی، بدون آنکه بدانی پشت صحنه چطور کار می‌کند.

import requests

response = requests.get("https://api.agify.io?name=ali")
data = response.json()
print(f"سنِ حدسی: {data['age']}")

response = requests.get("https://api.agify.io?name=ali")

if response.status_code == 200:   # 200 یعنی موفق
    data = response.json()
    print(data)
else:
    print(f"مشکل: {response.status_code}")

متغیرهای محیطی و امنیت (.env)

هیچ‌وقت کلید یا رمز را مستقیم در کد ننویس. اگر کدت را جایی مثل گیت‌هاب آپلود کنی، آن کلید برای همه — و برای ربات‌های خودکار — قابل‌دیدن است.

OPENAI_API_KEY=sk-abc123xyz456
STORE_NAME=هژی لرن

from dotenv import load_dotenv
import os

load_dotenv()
api_key = os.environ.get("OPENAI_API_KEY")

.env
__pycache__/
*.pyc
.venv/

State — وضعیت برنامه (اختیاری)

State یعنی چیزهایی که برنامه در یک لحظه‌ی مشخص «به‌خاطر» دارد و در طول زمان تغییر می‌کند — مثل محتویاتِ سبد خرید.

cart = []   # وضعیتِ سبد خرید

def add_to_cart(item):
    cart.append(item)
    return cart

add_to_cart("دوره پایتون")
add_to_cart("دوره طراحی")

مستندسازی (اختیاری)

مستندسازی یعنی توضیح‌دادنِ اینکه کد چه‌کار می‌کند — برای خودت شش ماه بعد، برای دیگران، و حتی برای خودِ AI وقتی دوباره کد را می‌بیند.

# این تابع تخفیف را حساب می‌کند و قیمت نهایی را برمی‌گرداند
def calculate_discount(price, percent):
    return price - (price * percent / 100)

خطاها و دیباگ کردن

ارور دشمن تو نیست؛ پیامِ کامپیوتر است که دقیقاً می‌گوید مشکل کجاست. مهم این است که به‌جای هول‌کردن، بخوانی‌اش.

age = "25"
print(age + 5)

# TypeError: can only concatenate str (not "int") to str
# یعنی: داری رشته را با عدد جمع می‌زنی

پروتکل سه‌مرحله‌ای دیباگ

1. آخرین خط ارور را بخوان (خلاصه‌ی اصلی همان‌جاست).
2. شماره‌ی خط را پیدا کن و همان خط را نگاه کن.
3. اگر هنوز گیر بودی، درست از AI بپرس (پرامپت زیر).

چطور درست با AI کد بزنیم

حالا که مفاهیم پایه را داری، وقتش است یاد بگیری چطور با هوش مصنوعی واقعاً بسازی، نه فقط پرامپت بزنی و منتظر معجزه بمانی.

«چی می‌خوام» را بگو، نه «چطور بسازش»

همیشه بگو کجا ایستادی — کانتکست بده

هفت قانون طلایی

1. یک قابلیت در هر پرامپت. اول لاگین را بخواه، تستش کن، بعد برو سراغ بعدی.
2. همیشه کد را اجرا کن. «درست به‌نظر می‌رسد» با «واقعاً کار می‌کند» فرق دارد.
3. ادعای «تمام شد» را باور نکن. کدِ بدون بازبینی، ریسک امنیتیِ بیشتری دارد.
4. قبل از کد، برنامه‌اش را بخواه. «اول بگو چه فایل‌ها و توابعی می‌سازی و چرا.»
5. تغییرات کوچک بخواه. «فقط تابع X را عوض کن، بقیه را دست نزن.»
6. نسخه‌ی سالم را نگه دار. قبل از هر تغییر بزرگ، یک کپی بگیر.
7. بپرس «چرا این‌طوری نوشتی؟» این فرقِ کسی است که یاد می‌گیرد با کسی که فقط کپی می‌کند.

پروژه‌ی نهایی — سیستم مدیریت سفارش

همه‌ی چیزی که یاد گرفتیم را در یک پروژه‌ی واقعی کنار هم می‌گذاریم. این پروژه را در چهار مرحله می‌سازیم.

مرحله ۱: نسخه‌ی ساده

products = [
    {"name": "دوره پایتون", "price": 490000, "stock": 5},
    {"name": "دوره طراحی", "price": 690000, "stock": 0},
]

def place_order(product_name, quantity):
    for product in products:
        if product["name"] == product_name:
            if product["stock"] >= quantity:
                product["stock"] -= quantity
                return f"✅ سفارش ثبت شد: {product_name}"
            else:
                return "❌ موجودی کافی نیست"
    return "❌ محصول پیدا نشد"

print(place_order("دوره پایتون", 2))

دقت کن آخرین return (محصول پیدا نشد) بیرونِ حلقه است — فقط وقتی کل لیست را گشتیم می‌توانیم مطمئن باشیم محصول وجود ندارد.

مرحله ۲: خواندن داده از فایل

[
  {"name": "دوره پایتون", "price": 490000, "stock": 5},
  {"name": "دوره طراحی", "price": 690000, "stock": 0}
]

import json

with open("products.json", "r", encoding="utf-8") as file:
    products = json.load(file)

"r" یعنی حالت خواندن، و encoding="utf-8" تضمین می‌کند فارسی درست خوانده شود.

مرحله ۳: لحظه‌ی «آهان!» — ذخیره‌ی تغییرات

def save_products():
    with open("products.json", "w", encoding="utf-8") as file:
        json.dump(products, file, ensure_ascii=False, indent=2)

"w" یعنی نوشتن (محتوای قبلی را پاک می‌کند)، ensure_ascii=False فارسی را سالم نگه می‌دارد، indent=2 فایل را خوانا می‌کند.

مرحله ۴: گرفتن ورودی از کاربر

product_name = input("اسم محصول: ")
quantity = int(input("چند تا؟ "))   # int چون input رشته می‌دهد

print(place_order(product_name, quantity))

جمع‌بندی و قدم بعدی

هوش مصنوعی جایگزین فهمیدن نیست، شتاب‌دهنده‌ی فهمیدن است — اگر درست ازش استفاده کنی. حالا که این مفاهیم را داری، هر کدی که AI برایت بنویسد دیگر یک جعبه‌ی سیاه نیست.

قدم بعدی: یک پروژه‌ی کوچکِ شخصی انتخاب کن — چیزی که واقعاً به آن نیاز داری — و با کمک AI بسازش، در حالی که هر خط کد را با همین مفاهیم می‌خوانی و می‌فهمی.