ایجنتولوژی · شناخت ایجنت‌ها
از یک پاسخ،
به یک اقدام.
ایجنت را از درون بشناس؛ هدف، ابزار، حافظه و چرخه‌ای که نتیجه را بررسی می‌کند. اینجا نقطهٔ شروع مسیر یادگیری تو در ساخته‌های نیماست.
کشف مسیر
چرا این ساخته را امتحان کنی؟
ایجنت را از درون ببین، نه از روی تعریف.
ایجنتولوژی یک مسیر ۱۰ ایستگاهی است که به‌جای حفظ‌کردن اصطلاح‌ها، سازوکار ایجنت‌ها را جلوی چشمت می‌گذارد: چطور تصمیم می‌گیرند، ابزار صدا می‌زنند، از خطا برمی‌گردند و با هم همکاری می‌کنند.
- ۶ شبیه‌ساز تعاملیحلقهٔ ایجنت، RAG، سیستم چندایجنتی، ماشین‌حساب توکن و آزمایشگاه امنیت را خودت اجرا کن.
- واژه‌نامه + آزمون ۲۰ سؤالیهر مفهوم را با مثال بخوان و در پایان خودت را بسنج.
- مسیر پیشنهادی بر اساس مسئلهٔ تواول مشخص کن مسئله‌ات چیست؛ بعد وارد کارگاه درست شو.
می‌خواهی بیشتر و متفاوت یاد بگیری؟
اول مشخصات و آدرس ایمیلت را همین‌جا ثبت کن تا دسترسی به این محتوای آموزشی، شبیه‌سازها و بازی‌ها به‌طور کامل برایت باز شود — یک بار برای همهٔ ساخته‌ها.
بدون اسپم؛ فقط خبر ساخته‌ها و دوره‌های تازه. حساب کاربری داری؟ وارد شو
اول مسئله را بشناس.
بعد ایجنت بساز.
همهٔ کارها به ایجنت نیاز ندارند. یک درخواست روشن شاید با یک پاسخ حل شود؛ یک فرایند ثابت با ورک‌فلو؛ و یک مسئلهٔ باز با چرخه‌ای از تصمیم و ابزار.
ایجنتولوژی، بخشی از ساخته‌های نیماست: درس‌های کوتاه، شبیه‌سازهای قابل لمس و مسیری که از پرامپت شروع می‌شود و به کنترل رفتار سیستم می‌رسد.
برای مسئلهٔ تو، کدام مسیر؟
یک سناریو را انتخاب کن.یک پرامپت روشن کافی است.
وقتی فقط یک متن از اطلاعات موجود می‌خواهی، از دستور مشخص و ارزیابی خروجی شروع کن.
کارگاه مهندسی پرامپت ←مسیرت را با تمرین ادامه بده.
ایجنتولوژی، قدم‌به‌قدم
۱۳ درس اصلی و شبیه‌سازهای ایجنتولوژی. هر درس را باز کن و با مثال‌هایش جلو برو. داده‌ها و هزینه‌های شبیه‌سازها آموزشی‌اند و قیمت روز سرویس‌ها نیستند.
چرا ایجنتی که می‌سازی کار نمی‌کند؟
یک الگوی تکرارشونده وجود دارد: یک آموزش می‌بینید، ایجنت را می‌سازید، اولین تست عالی جواب می‌دهد، ولی در تسک دوم یا سوم همه چیز به هم می‌ریزد! ایجنت یا در حلقه بی‌پایان می‌چرخد، یا توهم می‌زند، یا صورت‌حساب سنگین تولید می‌کند. دلیلش غلط بودن کد نیست؛ ندانستن این است که زیر کاپوت ایجنت دقیقاً چه می‌گذرد.
حلقه فرار (Runaway Loop)
شرط توقف ایجنت ضعیف است. مدل به جای حل مسئله، بی‌نهایت دور خودش می‌چرخد و توکن مصرف می‌کند.
توهم داده (Hallucination)
فرض کرده‌اید مدل اطلاعات خصوصی شما را می‌داند، در حالی که اطلاعات خصوصیِ ارائه‌نشده لزوماً در ورودی یا ابزارهای در دسترس مدل نیست!
انفجار هزینه توکن (Token Inflation)
در هر دور از حلقه، تمام تاریخچه قبلی دوباره برای مدل ارسال می‌شود و مصرف تجمعی ورودی سریع‌تر از تعداد دورها رشد می‌کند.
از شبکه‌ی عصبی تا مدل زبانی (LLM)
برنامه‌نویسی سنتی یعنی نوشتن قوانین دقیق: «اگر این شد، آن کار را بکن». هوش مصنوعی این رابطه را برعکس کرد؛ به‌جای قانون، هزاران مثال نشان می‌دهی تا ماشین خودش الگو بسازد. در سال ۲۰۱۷ معماری Transformer با مکانیزم Attention معرفی شد که کل کلمات جمله را به صورت یک‌جا پردازش می‌کند.
📌 تفاوت اساسی برنامه‌نویسی سنتی و AI:
در کد سنتی، هر ورودی پیش‌بینی‌نشده سیستم را از کار می‌اندازد. در مدل زبانی، خروجی یک «پیش‌بینی آماری فوق‌العاده باکیفیت برای توکن بعدی» بر اساس وزن توجه کلمات است.
⚡ مکانیزم Attention چیست؟
مدل‌های قدیمی کلمه‌به‌کلمه جلو می‌رفتند. ترنسفورمر تمام جمله را یک‌جا می‌بیند و محاسبه می‌کند هر کلمه چقدر به سایر کلمات وابسته است.
تثلیث حیاتی: چت‌بات، ورک‌فلو یا ایجنت؟
بزرگ‌ترین سوءتفاهم در دنیای هوش مصنوعی اینجاست! بیشتر کارهایی که افراد برایشان ایجنت می‌سازند، با یک ورک‌فلو ساده بسیار ارزان‌تر، سریع‌تر و ۱۰۰٪ قابل پیش‌بینی‌تر حل می‌شود.
چت‌بات (Chatbot)
منتظر سوال می‌ماند، جواب می‌دهد، تمام. بیرون از کادر چت هیچ کاری نمی‌تواند انجام دهد.
- مناسب پاسخ به سوالات متداول و ساده
- هزینه بسیار پایین و سرعت پاسخگویی آنی
- امکان کار عملی و تغییر فایل یا دیتابیس را ندارد
- تصمیم‌گیری چندمرحله‌ای و آزمون و خطا ندارد
ورک‌فلو (Workflow)
مسیر را شما از قبل گام‌به‌گام مشخص کرده‌اید (اول A، بعد B، سپس C). مدل تصمیم‌گیرنده مسیر نیست.
- ۱۰۰٪ قابل پیش‌بینی و بدون خطای منطقی
- هزینه توکن کنترل‌شده و کاملاً بهینه
- بسیار سریع و پایدار در محیط‌های سازمانی
- برای سناریوهای نامعین و مجهول انعطاف ندارد
ایجنت (AI Agent)
«هدف» می‌گیرد نه سوال. خودش تصمیم می‌گیرد کدام ابزار را بردارد و گام بعدی چه باشد.
- حل مسائل چندمرحله‌ای، نامعین و پیچیده
- خوداصلاحی، دیباگ و تکرار تا رسیدن به نتیجه
- هزینه متغیر و نیازمند گاردریل‌های سخت‌گیرانه
- نیازمند نظارت انسانی (Human-in-the-Loop)
🧪 ابزار تشخیصی: پروژه شما واقعاً به کدام نیاز دارد؟
انتخاب بین چت‌بات، ورک‌فلو و ایجنت بزرگ‌ترین تصمیم در بهینه‌سازی هزینه و پایداری محصول شماست.
حلقه‌ی ایجنت (Agent Loop) — قلب تپنده
قلب هر ایجنتی یک حلقه ۴ مرحله‌ای است: فکر می‌کند (Think)، عمل می‌کند (Act)، نتیجه را مشاهده می‌کند (Observe) و تصمیم می‌گیرد (Decide/Check Stop). این چرخه آن‌قدر تکرار می‌شود تا کار تمام شود.
ابزارها و Function Calling
ایجنت با فکر کردن تنها به جایی نمی‌رسد؛ باید بتواند در دنیای واقعی دست به عمل بزند (جستجو در وب، خواندن دیتابیس، اجرای کد، ارسال ایمیل). اما مدلی که فقط متن تولید می‌کند چگونه ابزار را صدا می‌زند؟ پاسخ: Function Calling در قالب JSON.
📦 فرمت استاندارد خروجی مدل (JSON):
مدل ابزار را «اجرا نمی‌کند»؛ مدل فقط یک ساختار JSON می‌نویسد. برنامه بیرونی شما آن را می‌خواند، اجرا می‌کند و نتیجه را برمی‌گرداند:
⚠️ قانون طلایی تعداد ابزارها:
هرچه تعداد ابزارهای در دسترس مدل بیشتر شود، احتمال سردرگمی مدل و انتخاب ابزار اشتباه افزایش می‌یابد. همیشه با تعداد کم (۱ تا ۳ ابزار ضروری) شروع کنید.
حافظه، پنجره زمینه و اقتصاد توکن
مدل‌های زبانی ذاتاً بی‌حافظه (Stateless) هستند. هر بار که با آن‌ها حرف می‌زنید، انگار تازه از خواب بیدار شده‌اند! برای همین کل تاریخچه باید دوباره ارسال شود. در ایجنت‌ها، هر دور حلقه تاریخچه را بزرگ‌تر می‌کند و هزینه توکن‌ها با انباشته‌شدن تاریخچه بالا می‌رود.
🎛️ پارامترهای اجرای ایجنت را تغییر دهید:
امبدینگ، وکتور دیتابیس و RAG
چگونه میان هزاران صفحه اطلاعات، فقط همان بخش مرتبط را پیدا کنیم؟ جملات به اعداد (بردار / Embedding) تبدیل می‌شوند. جملاتی با معنی نزدیک (مثل «گربه روی فرش خوابید» و «پیشی روی قالی لم داد»)، فاصله‌شان در فضای برداری نزدیک به صفر است!
🔍 جستجوی معنایی و بازیابی (Retrieval):
...
MCP — پورت استاندارد ابزارها (Model Context Protocol)
قبلاً برای اتصال هر ابزار (Gmail، Drive، Postgres) باید کد اختصاصی برای همان مدل می‌نوشتید. پروتکل MCP یک استاندارد باز جهانی است تا هر سرور ابزاری که یک بار نوشته شد، توسط تمام ایجنت‌ها و مدل‌ها بدون تغییر کد قابل استفاده باشد.
اتصالات کابل‌های نامتقارن
برای هر ابزار یک کدنویسی مجدد برای OpenAI، یک کد دیگر برای Claude و کدی دیگر برای LangChain!
پورت USB همگانی
یک بار سرور MCP را برای گیت‌هاب یا دیتابیس خود بنویسید؛ همه کلاینت‌ها (Cursor, Claude Desktop, Antigravity) فوراً وصل می‌شوند.
MCP Client & Server
کلاینت پرامپت را می‌فرستد، سرور MCP لیست متدها و منابع (Resources & Tools) را استاندارد برمی‌گرداند.
چهار معماری اصلی ایجنتیک
ReAct
استدلال + اقدام لحظه‌ای (Reasoning + Acting). مناسب تسک‌های کوتاه و سریع.
Plan & Execute
ابتدا چک‌لیست کامل مسیر را می‌نویسد و سپس تک‌تک اجرا می‌کند تا از هدف منحرف نشود.
Reflection
تولید ⟵ نقد و بررسی ⟵ بازنویسی خودکار برای رساندن کیفیت متن و کد به بالاترین حد.
Dynamic Routing
مسیریابی هوشمند درخواست کاربر به ایجنت یا ورک‌فلو متخصص مربوطه.
سیستم‌های چندایجنتی (Multi-Agent Systems)
وقتی یک ایجنت با ۲۰ ابزار و دستورالعمل ۱۰ صفحه‌ای دارید، از یک نفر می‌خواهید همه‌کاره باشد و نتیجه ضعیف می‌شود. راه‌حل: تخصصی‌سازی نقش‌ها (Role Specialization) با چند ایجنت متمرکز.
👥 انتخاب سناریوی تیم:
فریم‌ورک‌ها و SDKها
LangGraph و CrewAI
LangGraph: گزینه‌ای برای زمانی که جریان کار شاخه‌بندی، شرط‌های پیچیده و قابلیت توقف/ادامه دارد.
CrewAI: متمرکز بر سیستم‌های چندایجنتی با تفکیک نقش و همکاری تیمی خودکار.
Anthropic, Google GenAI & OpenAI
رابط‌هایی برای استفاده از قابلیت‌های مدل سازنده فراهم می‌کنند؛ اما مراقب Vendor Lock-in (وابستگی انحصاری) باشید تا در آینده به راحتی بتوانید مدل‌ها را جابجا کنید.
امنیت، Prompt Injection و گاردریل‌ها
وقتی چت‌بات اشتباه می‌کند، متنی غلط می‌بینید و رد می‌شوید؛ اما وقتی ایجنت اشتباه می‌کند، فایلی پاک شده، کدی اجرا شده یا داده‌ای نشت کرده است!
...
...
...
کاربردهای واقعی در صنعت
کدنویسی و تست خودکار
ایجنتی که کد می‌نویسد، تست واحد اجرا می‌کند، در صورت خطا دیباگ می‌کند و پس از پاس شدن تست‌ها کامیت می‌زند.
تریاژ ایمیل و جلسات
دسته‌بندی پیام‌های ورودی، استخراج وظایف جلسه و تهیه پیش‌نویس پاسخ‌ها در صف تایید انسان.
تحلیل اسناد مالی و RAG
خواندن صدها صفحه گزارش مالی سالانه، تطبیق اعداد و استخراج فرصت‌ها و ریسک‌ها با بررسی صحت خروجی.
مطالعهٔ تکمیلی: الگوهای ایجنت و ورک‌فلو — Anthropic
از یادگیری به اجرا