ایجنت هوش مصنوعی و Agentic AI

وقتی یک مدل زبانی به‌جای فقط «پاسخ‌دادن»، می‌تواند تصمیم بگیرد، ابزار فراخوانی کند و روی نتیجه واکنش نشان دهد، به آن ایجنت می‌گوییم. این صفحه اجزا و چرخه‌ی کاری یک ایجنت را توضیح می‌دهد.

ایجنت هوش مصنوعی چیست؟

یک ایجنت هوش مصنوعی سیستمی است که از یک مدل زبانی به‌عنوان «مغز تصمیم‌گیرنده» استفاده می‌کند، اما برخلاف یک چت‌بات ساده، می‌تواند: محیط اطرافش را درک کند، هدف را به مراحل کوچک‌تر بشکند، ابزار (Tool) فراخوانی کند، نتیجه را ببیند، و بر اساس آن مسیر بعدی را تصمیم بگیرد — همه‌ی این‌ها بدون دخالت انسان در هر مرحله. به این توانایی، Agentic AI گفته می‌شود.

تفاوت ایجنت با یک LLM ساده

Agentic AI در برابر AI Agent

این دو اصطلاح اغلب به‌جای هم به‌کار می‌روند، اما یکی نام یک چیز مشخص است و دیگری نام یک رویکرد/طیف.

• AI Agent (ایجنت هوش مصنوعی) به یک نمونه‌ی مشخص و قابل‌اجرا اشاره دارد: یک سیستم واحد که مدل زبانی را با ابزار، حافظه و منطق تصمیم‌گیری ترکیب کرده تا مستقلاً یک هدف را دنبال کند. وقتی می‌گویید «یک ایجنت ساختم که سفارش‌ها را پیگیری می‌کند»، منظورتان همین نمونه‌ی مشخص است.
• Agentic AI اصطلاحی گسترده‌تر است و یک پارادایم معماری را توصیف می‌کند، نه یک نمونه‌ی خاص. نشان می‌دهد یک سیستم هوش مصنوعی تا چه حد «عاملیت» (Agency) دارد — یعنی چقدر می‌تواند بدون دخالت انسان، خودش برنامه‌ریزی کند، تصمیم بگیرد و مسیر اجرا را تغییر دهد. Agentic AI می‌تواند شامل یک ایجنت تنها باشد یا چند ایجنت هماهنگ‌شده (یک سیستم چند-ایجنتی)؛ معیار اصلی، میزان خودمختاری سیستم است، نه تعداد ایجنت‌ها.

طیف خودمختاری: از یک فراخوانی ساده تا Agentic AI کامل

هرچه در جدول زیر پایین‌تر برویم، کنترل مسیر اجرا بیشتر از دست توسعه‌دهنده خارج و به خودِ مدل سپرده می‌شود:

چرا این تفاوت مهم است؟

وقتی محصولی را «Agentic» می‌نامید، دارید ادعا می‌کنید کل سیستم در سطح بالایی از خودمختاری تصمیم می‌گیرد — نه فقط یک ایجنت با چند ابزار. برای نمونه، معماری «تجارت عامل‌محور» که پایه‌ی OpenCommerce است، دقیقاً یک سیستم Agentic AI است: چند ایجنت (خریدار، فروشنده، لجستیک) که هرکدام مستقل تصمیم می‌گیرند و از طریق پروتکل‌هایی مثل A2A با هم هماهنگ می‌شوند — نه صرفاً یک ایجنت منفرد با چند ابزار بیشتر.

اجزای اصلی یک ایجنت

• مدل زبانی (Core LLM) — موتور استدلال و تصمیم‌گیری
• ابزارها (Tools) — توابعی که ایجنت می‌تواند فراخوانی کند (جست‌وجو، API، محاسبه)؛ همان چیزی که MCP استاندارد می‌کند
• حافظه (Memory) — نگهداری وضعیت کوتاه‌مدت یا بلندمدت؛ جزئیات در سیستم‌های حافظه ایجنت
• برنامه‌ریز (Planner) — منطقی که هدف بزرگ را به گام‌های کوچک‌تر تقسیم می‌کند

چرخه Reason-Act-Observe (ReAct)

یکی از رایج‌ترین الگوهای اجرای ایجنت، الگوی ReAct (Reason + Act) است: ایجنت درباره‌ی قدم بعدی استدلال می‌کند، یک اقدام انجام می‌دهد (مثلاً فراخوانی یک ابزار)، نتیجه را مشاهده می‌کند، و این چرخه را تا رسیدن به هدف تکرار می‌کند.

الگوهای رایج معماری ایجنت

• ReAct — استدلال و اقدام در گام‌های متناوب (بالا توضیح داده شد)
• Plan-and-Execute — ابتدا کل برنامه از پیش طراحی می‌شود، سپس مرحله‌به‌مرحله اجرا می‌شود
• Reflexion — ایجنت نتیجه‌ی کار خودش را نقد می‌کند و در تلاش بعدی اصلاح می‌کند

برای زمانی که یک ایجنت به‌تنهایی کافی نیست، به سیستم‌های چند-ایجنتی نگاه کنید.

نمونه کد: یک حلقه ایجنت ساده

def run_agent(goal, tools, llm, max_steps=5):
    history = []
    for step in range(max_steps):
        thought = llm.reason(goal, history)
        if thought.is_final_answer:
            return thought.answer

        action = thought.next_action           # مثلا: check_inventory(sku="123")
        result = tools[action.name](**action.args)
        history.append((thought, action, result))

    return "به نتیجه نرسیدیم؛ نیاز به دخالت انسان"

ریسک‌ها و مهار (Guardrails)

• حلقه بی‌پایان — همیشه یک سقف تعداد مرحله (max_steps) تعیین کنید
• دسترسی بیش‌ازحد ابزار — هر ابزار را با کمترین دسترسی لازم تعریف کنید (اصل MCP)
• اقدام غیرقابل‌بازگشت — برای عملیات حساس (مثل پرداخت)، تایید صریح یا محدودیت مبلغ اضافه کنید

سوالات متداول