اکثر مقالات فارسی هر سیستمی که کمی خودمختاری دارد را «ایجنت» می‌نامند. این برچسب‌گذاری گمراه‌کننده است و هزینه‌ی مهندسی پروژه را بالا می‌برد. معیار عملیاتی ساده‌ای وجود دارد که مرز ایجنت و workflow را مشخص می‌کند: آیا مدل زبانی خودش تصمیم می‌گیرد کدام ابزار و در چه ترتیبی صدا زده شود؟ اگر بله، ایجنت دارید. اگر نه، یک script با wrapper هوش مصنوعی نوشته‌اید.

ایجنت هوش مصنوعی چیست و چه فرقی با چت‌بات و workflow دارد؟#

ایجنت هوش مصنوعی (AI Agent) مدلی زبانی است که در هر مرحله خودش تصمیم می‌گیرد کدام ابزار و به چه ترتیبی صدا زده شود. اگر این تصمیم از پیش توسط شما کدنویسی شده باشد، با workflow یا چت‌بات روبه‌رو هستید نه ایجنت.

سه سطح autonomy وجود دارد. سطح اول: چت‌بات معمولی — مدل فقط متن تولید می‌کند، ابزار صدا نمی‌زند، ترتیب از پیش مشخص است. سطح دوم: workflow خودکارسازی — شما مراحل را دستی چیده‌اید و مدل در هر مرحله یک تصمیم محلی می‌گیرد. سطح سوم: ایجنت واقعی — مدل خودش حلقه‌ی تصمیم‌گیری (agent loop) را اجرا می‌کند و در هر iteration انتخاب می‌کند که ابزار بعدی چیست یا آیا اصلاً ادامه دهد.

مثال عملی: یک RAG chatbot که فقط retrieval و generation انجام می‌دهد ایجنت نیست. ترتیب ثابت است — اول جستجو، بعد پاسخ — و مدل هیچ‌جا تصمیم نگرفته کدام ابزار را انتخاب کند. اما اگر همان سیستم به‌صورت پویا تصمیم بگیرد «قبل از پاسخ، باید جستجوی وب انجام دهم، سپس از calculator استفاده کنم، و بعد پاسخ نهایی را بسازم» — حالا ایجنت دارید.

ایجنت‌شویی (agent washing) رایج‌ترین مشکل بازاریابی در این حوزه است. محصولاتی که صرفاً یک prompt wrapper با کمی tool calling دارند، با برچسب «ایجنت» فروخته می‌شوند. نتیجه‌اش در پروژه‌های اعضای کامیونیتی تکرار می‌شود: تیم‌های فنی وقت خود را روی پیاده‌سازی چیزی صرف می‌کنند که در واقعیت یک workflow ساده است.

معماری ایجنت: شش جز بنیادین از ادراک تا اقدام#

معماری ایجنت هوش مصنوعی از شش جز بنیادین تشکیل شده: ادراک (perception)، برنامه‌ریزی (planning)، فراخوانی ابزار (function calling)، حافظه (memory)، اقدام (action) و بازاندیشی (reflexion). حذف هر کدام ایجنت را به چت‌بات یا workflow تبدیل می‌کند.

شش گره نورانی متصل به هم در دایره، نمایش اجزای بنیادین معماری ایجنت از ادراک تا اقدام
هر جز از ادراک تا اقدام به‌تنهایی عمل نمی‌کند؛ اتصال صحیح میان آن‌هاست که ایجنت را زنده می‌کند.

این شش جز در یک حلقه تکرار می‌شوند و ترتیب اجرا به این شکل است:

  1. ادراک: ورودی کاربر یا خروجی ابزار قبلی را بخوان.
  2. برنامه‌ریزی: تصمیم بگیر مرحله‌ی بعد چیست.
  3. فراخوانی ابزار: ابزار انتخابی را با آرگومان‌های درست صدا بزن.
  4. اقدام: نتیجه‌ی ابزار را اجرا کن.
  5. مشاهده: خروجی را بخوان.
  6. بازاندیشی: ارزیابی کن آیا نتیجه مطلوب است یا باید مسیر اصلاح شود.

الگوی ReAct و Plan-and-Execute#

الگوی ReAct (Reasoning + Acting) در مقاله‌ی Yao et al. (2022) نشان داد که ترکیب استدلال و اقدام در هر مرحله، دقت ایجنت‌ها را در کارهای چندمرحله‌ای نسبت به صرف Chain-of-Thought بهبود می‌دهد. در ReAct، مدل در هر iteration ابتدا فکر می‌کند (thought)، سپس اقدام می‌کند (action)، و بعد نتیجه را می‌خواند (observation).

Plan-and-Execute رویکرد متفاوتی است: مدل ابتدا کل برنامه را upfront می‌نویسد و سپس مرحله‌به‌مرحله اجرا می‌کند. چه زمانی Plan-and-Execute بهتر جواب می‌دهد؟ وقتی task ثابت و قابل‌پیش‌بینی است. چه زمانی ReAct را انتخاب کنید؟ وقتی محیط پویا است و نتیجه‌ی هر مرحله بر تصمیم بعدی اثر می‌گذارد.

فراخوانی تابع و شبه‌کد agent loop#

فراخوانی تابع (function calling) مکانیزمی است که مدل زبانی به‌جای تولید متن آزاد، ساختار JSON خروجی تولید می‌کند و مشخص می‌کند کدام ابزار با چه آرگومانی صدا زده شود.

شبه‌کد ساده‌ی agent loop:

while not done:
input = get_observation()
decision = llm.decide(input, tools, memory)
if decision is final_answer:
return decision
result = execute(decision.tool, decision.args)
memory.add(result)
steps += 1
if steps > max_steps:
raise StopCondition()

ساختار پوشه‌ی پیشنهادی برای یک ایجنت تک‌نفره در Python:

agent_project/
├── main.py
├── llm_client.py
├── tools/
│ ├── web_search.py
│ ├── calculator.py
│ └── file_reader.py
├── memory/
│ ├── short_term.py
│ └── long_term.py
├── prompts/
│ └── system_prompt.txt
├── config.py
└── tests/
    └── test_agent_loop.py

حافظه در ایجنت: context window و vector store#

حافظه در ایجنت دو لایه دارد: حافظه‌ی کوتاه‌مدت (short-term memory) همان context window مدل است و حافظه‌ی بلندمدت (long-term memory) معمولاً در vector store ذخیره می‌شود. اکثر ایجنت‌های آموزشی هیچ‌کدام را پیاده‌سازی نمی‌کنند و این ضعف اصلی در پروژه‌های واقعی است.

حافظه‌ی کوتاه‌مدت — context window#

Context window تنها حافظه‌ای است که مدل در لحظه‌ی تصمیم‌گیری به آن دسترسی دارد. تمام history گفت‌وگو، نتایج ابزارها، و system prompt در این فضای محدود جا می‌شوند. وقتی context window پر شود، مدل عملاً «فراموش» می‌کند. در تسک‌های طولانی، این فراموشی باعث می‌شود ایجنت تصمیمات متناقض بگیرد یا مراحل تکراری اجرا کند.

حافظه‌ی بلندمدت — vector store و بازیابی‌محور#

حافظه‌ی بلندمدت معمولاً در یک vector store ذخیره می‌شود. ایجنت در هر مرحله بر اساس نیاز فعلی، مرتبط‌ترین بخش‌ها را بازیابی می‌کند. نکته‌ای که در tutorials ذکر نمی‌شود اما در پروژه‌های واقعی اعضای کامیونیتی مکرر دیده شده: یک vector store ساده با metadata filtering بهتر از RAG پیچیده عمل می‌کند.

چه زمانی حافظه‌ی بلندمدت لازم است؟ وقتی task بیش از چند iteration طول می‌کشد، یا وقتی ایجنت باید بین session‌های مختلف اطلاعات را نگه دارد. چه زمانی context window کافی است؟ وقتی کل task در یک session و زیر حد context window مدل انجام می‌شود.

بهترین فریمورک ساخت ایجنت هوش مصنوعی کدام است؟#

بهترین فریمورک ساخت ایجنت هوش مصنوعی واحد نیست؛ LangChain انعطاف و اکوسیستم گسترده دارد اما debugging آن دشوار است، CrewAI برای multi-agent ساده‌تر است و AutoGen بر گفت‌وگوی بین ایجنت‌ها تمرکز دارد. انتخاب بر اساس پیچیدگی task و نیاز به debug‌پذیری انجام می‌شود.

مقایسه‌ی LangChain، CrewAI، AutoGen، Semantic Kernel و Haystack#

فریمورکمدل‌های پشتیبانی‌شدهنوع ایجنتDebug‌پذیریمناسب برای
LangChainچندین مدلتک و چنددشوار (over-abstraction)پروتوتایپ سریع
CrewAIچندین مدلچندایجنتیمتوسطMulti-agent ساده
AutoGenOpenAI، Azureچندایجنتیمتوسطگفت‌وگوی بین ایجنت‌ها
Semantic Kernelچندین مدلتک و چندخوبتیم‌های enterprise با C#
Haystackچندین مدلworkflow محورخوبRAG و pipeline ساختاریافته

نقاط ضعف LangChain که در tutorials ذکر نمی‌شوند: over-abstraction باعث می‌شود وقتی چیزی خراب می‌شود، پیدا کردن علت در لایه‌های مختلف abstraction دردناک باشد. Debugging stochastic در LangChain واقعاً وقت‌گیر است. وابستگی شدید به LLM برای هر تصمیم، latency و هزینه را بالا می‌برد.

توصیه‌ی عملی: اگر تیم شما با debugging stochastic مشکل دارد، از فریمورک‌های سبک‌تر شروع کنید. یک script ساده با function calling و یک loop، قابل‌debug‌تر از LangChain است — یا دقیق‌تر بگویم، وقتی abstractionها عمیق می‌شوند، ردیابی خطا به یک کار بازنشانی تبدیل می‌شود.

ایجنت چندتایی چه زمانی لازم است و چه زمانی مضر؟#

ایجنت چندتایی یا سیستم چندایجنتی (Multi-Agent System) فقط زمانی لازم است که تفکیک مسئولیت واقعی وجود داشته باشد. شروع با multi-agent بدون تسلط بر ایجنت تک‌نفره رایج‌ترین اشتباه طراحی است و هزینه‌ی debugging را چند برابر می‌کند.

AutoGen فریمورک چندایجنتی مایکروسافت است که در سال 2023 منتشر شد و بر گفت‌وگوی بین ایجنت‌ها تمرکز دارد. هر ایجنت نقش مشخصی دارد و بین آن‌ها پیام رد و بدل می‌شود.

چه زمانی multi-agent واقعاً لازم است؟ وقتی task decomposition با مرزهای مسئولیت مشخص وجود دارد. مثال: یک ایجنت مسئول research است، دیگری مسئول writing، و سومی مسئول review. اما اگر همه‌ی این کارها در یک agent loop با 2-3 tool قابل‌انجام است، multi-agent فقط پیچیدگی اضافه می‌کند.

هزینه‌ی پنهان multi-agent را دست‌کم نگیرید: هر ایجنت اضافه یک agent loop مستقل با مصرف token جداگانه دارد. اگر سه ایجنت دارید و هر کدام 5 مرحله اجرا کند، عملاً 15 API call دارید — بدون احتساب پیام‌های بین‌ایجنتی.

اشتباه رایجی که در کلاس‌ها و tutorials مکرر دیده می‌شود: ترتیب آموزش برعکس است. اول multi-agent نشان می‌دهند چون «جذاب‌تر» به نظر می‌رسد، در حالی که شروع باید با یک ایجنت تک‌مرحله‌ای باشد — یک tool، یک حلقه‌ی ساده، و یک stop condition.

هزینه‌ی پنهان ایجنت: token، latency و debugging#

هزینه‌ی پنهان ایجنت در سه لایه خودش را نشان می‌دهد: هر مرحله‌ی agent loop (تصمیم، فراخوانی ابزار، پردازش نتیجه) به‌طور مستقل یک یا چند API call مصرف می‌کند و هزینه‌ی تجمعی به‌صورت خطی با تعداد مراحل رشد می‌کند؛ برخلاف کد سنتی، خطای ایجنت اغلب stochastic است و تکرارپذیری ندارد.

مصرف token در هر step#

در هر step ایجنت حداقل دو API call مصرف می‌شود: یکی برای تصمیم‌گیری (کدام ابزار؟) و یکی برای پردازش نتیجه. اگر ایجنت 5 مرحله اجرا کند، حداقل 10 call دارید. هر call شامل system prompt، history، و tool definitions است — یعنی token ورودی در هر iteration رشد می‌کند.

الگوی «ایجنت ضعیف‌تر ولی ارزان‌تر»: مدل کوچک‌تر با tool کمتر معمولاً قابل‌اعتمادتر است. چرا؟ چون مدل‌های کوچک‌تر در تصمیم‌گیری بین ابزارهای کم، خطای کمتری دارند. در بسیاری پروژه‌های واقعی، یک ایجنت با مدل کوچک‌تر و 2 tool بهتر از ایجنت پیچیده با مدل بزرگ و 10 tool عمل می‌کند.

چالش debugging — خطای stochastic#

خطای ایجنت برخلاف کد سنتی deterministic نیست. یک input مشخص می‌تواند در اجراهای مختلف خروجی متفاوت بدهد. این یعنی تکرارپذیری خطا پایین است و debugging به‌جای «بازخوانی stack trace» به «اجرای 10 بار و مقایسه‌ی نتایج» تبدیل می‌شود. این هزینه‌ی پنهان مهندسی در مقالات مقایسه‌ای نادیده گرفته می‌شود.

پیشگیری عملی: max_steps، timeout، fallback به workflow، و logging هر step. بدون اینها، ایجنت شما در infinite loop گیر می‌کند و هزینه‌ی API بی‌نهایت می‌شود.

ایجنت مناسب نیست: چه‌زمانی workflow ساده بهتر است#

ایجنت مناسب نیست وقتی task شما deterministic است، وقتی latency باید زیر چند صد میلی‌ثانیه باشد، وقتی خطا فاجعه‌بار است (پزشکی، مالی)، یا وقتی تعداد مراحل ثابت و شناخته‌شده است. در این شرایط workflow ساده یا کد سنتی بهتر از ایجنت عمل می‌کند.

معیارهای «ایجنت مناسب نیست»:

  • ترتیب مراحل از قبل مشخص است و تغییر نمی‌کند.
  • Latency حساس است (مثلاً رزرو جلسه، پرداخت).
  • خطا فاجعه‌بار است و نیاز به 100% determinism دارد.
  • تعداد مراحل ثابت و شناخته‌شده است.
  • Task در یک call قابل‌حل است.

مثال واقعی: ایجنتی که برای رزرو جلسه طراحی شده. Deterministic است (همیشه اول جستجوی slot خالی، بعد ارسال درخواست، بعد تأیید)، latency-sensitive است، و خطا فاجعه‌بار است — رزرو اشتباه یعنی جلسه‌ی از دست رفته. اینجا workflow با شرط‌گذاری بهتر از ایجنت عمل می‌کند.

جایگزین‌ها: کد سنتی، workflow با شرط‌گذاری، function calling بدون loop. اگر مدل فقط یک بار ابزار صدا می‌زند و شما ترتیب را نوشته‌اید، ایجنت ندارید — یک API call با tool use دارید.

رایج‌ترین اشتباهات طراحی ایجنت و نحوه‌ی پیشگیری#

رایج‌ترین اشتباهات طراحی ایجنت شامل infinite loop بدون guardrail، شروع با multi-agent، نادیده‌گرفتن هزینه‌ی تجمعی token، و ارزیابی‌نکردن ایجنت با benchmark است. هر کدام قابل پیشگیری با یک تصمیم طراحی مشخص‌اند.

Infinite loop و نبود stop condition#

رایج‌ترین باگ: ایجنت وارد حلقه‌ی بی‌پایان می‌شود چون stop condition تعریف نشده. پیشگیری: max_steps hard-coded، timeout برای هر API call، و fallback به workflow یا خطای صریح وقتی ایجنت به نتیجه نمی‌رسد.

ارزیابی ایجنت — eval harness و benchmark#

چون خطای ایجنت stochastic است، هر test باید چند بار اجرا شود و نرخ موفقیت ثبت شود. ساخت evaluation harness شامل test caseهای deterministic، بررسی stop condition، و مقایسه‌ی خروجی با expected output است. بدون این، شما نمی‌دانید آیا تغییر code ایجنت را بهتر کرده یا بدتر.

اشتباهات دیگر که در گفتگوهای اعضای کامیونیتی مکرر برمی‌گردند:

  • شروع با multi-agent: بدون تسلط بر ایجنت تک‌نفره، سیستم چندایجنتی فقط هزینه‌ی debugging را چند برابر می‌کند.
  • نادیده‌گرفتن هزینه‌ی تجمعی: هر step یک یا چند API call مصرف می‌کند. یک ایجنت 5 مرحله‌ای تا 5 برابر هزینه‌ی یک پاسخ ساده token مصرف دارد.
  • Agent washing: استفاده از «ایجنت» به‌عنوان برچسب بازاریابی روی محصولاتی که صرفاً prompt wrapper هستند.

پیشگیری عملی: max_steps، timeout، fallback به workflow، و logging هر step. این چهار مورد را در اولین خط کد ایجنت‌تان بنویسید، نه بعد از اینکه ایجنت در production infinite loop زد.

جمع‌بندی عملی#

معیار ایجنت بودن یک چیز است: مدل خودش تصمیم می‌گیرد کدام ابزار و در چه ترتیبی صدا زده شود. اگر این تصمیم از پیش نوشته شده، شما workflow دارید نه ایجنت — و این اشکالی ندارد. در پروژه‌های واقعی، یک ایجنت با مدل کوچک‌تر و 2 tool اغلب بهتر از ایجنت پیچیده با مدل بزرگ و 10 tool عمل می‌کند. هزینه‌ی debugging stochastic را فراموش نکنید و همیشه قبل از شروع بپرسید: آیا واقعاً به ایجنت نیاز دارم یا یک script کافی است؟

اگر می‌خواهید ایجنت‌سازی را از صفر و با ابزار عملی یاد بگیرید، دوره‌ی «ساخت Ai Agent با N8N» در کامیونیتی اسکول دقیقاً همین مسیر را پوشش می‌دهد — از معماری و function calling تا debugging و deployment. برای کسی که بدون کدنویسی می‌خواهد ایجنت بسازد، دوره‌ی «آموزش جامع Claude و ابزارهای مشابه» مسیر متفاوتی را با Vibe Coding طی می‌کند.