«از متن تا عمل»؛ گذار مدل‌های زبانی به سوی اتوماسیون پیچیده

تصور کنید تفاوت میان یک چت‌بات که صرفاً به سؤالات پاسخ می‌دهد و یک سیستم خودمختار که محیط خود را درک می‌کند، درباره یک مسیر اقدام تصمیم می‌گیرد و آن را بدون دخالت انسان اجرا می‌کند چیست. این همان تعریف یک عامل (Agent) است. در حالی که یک مدل زبانی بزرگ (LLM) استاندارد صرفاً متن تولید می‌کند، یک عامل از آن متن به عنوان یک موتور استدلالی برای تعامل با دنیای واقعی استفاده می‌کند. عامل‌ها از پاسخ‌های ساده فراتر می‌روند تا موقعیتی را درک کنند، تصمیم بگیرند چه کاری انجام دهند و آن اقدام را به تنهایی اجرا کنند.

این تمایز بسیار حیاتی است، زیرا صنعت در حال حرکت به سمت گردش‌کارهای «عامل‌محور» (Agentic Workflows) است. اکثر کاربران هوش مصنوعی زاینده (Generative AI) را با عامل‌ها اشتباه می‌گیرند، اما در واقع هوش مصنوعی زاینده صرفاً «مغز» است، در حالی که عامل، کل بدن شامل حواس و اندام‌هاست. هوش مصنوعی زاینده می‌داند چگونه متن تولید کند؛ اما عامل از این ظرفیت استدلالی برای اجرای اقدامات در یک سیستم یا در دنیای واقعی استفاده می‌کند. طبق راهنمای منتشرشده در ۱ سپتامبر ۲۰۲۶ در وب‌سایت dev.to، فرمول اصلی یک عامل عبارت است از: پرامپت + زمینه + ابزارها + حلقه.

درک فرمول عامل

برای تعمیق درک این فرمول، می‌توانیم هر یک از اجزای آن را کالبدشکافی کنیم:

• پرامپت (Prompt): دستورالعمل‌های خاصی که رفتار و شخصیت عامل را هدایت می‌کنند و به او می‌گویند که چگونه عمل کند.
• زمینه (Context): اطلاعاتی که در لحظه در مورد وضعیت فعلی در اختیار عامل قرار دارد تا تصمیماتش بر اساس واقعیت‌های موجود باشد.
• ابزارها (Tools): اقدامات واقعی که عامل می‌تواند اجرا کند؛ اقداماتی نظیر جست‌وجوی وب، مشورت با یک پایگاه‌داده، نوشتن فایل‌ها یا فراخوانی یک API.
• حلقه (Loop): چرخه تکرارشونده‌ای که عامل تا رسیدن به هدف نهایی طی می‌کند و در هر مرحله نتایج را ارزیابی می‌کند.

تفاوت این دو را در برنامه‌ریزی سفر ببینید؛ اگر از یک چت‌بات بخواهید برنامه سفر را بنویسد، او به شما اطلاعات می‌دهد. اما اگر از یک عامل بخواهید، او عملاً پروازها را رزرو می‌کند، هتل را می‌گیرد و رویدادها را در تقویم شما ثبت می‌کند. چت‌بات «اطلاعات» فراهم می‌کند، اما عامل «نتیجه» تولید می‌کند. برای پیاده‌سازی چنین سیستم‌هایی در مقیاس صنعتی، معماری ACAI یک نقشه‌راه جامع برای تبدیل چت‌بات‌های ساده به عامل‌های عملیاتی ارائه می‌دهد.

مکانیسم‌های خودمختاری

هر عامل هوشمند در یک چرخه سه مرحله‌ای مداوم عمل می‌کند. مرحله اول «ادراک» (Perception) است؛ جایی که عامل محیط را از طریق یک درخواست کاربر، یک رویداد سیستمی یا تغییری در وضعیت (State) می‌خواند. مرحله دوم «استدلال» (Reasoning) است؛ در این مرحله، عامل ورودی را در مقابل زمینه موجود تحلیل می‌کند تا تصمیم بگیرد کدام اقدام — یا توالی از اقدامات — منطقی‌ترین راه برای رسیدن به هدف است. در نهایت، مرحله «اقدام» (Action) صورت می‌گیرد؛ یعنی فراخوانی یک ابزار، یک API، یک پایگاه‌داده یا ارائه پاسخ نهایی به کاربر.

این حلقه تا زمانی که هدف محقق شود تکرار می‌شود. برای مثال، وقتی کاربر به Amazon Alexa می‌گوید «صبح بخیر»، سیستم صرفاً با یک متن پاسخ نمی‌دهد. بلکه عبارت «صبح بخیر» را به عنوان ماشه‌ای (Trigger) برای یک روتین شناسایی می‌کند. سپس تصمیم می‌گیرد چه اقداماتی انجام دهد: بررسی وضعیت آب‌وهوا، روشن کردن چراغ‌ها و باز کردن پرده‌ها. تنها پس از اجرای این مراحل است که پاسخ نهایی را به صورت صوتی بیان می‌کند: «صبح بخیر [نام کاربر]! دمای امروز X درجه است...»

طبقه‌بندی معماری‌های عامل

همه عامل‌ها به یک شکل ساخته نشده‌اند. مدت‌ها پیش از ظهور LLMها، حوزه هوش مصنوعی عامل‌ها را بر اساس نحوه برنامه‌ریزی، یادآوری و یادگیری دسته‌بندی می‌کرد. در عمل، این‌ها دسته‌های بسته نیستند و اکثر عامل‌های دنیای واقعی، ویژگی‌هایی از چندین نوع مختلف را با هم ترکیب می‌کنند.

• عامل‌های واکنشی (Reactive Agents): این عامل‌ها بر اساس یک مدل ساده «محرک-پاسخ» عمل می‌کنند. آن‌ها ورودی را دریافت کرده و بلافاصله اقدامی را برمی‌گردانند. این عامل‌ها هیچ حافظه‌ای از رویدادهای گذشته ندارند و محیط را به صورت مستقل مشاهده نمی‌کنند. چون تاریخچه‌ای را حمل نمی‌کنند، معمولاً سریع‌ترین نوع برای اجرا هستند. یک مثال کلاسیک، شخصیت‌های غیرقابل‌بازی (NPC) در بازی‌های ویدئویی است که در واکنش به شلیک شدن، برای چند ثانیه وارد حالت هشدار می‌شوند و سپس به حالت اولیه خود بازمی‌گردند، انگار که هیچ اتفاقی نیفتاده است.
• عامل‌های تامل‌گر (Deliberative Agents): این عامل‌ها مدلی از محیط خود می‌سازند و پیش از اقدام، توالی از مراحل را برنامه‌ریزی می‌کنند. آن‌ها زمان بیشتری را صرف «تفکر» می‌کنند تا خطاهای زمان اجرا را کاهش دهند. یک جاروبرقی رباتیک نمونه بارز این دسته است؛ این دستگاه نقشه‌ای از خانه را نگه می‌دارد، موقعیت فعلی خود را می‌شناسد و مسیری را برای تمیز کردن محیط طراحی می‌کند تا به طور تصادفی به دیوارها برخورد نکند.
• عامل‌های ترکیبی (Hybrid Agents): رایج‌ترین شکل مدرن عامل‌ها هستند که واکنش سریع برای کارهای ساده را با برنامه‌ریزی عمیق برای کارهای پیچیده ترکیب می‌کنند. آن‌ها به درخواست‌های ابتدایی سریع پاسخ می‌دهند اما برای سناریوهای پیچیده، درنگ کرده و استدلال می‌کنند.
• عامل‌های یادگیرنده (Learning Agents): این عامل‌ها رفتار خود را بر اساس تجربه اصلاح می‌کنند و از نتایج اقدامات گذشته برای تصمیم‌گیری بهتر در آینده استفاده می‌کنند. این بلندپروازانه‌ترین و دشوارترین نوع برای پیاده‌سازی است. اکثر عامل‌های فعلی در لحظه (Real-time) «یاد نمی‌گیرند»؛ بلکه به این دلیل هوشمند به نظر می‌رسند که مدل زبانی پایه آن‌ها روی مجموعه‌داده‌های عظیم پیش‌آموزش دیده است، نه به این دلیل که در طول جلسه با کاربر در حال یادگیری هستند.

ماتریس مقایسه‌ای معماری‌ها

برای خلاصه کردن این معماری‌ها:

• واکنشی: برنامه‌ریزی؟ خیر. حافظه؟ خیر. یادگیری؟ خیر.
• تامل‌گر: برنامه‌ریزی؟ بله. حافظه؟ گاهی. یادگیری؟ خیر.
• ترکیبی: برنامه‌ریزی؟ بسته به تسک. حافظه؟ بله. یادگیری؟ لزوماً خیر.
• یادگیرنده: برنامه‌ریزی؟ بله. حافظه؟ بله. یادگیری؟ بله.

پارادایم ReAct در مقابل معماری واکنشی

یک سردرگمی فنی رایج میان «عامل‌های واکنشی» و پارادایم ReAct (Reasoning + Acting) وجود دارد. یک عامل واکنشی، یک انتخاب معماری است که با فقدان حافظه و پاسخ ساده به محرک‌ها شناخته می‌شود.

در مقابل، ReAct یک چارچوب استدلالی است که در آن عامل، افکار و اقدامات خود را به صورت متناوب (Interleave) پیش می‌برد. عاملی که از چرخه ReAct پیروی می‌کند، تاریخچه‌ای از افکار و مشاهدات خود را هنگام حل یک مسئله حفظ می‌کند. این بدان معناست که او دارای حافظه کوتاه‌مدت است. بنابراین، یک عامل ReAct برخلاف شباهت اسمی، در معنای معماری کلاسیک، «واکنشی» نیست.

استقرار در دنیای واقعی

عامل‌ها در حال حاضر در سه حوزه اصلی در حال استقرار هستند و از تولید متن ساده به سمت خودمختاری عملیاتی حرکت می‌کنند:

خدمات مشتریان

• مشورت با سیستم‌های داده‌های داخلی مشتریان برای ارائه پاسخ‌های شخصی‌سازی‌شده.
• هدایت درخواست‌ها به تیم انسانی صحیح یا جریان‌های خودکار مناسب.
• اجرای اقدامات خاص، مانند صدور رسید پرداخت (Boleto) یا به‌روزرسانی جزئیات ثبت‌نام کاربر.

توسعه نرم‌افزار

• ایجاد و ویرایش خودکار سورس‌کد.
• نوشتن مستندات فنی.
• انجام Commitها و باز کردن Pull Requestها به صورت خودکار.
• اجرای تست‌ها و رفع باگ‌ها به صورت مستقل. ابزارهایی مانند Devin AI و Cursor نمونه‌های پیشرو از دستیارانی هستند که مستقیماً در گردش‌کار برنامه‌نویس عمل می‌کنند. در همین راستا، استفاده از عامل‌های هوش مصنوعی در فرآیندهای QA توانسته است هزینه‌های نگهداری تست‌های نرم‌افزاری را تا ۶۰٪ کاهش دهد.

خدمات خودکار (Self-Service)

• مدیریت خریدهای آنلاین و جابجایی‌های مالی.
• پیمایش در سیستم‌های پیچیده با استفاده از زبان طبیعی، که نیاز کاربران به کلیک روی منوها یا پر کردن فرم‌های دستی را از بین می‌برد.

چه چیزی «عامل» نیست؟

برای درک درست عامل‌ها، باید شناسایی کنیم که آن‌ها چه چیزهایی نیستند. هر سیستم «هوشمند» یا خودکار، لزوماً یک عامل هوش مصنوعی نیست. تمایزهای زیر ضروری است:

• چت‌بات‌های ساده: باتی که فقط به سؤالات با متن پاسخ می‌دهد و هیچ اقدامی را اجرا نمی‌کند (بدون کوئری به سیستم، بدون فعال‌سازی ابزار)، عامل نیست. چنین باتی فقط در مرحله استدلال/پاسخ شرکت می‌کند و مرحله اقدام را نادیده می‌گیرد.
• اتوماسیون سنتی (RPA): اتوماسیون رباتیک فرآیندها (RPA) از یک اسکریپت ثابت و پیش‌برنامه‌ریزی شده پیروی می‌کند. RPA نمی‌تواند زمینه را تفسیر کند یا تصمیمات جدید بگیرد. این سیستم هر بار همان توالی را بدون استدلال درباره موقعیت‌های مختلف اجرا می‌کند.
• مدل‌های زبانی مستقل (Standalone LLMs): یک مدل هوش مصنوعی زاینده که در پاسخ به یک پرامپت متن تولید می‌کند، به تنهایی یک عامل نیست. مدل تنها زمانی بخشی از یک عامل می‌شود که توانایی ادراک محیط و اثرگذاری بر آن از طریق ابزارها را به دست آورد.
• ویژگی‌های هوش مصنوعی تعبیه‌شده: قابلیت‌هایی مثل تکمیل خودکار (Autocomplete)، سیستم‌های توصیه یا ابزارهای تحلیل خودکار داده‌ها لزوماً عامل نیستند. آن‌ها از هوش مصنوعی برای بهبود یک عملکرد خاص استفاده می‌کنند، اما تصمیم نمی‌گیرند یا اقدامات خودمختار سرتاسری (End-to-End) را اجرا نمی‌کنند.

به طور خلاصه، آنچه یک عامل را تعریف می‌کند، استفاده از هوش مصنوعی نیست، بلکه ترکیب «ادراک»، «استدلال» و «اقدام» به صورت خودمختار در یک محیط است.

این چرخش به سمت عامل‌محور شدن به این معناست که سد ورود به ساخت نرم‌افزارهای پیچیده در حال فروپاشی است. توسعه‌دهندگان به جای برنامه‌نویسی هر قانون احتمالی، اکنون مجموعه‌ای از ابزارها و یک هدف را به LLM می‌دهند و اجازه می‌دهند مدل بهین‌ترین مسیر را برای رسیدن به راه حل تعیین کند.