آیا یک پرامپت شلوغ و چندمنظوره می‌تواند هم‌زمان پژوهش کند و بنویسد بدون آنکه دچار توهم شود؟ پاسخ معمولاً منفی است و همین‌جا جایی است که NanoAgent با پیاده‌سازی یک «زنجیره عامل» (Agent Chain) در زبان PHP، این شکست ساختاری را برطرف می‌کند. در این معماری، خروجی یک عامل متخصص مستقیماً به ورودی عامل بعدی تبدیل می‌شود.
در ادامه تحلیل قبلی ما درباره‌ی اینکه NanoAgent چگونه قابلیت تغییر وضعیت ابزارها (Stateful Tool Mutation) را پیاده می‌کند، این گردش‌کار تمرکز را از توانمندی‌های تک‌عامل به ارکستراسیون خط لوله (Pipeline Orchestration) تغییر می‌دهد. در دنیایی که توسعه‌دهندگان با پدیده «رانش پرامپت» (Prompt Drift) دست‌وپنجه نرم می‌کنند، تبدیل عامل‌ها به توابع مجزا، کنترل دقیق‌تری روی خروجی نهایی ایجاد می‌کند. این رویکرد ساختاریافته به کاهش خطاهای منطقی کمک می‌کند، مشابه آنچه در به‌کارگیری گراف‌های رویه‌ای برای کاهش خطاهای برنامه‌ریزی عامل‌ها مشاهده شد.
مکانیسم زنجیره عامل
الگوی مورد استفاده بسیار ساده است: خروجی عامل A تبدیل به ورودی عامل B می‌شود. این روش بسیار قابل‌اعتمادتر از یک پرامپت سنگین است که سعی می‌کند چندین نقش مختلف را هم‌زمان مدیریت کند. در این معماری، «درز» یا نقطه اتصال بین دو عامل بسیار ساده است؛ نتیجه رشته‌ای (String) حاصل از عامل پژوهشگر، به‌سادگی به متد chat() عامل نویسنده ارسال می‌شود. در این ساختار، هیچ نیازی به یک گذرگاه پیام (Message Bus) پیچیده یا کتابخانه‌های ارکستراسیون خارجی نیست.
طبق یک راهنمای فنی که در ۲۷ سپتامبر ۲۰۲۶ منتشر شد، این گردش‌کار تقسیم کار را بین دو نقش کاملاً مجزا تعریف می‌کند:
پژوهشگر (The Researcher)
این عامل تنها یک وظیفه محدود و مشخص دارد: جمع‌آوری داده‌های خام.
- ابزارها: این عامل از یک
FunctionToolبه نامfetch_topic_factsاستفاده می‌کند. در نمونه‌های ارائه شده، این ابزار به عنوان یک ابزار پژوهش شبیه‌سازی شده (Mock) عمل می‌کند که از یک جدول جست‌وجو (Lookup Table) بر اساس موضوع استفاده می‌کند تا اطمینان حاصل شود که هیچ وابستگی خارجی وجود ندارد. - نمونه داده‌ها: برای موضوعی مانند «PHP»، این عامل واقعیت‌هایی نظیر خلق آن توسط راسموس لردورف در سال ۱۹۹۴، نقش آن در پشتیبانی از بیش از ۷۵ درصد وب‌سایت‌ها و انتشار نسخه ۸.۴ را استخراج می‌کند. برای موضوع «AI»، این عامل اشاره می‌کند که این اصطلاح در سال ۱۹۵۶ ابداع شد و به انقلاب معماری ترنسفورمر در سال ۲۰۱۷ می‌پردازد.
- محدودیت: پرامپت سیستمی (System Prompt) آن به‌طور عمدی محدود است: فقط واقعیت‌ها را با استفاده از ابزار استخراج کن و آن‌ها را به‌صورت یک لیست برگردان و هیچ چیز دیگری اضافه نکن.
نویسنده (The Writer)
این عامل لیست ارسالی از سوی پژوهشگر را به‌عنوان تنها منبع حقیقت (Source of Truth) خود می‌پذیرد.
- ابزارها: نویسنده هیچ ابزاری در اختیار ندارد. او فقط متنی را می‌بیند که پژوهشگر پیش‌تر جمع‌آوری کرده است.
- محدودیت: پرامپت او صراحتاً هرگونه افزودن واقعیت‌های شخصی یا اختراع داده‌هایی که در ورودی ارائه نشده است را ممنوع می‌کند.
- هدف: تنها هدف این عامل، تبدیل واقعیت‌های خام پژوهشی به یک پست جذاب برای شبکه‌های اجتماعی است که همراه با هشتگ‌های مناسب باشد.
این تفکیک معماری سه مزیت کلیدی برای توسعه‌دهندگان فراهم می‌کند. اول، امکان بهینه‌سازی مدل؛ از آنجایی که هر عامل یک نمونه مجزای Agent(llm: ...) است، می‌توان از یک مدل ارزان و سریع برای انجام پژوهش و از یک مدل با قدرت استدلال بالا (High-Reasoning Model) برای صیقل دادن و نهایی کردن متن استفاده کرد. دوم، ایجاد یک نقطه شکست ایزوله؛ در این حالت، پژوهش‌های بی‌کیفیت یا غلط را می‌توان قبل از اینکه خروجی نهایی را آلوده کنند، شناسایی و اعتبارسنجی کرد. سوم، ترکیب‌پذیری آسان؛ توسعه‌دهندگان می‌توانند به‌سادگی با افزودن یک فراخوانی چت دیگر، عاملی مانند «منتقد» یا «مترجم» را به زنجیره اضافه کنند.
برای یک توسعه‌دهنده، این به معنای فاصله گرفتن از کتابخانه‌های پیچیده ارکستراسیون و حرکت به سمت ترکیب ساده توابع است. در حالی که برخی پلتفرم‌ها مانند Parcha-ai از یک DSL مبتنی بر Jev برای استانداردسازی این گردش‌کارها استفاده می‌کنند، رویکرد NanoAgent پیاده‌سازی را در محیط بومی PHP «ساده» و پیش‌بینی‌پذیر نگه می‌دارد.
این الگو مدل ذهنی توسعه هوش مصنوعی را تغییر می‌دهد: یک عامل دیگر یک چت‌بات نیست، بلکه تابعی در یک برنامه بزرگ‌تر است. با محدود کردن دامنه هر پرامپت، توسعه‌دهندگان می‌توانند به قابلیت اطمینانی دست یابند که هیچ «سوپر-پرامپت» واحدی قادر به ارائه آن نیست.
اکنون توسعه‌دهندگان می‌توانند الگوهای پیشرفته‌تری را آزمایش کنند:
- توزیع (Fan-out): استقرار چندین عامل پژوهشگر برای پوشش دادن زیر-موضوعات مختلف و سپس استفاده از یک نویسنده برای ادغام یافته‌ها.
- حلقه‌های بازخورد (Feedback Loops): پیاده‌سازی زنجیره پژوهشگر $ \rightarrow $ نویسنده $ \rightarrow $ منتقد، به‌طوری که عامل سوم به پست امتیاز دهد و در صورت پایین بودن کیفیت، دستور تلاش مجدد (Retry) صادر کند.
- تخصص ابزاری: اختصاص یک ابزار جست‌وجوی وب به پژوهشگر و یک ابزار «لحن برند» (Brand-voice tool) به نویسنده.
گام بعدی شما
- بررسی سری مثال‌های NanoAgent برای پیاده‌سازی اولین خط لوله چندعاملی خود.
- جایگزینی پرامپت‌های چندمنظوره با زنجیره‌های دو مرحله‌ای برای کاهش نرخ توهم (Hallucination).
- تست مدل‌های کوچک‌تر (SLM) در نقش پژوهشگر برای کاهش هزینه استنتاج.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو