ایجنت هوش مصنوعی چیست؟

ایجنت هوش مصنوعی (AI Agent) سیستمی مبتنی بر مدل زبانی است که به‌جای فقط پاسخ دادن، برای رسیدن به یک هدف برنامه‌ریزی می‌کند، از ابزارها (جست‌وجو، API، فایل، مرورگر، نرم‌افزار) استفاده می‌کند، نتیجه هر قدم را می‌بیند و قدم بعدی را خودش انتخاب می‌کند. اگر چت‌بات «می‌گوید چه باید کرد»، ایجنت «آن کار را انجام می‌دهد».

در این راهنما می‌خوانید ایجنت چیست، اجزای آن کدام‌اند، چه تفاوتی با چت‌بات و اتوماسیون سنتی دارد، «Computer Use» یا کار با کامپیوتر چیست، ایجنت‌ها امروز کجا واقعاً جواب می‌دهند و چه ریسک‌های امنیتی دارند. در پایان هم مسیر عملی شروع کار با ایجنت‌ها در یک کسب‌وکار را مرور می‌کنیم.

نویسنده: تیم siloow (سیلو سولوشن) — آخرین به‌روزرسانی: آبان ۱۴۰۵

ایجنت هوش مصنوعی چیست؟

ایجنت هوش مصنوعی یعنی برنامه‌ای که یک مدل زبانی بزرگ را در یک حلقه قرار می‌دهد: هدف را می‌گیرد، تصمیم می‌گیرد کدام ابزار را صدا بزند، نتیجه را بررسی می‌کند و این چرخه را تا رسیدن به هدف یا رسیدن به سقف مجاز تکرار می‌کند. IBM در تعریف خود ایجنت را سیستمی می‌داند که با طراحی گردش کار و استفاده از ابزارهای در دسترس، کارها را به‌صورت خودمختار انجام می‌دهد.

Anthropic در راهنمای مشهور Building effective agents تمایز مفیدی می‌گذارد: «گردش کار» (Workflow) سیستمی است که مدل زبانی و ابزارها را از مسیرهای ازپیش‌تعریف‌شده در کد هدایت می‌کند؛ اما «ایجنت» سیستمی است که خود مدل زبانی روند کار و استفاده از ابزارها را به‌صورت پویا تعیین می‌کند. این تمایز در عمل مهم است، چون بیشتر مسائل کسب‌وکار با یک گردش کار ساده‌تر و قابل‌پیش‌بینی‌تر حل می‌شوند.

برای فهم موتور اصلی ایجنت‌ها، یعنی مدل زبانی، مقاله مدل زبانی بزرگ (LLM) چیست و چطور کار می‌کند را بخوانید؛ اینجا روی لایه‌ای تمرکز می‌کنیم که مدل را به «عامل هوشمند» تبدیل می‌کند.

اجزای یک ایجنت هوش مصنوعی کدام‌اند؟

هر ایجنت هوش مصنوعی از چهار جزء اصلی ساخته می‌شود: مدل زبانی به‌عنوان مغز تصمیم‌گیر، ابزارها برای اثرگذاری بر دنیای بیرون، حافظه برای نگه‌داشتن زمینه، و حلقه کنترل که کل فرایند را مدیریت می‌کند. کیفیت ایجنت به ضعیف‌ترین حلقه این زنجیره بستگی دارد.

جزء	نقش	نمونه
مدل زبانی (مغز)	فهم هدف، برنامه‌ریزی و انتخاب قدم بعدی	یک مدل زبانی بزرگ با توانایی فراخوانی ابزار
ابزارها (دست‌ها)	انجام کار واقعی بیرون از مدل	جست‌وجوی وب، API فروشگاه، خواندن فایل، اجرای کد، مرورگر
حافظه	نگه‌داشتن زمینه کار و تجربه‌های قبلی	تاریخچه گفت‌وگو، یادداشت‌های ذخیره‌شده، پایگاه دانش
برنامه‌ریزی	شکستن هدف بزرگ به زیرکارهای کوچک‌تر	«اول سفارش‌ها را بگیر، بعد موجودی را چک کن، بعد گزارش بنویس»
حلقه کنترل و نرده‌ها	تعیین سقف قدم‌ها، مجوزها و نقاط تأیید انسانی	حداکثر ۲۰ قدم، تأیید پیش از ارسال ایمیل یا پرداخت

فراخوانی ابزار (Tool Calling) چطور کار می‌کند؟

فراخوانی ابزار قابلیتی است که به مدل زبانی اجازه می‌دهد به‌جای متن آزاد، یک درخواست ساختاریافته برای اجرای یک تابع مشخص تولید کند؛ مثلاً «تابع get_order را با شماره سفارش ۱۲۳۴ صدا بزن». برنامه میزبان این تابع را واقعاً اجرا می‌کند و نتیجه را به مدل برمی‌گرداند. مدل خودش مستقیماً به دیتابیس یا اینترنت دست نمی‌زند؛ همه چیز از دریچه ابزارهایی می‌گذرد که توسعه‌دهنده تعریف و محدود کرده است. همین نکته، کلید امن نگه‌داشتن ایجنت است.

تفاوت ایجنت هوش مصنوعی با چت‌بات چیست؟

تفاوت اصلی ایجنت هوش مصنوعی با چت‌بات در «عمل» است: چت‌بات به سؤال پاسخ می‌دهد و کار تمام می‌شود، اما ایجنت هدفی را دنبال می‌کند، چند قدم پشت‌سرهم برمی‌دارد و با ابزارها تغییری واقعی در سیستم‌ها ایجاد می‌کند. همین تفاوت، هم ارزش ایجنت را بیشتر می‌کند و هم ریسک آن را.

ویژگی	چت‌بات	ایجنت هوش مصنوعی	اتوماسیون سنتی (RPA/اسکریپت)
ورودی	سؤال یا پیام	هدف	رویداد یا زمان‌بندی
خروجی	متن پاسخ	کار انجام‌شده و گزارش	کار انجام‌شده
تعداد قدم	معمولاً یک	چند قدم، تعیین‌شده توسط مدل	چند قدم، ثابت و ازپیش‌نوشته
انعطاف در شرایط پیش‌بینی‌نشده	متوسط	بالا	پایین
قابلیت پیش‌بینی رفتار	متوسط	پایین‌تر	بالا
ریسک خطا	پاسخ نادرست	اقدام نادرست در سیستم واقعی	خطای منطقی ثابت

یک مثال روشن: اگر از چت‌بات بپرسید «سفارش‌های امروز که هنوز ارسال نشده‌اند کدام‌اند؟»، در بهترین حالت توضیح می‌دهد کجا را نگاه کنید. ایجنتی که به پنل فروشگاه دسترسی دارد، فهرست را از سیستم می‌گیرد، با وضعیت انبار مقایسه می‌کند، برای سفارش‌های دارای موجودی برچسب ارسال آماده می‌کند و برای بقیه پیش‌نویس پیام به مشتری می‌نویسد تا اپراتور تأیید کند.

ایجنت هوش مصنوعی چطور کار می‌کند؟

ایجنت هوش مصنوعی در یک چرخه تکراری «فکر، عمل، مشاهده» کار می‌کند: مدل وضعیت را تحلیل می‌کند، یک ابزار را با ورودی مشخص صدا می‌زند، نتیجه را می‌بیند و بر اساس آن قدم بعدی را تعیین می‌کند. این چرخه تا زمانی ادامه می‌یابد که هدف محقق شود، مدل اعلام کند کار تمام است، یا حلقه کنترل به سقف قدم‌ها برسد.

1. دریافت هدف: کاربر یا یک رویداد سیستمی هدف را تعریف می‌کند؛ مثلاً «گزارش فروش هفته را آماده کن و برای مدیر بفرست».
2. برنامه‌ریزی: مدل هدف را به چند زیرکار می‌شکند.
3. اجرای ابزار: برای هر زیرکار، ابزار مناسب صدا زده می‌شود (گرفتن داده، محاسبه، ساخت فایل).
4. مشاهده و اصلاح: اگر خروجی ابزار خطا داشت، مدل راه دیگری را امتحان می‌کند.
5. نقطه تأیید انسانی: پیش از اقدامات حساس (ارسال، پرداخت، حذف) کار متوقف و از انسان تأیید گرفته می‌شود.
6. گزارش نهایی: ایجنت نتیجه و قدم‌های انجام‌شده را گزارش می‌کند تا قابل بازبینی باشد.

نکته: هرچه هدف مبهم‌تر و تعداد ابزارها بیشتر باشد، احتمال اینکه ایجنت مسیر اشتباه برود بیشتر می‌شود. ایجنت خوب، ایجنتی است که دامنه کار، ابزارها و مجوزهایش تا حد ممکن کوچک و مشخص باشد.

الگوهای رایج ساخت سیستم‌های عامل‌محور

راهنمای Anthropic پنج الگوی گردش کار را پیش از رفتن سراغ ایجنت کاملاً خودمختار معرفی می‌کند که در عمل بسیار به کار می‌آیند:

• زنجیره پرامپت (Prompt chaining): کار به چند مرحله پشت‌سرهم شکسته می‌شود و بین مراحل بررسی انجام می‌شود.
• مسیریابی (Routing): ورودی دسته‌بندی و به مسیر یا مدل تخصصی مناسب فرستاده می‌شود.
• موازی‌سازی (Parallelization): چند زیرکار هم‌زمان اجرا یا یک کار چند بار انجام و نتایج ترکیب می‌شود.
• هماهنگ‌کننده و کارگزاران (Orchestrator-workers): یک مدل مرکزی کار را تقسیم و به چند مدل دیگر می‌سپارد.
• ارزیاب و بهینه‌ساز (Evaluator-optimizer): یک مدل خروجی می‌سازد و مدل دیگر آن را نقد می‌کند تا کیفیت بالا برود.

انواع ایجنت هوش مصنوعی کدام‌اند؟

انواع ایجنت هوش مصنوعی را می‌توان بر اساس میزان خودمختاری و محل اجرا دسته‌بندی کرد: از دستیارهایی که فقط با اجازه کاربر یک ابزار را صدا می‌زنند تا ایجنت‌های پس‌زمینه‌ای که ساعت‌ها روی یک کار در فضای ابری کار می‌کنند. دانستن این دسته‌ها کمک می‌کند انتظار درستی از هر ابزار داشته باشید.

نوع ایجنت	میزان خودمختاری	محل اجرا	نمونه کاربرد
دستیار با ابزار	پایین؛ هر اقدام با تأیید کاربر	داخل اپ گفت‌وگو	جست‌وجو، خواندن فایل، ساخت پیش‌نویس
ایجنت برنامه‌نویسی محلی	متوسط؛ تغییرات قابل بازبینی	ویرایشگر کد یا ترمینال توسعه‌دهنده	اصلاح باگ، نوشتن تست، بازآرایی کد
ایجنت ابری پس‌زمینه	بالا؛ اجرای طولانی بدون حضور کاربر	محیط ایزوله در فضای ابری	انجام چند کار هم‌زمان روی مخزن کد یا داده
ایجنت مرورگر و کار با کامپیوتر	متوسط تا بالا	مرورگر یا دسکتاپ مجازی	پر کردن فرم، کار با پنل‌های بدون API
ایجنت سازمانی متصل به داده	متغیر؛ معمولاً با نقاط تأیید	زیرساخت سازمان	پشتیبانی مشتری، گزارش‌گیری، عملیات فروشگاه

در عمل، بیشترین ارزش امروز از دو دسته به دست می‌آید: ایجنت‌های برنامه‌نویسی، چون نتیجه کارشان با اجرای تست قابل‌سنجش است، و ایجنت‌های سازمانی با دامنه محدود، چون دسترسی و ابزارهایشان به‌دقت تعریف شده است.

سیستم‌های چندعاملی (Multi-agent) چه هستند؟

سیستم چندعاملی یعنی چند ایجنت هوش مصنوعی با نقش‌های مختلف که روی یک کار مشترک همکاری می‌کنند؛ مثلاً یک ایجنت «برنامه‌ریز» کار را تقسیم می‌کند، چند ایجنت «اجراکننده» هر بخش را انجام می‌دهند و یک ایجنت «بازبین» نتیجه را بررسی می‌کند. این ساختار شبیه همان الگوی هماهنگ‌کننده و کارگزاران است که پیش‌تر اشاره شد.

مزیت سیستم‌های چندعاملی این است که هر ایجنت زمینه کوچک‌تر و تمرکز بیشتری دارد و کارهای مستقل می‌توانند موازی اجرا شوند. اما هزینه هماهنگی، مصرف توکن و پیچیدگی اشکال‌زدایی هم به‌شدت بالا می‌رود. توصیه عملی این است که تا وقتی یک ایجنت با ابزارهای خوب کار را انجام می‌دهد، سراغ چند ایجنت نروید.

• مناسب برای: پژوهش گسترده در منابع متعدد، کارهای بزرگ قابل تقسیم، بررسی متقابل خروجی‌ها.
• نامناسب برای: کارهای کوچک، کارهایی که مراحلشان به هم وابسته‌اند، و جایی که بودجه و زمان پاسخ محدود است.

ایجنت هوش مصنوعی چه چیزهایی را هنوز خوب انجام نمی‌دهد؟

ایجنت‌های هوش مصنوعی هنوز در کارهای بسیار طولانی، هدف‌های مبهم و محیط‌هایی که مدام تغییر می‌کنند ضعیف‌اند. هرچه یک کار قدم‌های بیشتری داشته باشد، احتمال اینکه یک خطای کوچک در میانه مسیر کل نتیجه را خراب کند بیشتر می‌شود.

• کارهایی که معیار «تمام شدن» روشنی ندارند، مثل «بازاریابی ما را بهتر کن».
• تصمیم‌هایی که به قضاوت اخلاقی، حقوقی یا شناخت عمیق از روابط انسانی نیاز دارند.
• محیط‌هایی با رابط کاربری ناپایدار یا بدون مستندات.
• هر کاری که در آن یک اشتباه هزینه بالا و برگشت‌ناپذیر دارد و نمی‌توان نقطه تأیید انسانی گذاشت.

Computer Use یا ایجنت کار با کامپیوتر چیست؟

Computer Use قابلیتی است که به ایجنت هوش مصنوعی اجازه می‌دهد مثل یک کاربر انسانی با رابط گرافیکی نرم‌افزارها کار کند: صفحه را ببیند (از طریق تصویر صفحه)، ماوس را حرکت دهد، کلیک کند و تایپ کند. این قابلیت برای نرم‌افزارهایی که API ندارند، مثل سامانه‌های قدیمی یا پنل‌های تحت وب، راه اتوماسیون باز می‌کند.

Anthropic در اکتبر ۲۰۲۴ این قابلیت را به‌صورت بتای عمومی برای Claude معرفی کرد و از آن زمان شرکت‌های دیگر هم به این مسیر آمده‌اند؛ برای نمونه طبق گزارش InfoQ از DevDay ۲۰۲۶، OpenAI قابلیت کار با کامپیوتر را به Agents API خود اضافه کرده تا برنامه‌ها بتوانند نرم‌افزارها را از طریق رابط گرافیکی اداره کنند. مرورگرهای مبتنی بر هوش مصنوعی و ایجنت‌های مرورگر هم نسخه دیگری از همین ایده هستند.

محدودیت‌های Computer Use

• سرعت و هزینه: کار از طریق تصویر صفحه، کندتر و پرهزینه‌تر از فراخوانی مستقیم API است.
• شکنندگی: تغییر چیدمان صفحه یا ظاهر شدن یک پنجره پیش‌بینی‌نشده ممکن است ایجنت را سردرگم کند.
• امنیت: ایجنتی که صفحه وب را می‌خواند، ممکن است در معرض دستورهای پنهان در همان صفحه قرار بگیرد؛ پس هرگز نباید بدون نظارت به حساب‌های مالی یا اطلاعات حساس دسترسی داشته باشد.

قاعده عملی این است: اگر نرم‌افزار API دارد، از API استفاده کنید؛ Computer Use را برای جاهایی نگه دارید که راه دیگری نیست.

کاربرد ایجنت هوش مصنوعی در کسب‌وکار چیست؟

کاربرد ایجنت هوش مصنوعی در کسب‌وکار جایی بیشترین ارزش را دارد که کار چندمرحله‌ای، تکراری و نیازمند جمع‌کردن اطلاعات از چند سیستم مختلف باشد، اما هر مرحله آن‌قدر ثابت نباشد که با یک اسکریپت ساده قابل خودکارسازی باشد. ایجنت‌های برنامه‌نویسی امروز بالغ‌ترین نمونه این دسته‌اند.

• برنامه‌نویسی: ایجنت‌هایی که کد را می‌خوانند، تغییر می‌دهند، تست را اجرا و خطا را اصلاح می‌کنند؛ از دستیار در ویرایشگر تا ایجنت‌های ابری که روی یک مخزن کد کار می‌کنند.
• پشتیبانی مشتری: بررسی وضعیت سفارش در سیستم، پاسخ به مشتری و ثبت درخواست مرجوعی، با ارجاع موارد پیچیده به انسان.
• پژوهش و گزارش: جست‌وجو در منابع متعدد، استخراج نکات و ساخت گزارش با ارجاع.
• عملیات فروشگاه اینترنتی: به‌روزرسانی موجودی، دسته‌بندی محصولات جدید، تهیه پیش‌نویس توضیحات و گزارش سفارش‌های معوق.
• کارهای اداری: خلاصه ایمیل‌ها، تنظیم جلسه، پر کردن فرم‌های داخلی و تهیه پیش‌نویس پاسخ‌ها.

اتوماسیون با ایجنت یا بدون ایجنت؟

همه اتوماسیون‌ها به ایجنت نیاز ندارند. اگر مراحل کار ثابت و قابل‌پیش‌بینی است (مثلاً «هر سفارش جدید را به گوگل‌شیت اضافه کن»)، یک اتوماسیون ساده با ابزارهایی مثل n8n یا یک اسکریپت ارزان‌تر، سریع‌تر و قابل‌اعتمادتر است. ایجنت را برای جایی نگه دارید که ورودی‌ها متنوع و نیازمند فهم زبان یا قضاوت هستند.

یک سناریوی واقعی: ایجنت پشتیبانی فروشگاه اینترنتی

یک ایجنت پشتیبانی فروشگاه اینترنتی نمونه خوبی برای دیدن همه اجزای یک عامل هوشمند در کنار هم است. فرض کنید مشتری می‌نویسد: «سفارشم هنوز نرسیده و می‌خواهم یکی از اقلام را عوض کنم.»

1. ایجنت با ابزار «جست‌وجوی سفارش» (فقط‌خواندنی) سفارش مشتری را با شماره موبایل تأییدشده پیدا می‌کند.
2. با ابزار «وضعیت ارسال» می‌بیند بسته هنوز از انبار خارج نشده است.
3. با ابزار «موجودی» بررسی می‌کند کالای جایگزین موجود است یا نه.
4. پیش‌نویس تغییر سفارش را آماده می‌کند، اما چون تغییر سفارش اقدامی نوشتنی است، آن را برای تأیید اپراتور در صف قرار می‌دهد.
5. به مشتری پاسخ می‌دهد که درخواست ثبت شده و زمان تقریبی بررسی چقدر است.

در این سناریو، ایجنت هیچ‌وقت مستقیم به پایگاه داده دسترسی ندارد، فقط ابزارهای مشخصی را صدا می‌زند و اقدام حساس پشت تأیید انسانی است. اگر مشتری در پیامش متنی مثل «همه سفارش‌های دیگر را هم لغو کن» بنویسد، ایجنت ابزاری برای این کار ندارد و آسیبی وارد نمی‌شود؛ این همان طراحی مبتنی بر حداقل دسترسی است.

MCP و استانداردهای اتصال ایجنت‌ها چیست؟

MCP یا Model Context Protocol یک استاندارد باز برای اتصال مدل‌ها و ایجنت‌های هوش مصنوعی به ابزارها و منابع داده است؛ به‌جای اینکه برای هر ابزار و هر مدل یک اتصال اختصاصی نوشته شود، ابزار یک بار به‌صورت «سرور MCP» پیاده‌سازی می‌شود و هر ایجنت سازگار می‌تواند از آن استفاده کند. MCP را Anthropic ایجاد کرد و طبق وبلاگ رسمی MCP، در ۹ دسامبر ۲۰۲۵ به بنیاد Agentic AI Foundation زیر چتر بنیاد لینوکس اهدا شد؛ بنیادی که Anthropic، Block و OpenAI هم‌بنیان‌گذار آن هستند و پروژه‌های goose و AGENTS.md را هم در بر می‌گیرد.

برای صاحبان سایت و نرم‌افزار، معنای عملی MCP این است که می‌توان یک بار رابطی استاندارد برای داده‌ها و عملیات سیستم خود (مثلاً جست‌وجوی محصول یا وضعیت سفارش) ساخت و آن را در اختیار ایجنت‌های مختلف قرار داد.

ریسک‌ها و محدودیت‌های ایجنت‌های هوش مصنوعی چیست؟

ریسک اصلی ایجنت‌های هوش مصنوعی این است که خطای مدل دیگر فقط یک پاسخ نادرست نیست، بلکه می‌تواند به اقدامی نادرست در سیستم واقعی تبدیل شود؛ مثل حذف داده، ارسال پیام اشتباه یا انجام تراکنش ناخواسته. Anthropic در همان راهنما تأکید می‌کند که ماهیت خودمختار ایجنت‌ها هزینه بالاتر و احتمال انباشت خطا را به همراه دارد و به آزمایش گسترده در محیط ایزوله و نرده‌های حفاظتی مناسب نیاز دارد.

• Prompt Injection: OWASP این ریسک را اولین مورد فهرست ریسک‌های برنامه‌های مبتنی بر LLM می‌داند؛ در نوع غیرمستقیم آن، دستورهای مخرب داخل یک صفحه وب، ایمیل یا فایل پنهان شده‌اند و ایجنتی که آن محتوا را می‌خواند ممکن است فریب بخورد.
• دسترسی بیش از حد: ایجنتی که به همه چیز دسترسی دارد، در صورت خطا یا فریب، به همه چیز آسیب می‌زند.
• انباشت خطا: یک اشتباه کوچک در قدم دوم ممکن است در قدم دهم به نتیجه‌ای کاملاً غلط برسد.
• هزینه و زمان: هر قدم ایجنت یک یا چند فراخوانی مدل است؛ کارهای طولانی می‌توانند گران و کند شوند.
• شفافیت و پاسخ‌گویی: بدون ثبت کامل قدم‌ها، فهمیدن اینکه چرا ایجنت کاری را کرده دشوار است.

اصول امن‌سازی ایجنت

1. اصل حداقل دسترسی: فقط ابزارها و مجوزهایی را بدهید که برای همان کار لازم است.
2. تأیید انسانی برای اقدامات برگشت‌ناپذیر: ارسال، پرداخت، حذف و انتشار.
3. محدودیت قدم و بودجه: سقف تعداد فراخوانی و هزینه برای هر اجرا.
4. ثبت کامل لاگ: همه ابزارهای صدازده‌شده و ورودی و خروجی آن‌ها.
5. محتوای خارجی را داده بدانید، نه دستور: آنچه ایجنت از وب یا ایمیل می‌خواند نباید رفتار آن را تغییر دهد.
6. آزمایش در محیط ایزوله (Sandbox) پیش از اتصال به سیستم واقعی.

ایجنت هوش مصنوعی برای کسب‌وکارهای ایرانی چه ملاحظاتی دارد؟

کسب‌وکارهای ایرانی در به‌کارگیری ایجنت هوش مصنوعی علاوه بر ریسک‌های عمومی، با یک ملاحظه خاص روبه‌رو هستند: ایران در فهرست کشورهای پشتیبانی‌شده بسیاری از ارائه‌دهندگان بزرگ مدل قرار ندارد و این ارائه‌دهندگان در شرایط استفاده خود به امکان مسدود شدن حساب‌ها اشاره کرده‌اند. ایجنتی که فرایند حیاتی یک کسب‌وکار به آن وابسته است، نباید روی سرویسی بنا شود که ممکن است بی‌خبر قطع شود.

• مدل‌های اوپن‌ویت روی زیرساخت خودتان: خانواده‌هایی مثل Gemma، Qwen، DeepSeek و Mistral را می‌توان روی سرور داخلی اجرا کرد؛ کیفیتشان برای بسیاری از کارهای محدود و مشخص کافی است.
• طراحی مستقل از مدل: ابزارها و منطق ایجنت را طوری بنویسید که تعویض مدل زیرین بدون بازنویسی کل سیستم ممکن باشد؛ استانداردهایی مثل MCP به همین کار کمک می‌کنند.
• داده حساس داخل مرز سازمان: اطلاعات مشتری و مالی را تا حد ممکن در زیرساخت خودتان پردازش کنید.

از تجربه تیم siloow: ایجنت‌ها در توسعه وب

تیم siloow در توسعه قالب‌های وردپرس، وب‌اپلیکیشن‌های مدیریت تیم و سیستم‌های انبار و فروش، از ایجنت‌های برنامه‌نویسی برای کارهای مشخصی مثل بازآرایی کد، نوشتن تست و مهاجرت بخش‌های قدیمی استفاده می‌کند. مهم‌ترین درس ما این بود که ایجنت وقتی خوب کار می‌کند که «تعریف تمام شدن کار» روشن باشد؛ مثلاً «همه تست‌ها سبز شوند و خطای lint نماند». در کارهای مبهم مثل «این بخش را بهتر کن»، ایجنت‌ها تغییرات زیاد و گاهی غیرضروری ایجاد می‌کنند. در پروژه‌های مشتری هم هر جا ایجنت به داده واقعی (سفارش‌ها، کاربران) دسترسی دارد، دسترسی را فقط خواندنی شروع می‌کنیم و اقدامات نوشتنی را پشت تأیید انسانی قرار می‌دهیم.

چطور کار با ایجنت هوش مصنوعی را شروع کنیم؟

کار با ایجنت هوش مصنوعی را باید از کوچک‌ترین مسئله ارزشمند شروع کرد: یک کار چندمرحله‌ای تکراری با داده در دسترس و ریسک پایین. ساخت «ایجنت همه‌کاره» در قدم اول تقریباً همیشه به نتیجه ضعیف می‌رسد.

1. انتخاب مسئله: کاری که هفته‌ای چند ساعت وقت می‌گیرد، چند مرحله دارد و اشتباه در آن قابل جبران است.
2. شروع با گردش کار: ابتدا ببینید آیا یک زنجیره ساده از مراحل ثابت با یک یا دو فراخوانی مدل کافی است یا نه.
3. تعریف ابزارها: فقط ابزارهای لازم را با ورودی و خروجی دقیق تعریف کنید؛ در ابتدا فقط‌خواندنی.
4. معیار موفقیت: مشخص کنید خروجی خوب چیست و روی ۲۰ تا ۵۰ نمونه واقعی بسنجید.
5. اضافه کردن اختیار به‌تدریج: بعد از اطمینان از کیفیت، اقدامات نوشتنی را با تأیید انسانی اضافه کنید.

کیفیت دستورالعمل‌هایی که به ایجنت می‌دهید هم نقش بزرگی دارد؛ اصول نوشتن این دستورالعمل‌ها را در مقاله پرامپت نویسی و مهندسی پرامپت توضیح داده‌ایم. برای آشنایی با زمینه کلی‌تر هم مقاله هوش مصنوعی مولد چیست و راهنمای پایه هوش مصنوعی چیست را ببینید.

جمع‌بندی: ایجنت هوش مصنوعی به زبان ساده

• ایجنت هوش مصنوعی مدل زبانی را در حلقه «فکر، عمل، مشاهده» قرار می‌دهد تا با ابزارها به یک هدف برسد.
• تفاوت ایجنت و چت‌بات در انجام کار واقعی است؛ همین تفاوت ریسک را هم بالا می‌برد.
• Computer Use به ایجنت اجازه کار با رابط گرافیکی را می‌دهد، اما کندتر و شکننده‌تر از API است.
• MCP استاندارد باز اتصال ایجنت‌ها به ابزارهاست و اکنون زیر چتر بنیاد لینوکس اداره می‌شود.
• حداقل دسترسی، تأیید انسانی و ثبت لاگ، سه اصل غیرقابل‌مذاکره ایجنت‌های امن هستند.

اگر می‌خواهید یک ایجنت یا اتوماسیون هوشمند را به سایت، فروشگاه یا نرم‌افزار سازمانی‌تان اضافه کنید، از انتخاب مسئله و طراحی ابزارها تا امن‌سازی و پیاده‌سازی، خدمات توسعه وب و یکپارچه‌سازی هوش مصنوعی siloow را ببینید. مقالات بیشتر این مجموعه را در مگ siloow دنبال کنید.

منابع

• Anthropic, Building effective agents
• IBM, What Are AI Agents?
• MCP Blog, MCP joins the Agentic AI Foundation
• OWASP GenAI, LLM01:2025 Prompt Injection

سوالات متداول درباره ایجنت هوش مصنوعی