تصور کنید سیستمی را که در آن حلقههای پیشبینیناپذیر عاملها جای خود را به یک گردشکار ساختاریافته و تایپشده بدهند. این هدف اصلی AgentRun است؛ یک زبان تخصصی (DSL) که در ۲۳ سپتامبر ۲۰۲۶ توسط Parcha Labs منتشر شد تا تیمها بتوانند گامهای تکرارپذیر و تصمیمات متمرکزی را تعریف کنند تا عاملها بهجای تکیه بر پرامپتهای احتمالی، از یک مسیر منطقی سختگیرانه پیروی کنند.
بسیاری از عاملهای فعلی در یک «جعبه سیاه» از فراخوانی ابزارها و استدلالها عمل میکنند که عیبیابی آنها در مقیاس بزرگ دشوار است. برای مثال، یک عامل پشتیبانی مشتری را در نظر بگیرید که گاهی فراموش میکند پیش از ارجاع تیکت، پایگاه دانش را بررسی کند؛ این ناهماهنگی در واقع یک شکست سیستمی در کنترل مبتنی بر پرامپت است. AgentRun با تبدیل گردشکار به سندی که قابل بازبینی، اجرا و اعتبارسنجی است، این مشکل را حل میکند. این رویکرد در واقع پاسخی به چالشهای مدیریت عاملها در مقیاس سازمانی است، مشابه آنچه در معماری AI-MC2-FABRIC برای حذف خطاهای هماهنگی عاملها بررسی شده بود.
زمینه و اکوسیستم
طبق مستندات github.com، این چارچوب بر مجموعهای از بستههای هسته تکیه دارد تا شکاف بین برنامهریزی سطح بالا و اجرا را پر کند. بسته @parcha/agentrun-dsl وظیفه تعریف، اعتبارسنجی، بازبینی و اجرای گردشکارها را بر عهده دارد. بسته @parcha/agentrun-jev نیز سیستم را برای تصمیمات تایپشده به Jev متصل میکند. برای کاربرانی که از اکوسیستم Pi استفاده میکنند، افزونه @parcha/agentrun-pi (نسخه 0.1.0-beta.4) امکان ساخت و اجرای مستقیم گردشکارها را در محیط Pi فراهم میکند.
این معماری تضمین میکند که اپلیکیشن ابزارها، دسترسی به مدلها، مجوزها و بودجههای فعلی خود را حفظ کند و تنها یک لایه ارکستراسیون مبتنی بر Jev به آن اضافه شود. در واقع، توسعهدهنده از «مهندسی پرامپت» — که شبیه تلاش برای متقاعد کردن یک دستیار لجباز است — به سمت «مهندسی گردشکار» حرکت میکند، جایی که مرزهای ممکن از پیش تعریف شدهاند. این تغییر پارادایم یادآور تلاشهایی است که در بافت چندعاملی برای حذف وابستگیهای پیشبینیناپذیر صورت گرفت تا پایداری سیستمهای هوش مصنوعی افزایش یابد.
معماری فنی و سازوکارها
این سیستم از ساختاری گرهمحور برای مدیریت رفتار عامل استفاده میکند. اجزای کلیدی عبارتاند از:
- گرههای فراخوانی (Call Nodes): این گرهها ابزارهای خاصی مثل
help.searchرا با ضربالاجلهای مشخص (مثلاً ۱۰ ثانیه) و طرحهای خروجی (Output Schemas) تعریفشده فعال میکنند. برای مثال، یک گره ممکن است برچسبfind-answerداشته باشد و خروجی خود را به یک طرحCandidateمتصل کند. - گرههای داور (Judge Nodes): این بخش از Jev برای ارزیابی وضعیت استفاده میکند. یک گره با برچسب
check-existing-answerمیتواند یک درخواست را در برابر یک پاسخ بررسی کند تا یک طرحFitتولید کند. گردشکار میتواند شرط کند که برای ادامه مسیر، پاسخ «بله» با آستانه اطمینان (Confidence Threshold) حداقل ۰.۸ لازم است. - مسیرهای جایگزین (Fallback Paths): اگر بررسی Jev شکست بخورد، گردشکار میتواند تعداد محدودی تلاش مجدد عامل (مثلاً یک بار تلاش) را فعال کرده و دوباره بررسی کند. در صورت شکست مجدد، تسک بهطور خودکار برای بازبینی انسانی ارجاع میشود.
- منطق پیشرفته: مفسر سیستم از فراخوانی گردشکارهای دیگر، نگاشت موازی (Parallel Mapping) و اجرای حلقههای محدود (Bounded Loops) پشتیبانی میکند.
توسعهدهندگان میتوانند این گردشکارها را به صورت JSON بنویسند یا از یک سازنده TypeScript با قراردادهای Zod برای استنتاج انواع ورودی و خروجی استفاده کنند. مفسر سیستم مسیرهای وضعیت میانی را در زمان اجرا بررسی میکند. با این حال، Parcha Labs خاطرنشان میکند که تصمیمات تایپشده لزوماً ثابت نمیکنند که یک پاسخ از نظر واقعی (Factually) درست است، بلکه فقط شکل و ساختار خروجی را اعتبارسنجی میکنند.
یکپارچهسازی و استقرار
برای پیادهسازی AgentRun، توسعهدهندگان باید DSL اصلی و آداپتور Jev را از طریق npm نصب کنند: npm install @parcha/agentrun-dsl@beta @parcha/agentrun-jev@beta. فرآیند یکپارچهسازی شامل ارائه آداپتورها از طریق runEffect برای ابزارها، runNode برای عاملهای موجود و createJevRunner() بهعنوان runJudge برای تصمیمات Jev است.
یک نیاز حیاتی برای فراخوانیهای زنده Jev، داشتن یک TYPESAFE_API_KEY از داشبورد TypeSafe است که از حساب کاربری عامل کدنویس مجزا است. البته گردشکارهایی که از تصمیمات Jev استفاده نمیکنند، بدون این کلید نیز اجرا میشوند. از نظر امنیتی، گرههای کد، جاوااسکریپت را با امتیازات پردازش (Process Privileges) اجرا میکنند؛ بنابراین نویسندگان غیرقابلاعتماد به یک محیط ایزوله (Sandbox) تحت کنترل میزبان نیاز دارند.
افزونه Pi و ابزارها
برای کاربران Pi (نسخه 0.87.0)، یکپارچهسازی از طریق دستور pi install npm:@parcha/[email protected] -l ساده شده است. پس از نصب، کاربران میتوانند با دستورات اسلش با سیستم تعامل کنند:
/agentrun demo: بارگذاری یک نمونه پژوهشی از پیش نوشته شده./agentrun run: تکرار نمونه بدون فراخوانی مدل./agentrun demo live: استفاده از مدل پیکربندیشده Pi و Jev./agentrun status: بررسی وضعیت تنظیمات و/agentrunبرای نمایش گراف./agentrun save <name>و/agentrun load <name>: مدیریت نسخههای تعریفشده در پروژه.
این قابلیت به کاربران اجازه میدهد از Pi بخواهند مستقیماً گردشکارهایی بسازد؛ مثلاً پژوهش درباره نحوه مدیریت لغو (Cancellation) در یک مخزن کد یا بررسی زمان اجرا و تستها برای گزارش شکافها با ارجاع به فایلها.
مثالهای کاربردی و تست
AgentRun چندین مسیر نمایشی برای اعتبارسنجی سیستم ارائه میدهد:
- گردشکار پشتیبانی: یک دموی مسیریابی تیکت که از تصمیمات اسکریپتی استفاده میکند. این بخش مواردی مثل «بازنشانی رمز عبور» (۰ فراخوانی عامل، ۱ فراخوانی تصمیم) و «بررسی پرداخت ناموفق» (۱ فراخوانی عامل، ۲ فراخوانی تصمیم) را تست میکند. اجرای دستور
npm run demo:support -- unresolvedیک ارجاع (Escalation) را نشان میدهد که با کد خروجی ۲ پایان مییابد. - گردشکار پژوهشی: مثالی پیچیدهتر که زیرسوالات را برنامهریزی کرده، آنها را بهطور موازی پژوهش میکند، شواهد را غربال کرده و گزارشی مینویسد. این بخش از طریق
npm run eval:researchدر برابر ۶ مورد برچسبگذاریشده تست میشود.
توسعهدهندگان برای مشاهده عملی این سیستم میتوانند مخزن AgentRun را کلون کرده و npm run demo:support را اجرا کنند تا یک گردشکار مسیریابی تیکت را که نیازی به API Key ندارد، تست کنند.
گام بعدی شما
- اگر از عاملهای هوش مصنوعی در محیط تولید استفاده میکنید، ساختار گرههای داور (Judge Nodes) را برای کاهش نرخ خطا جایگزین پرامپتهای شرطی کنید.
- مستندات
@parcha/agentrun-dslرا برای تبدیل توالیهای تکراریِ کاری به فایلهای JSON قابل بازبینی بررسی کنید. - در صورت استفاده از Pi، دستور
/agentrun demoرا برای درک نحوه تبدیل یک هدف پژوهشی به یک گراف اجرایی امتحان کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو