ایجنت هوش مصنوعی چیست؟ تعریف، سطح‌ها و کاربرد با مثال

ایجنت هوش مصنوعی این روزها همه‌جا شنیده می‌شود؛ از دستیارهای برنامه‌نویسی تا ربات‌هایی که بلیت رزرو می‌کنند. اما مرز یک ایجنت با یک چت‌بات معمولی کجاست؟ و چه زمانی واقعاً به ایجنت نیاز داریم؟

در این قسمت از مجموعه‌ی «از پرامپت تا دستیار هوش مصنوعی» وارد نیمه‌ی دوم مسیر می‌شویم. با یک مثال ساده شروع می‌کنیم، بعد تعریف دقیق ایجنت و سطح‌های مختلف عاملیت را می‌بینیم و در پایان کاربردهای واقعی را مرور می‌کنیم. پایه‌ی فنی این بخش دوره‌ی رسمی ایجنت‌های Hugging Face است.

ایجنت هوش مصنوعی با یک مثال ساده

با یک پیشخدمت خیالی به نام آلفرد آشنا شوید. آلفرد یک ایجنت است. به او می‌گویید «آلفرد، یک قهوه می‌خواهم». چون زبان طبیعی را می‌فهمد، بلافاصله متوجه درخواست شما می‌شود.

آلفرد پیش از انجام کار فکر و برنامه‌ریزی می‌کند. باید به آشپزخانه برود، از دستگاه قهوه‌ساز استفاده کند، قهوه را دم کند و آن را برگرداند. بعد برنامه را اجرا می‌کند. برای این کار از ابزارهایی استفاده می‌کند که می‌شناسد؛ در اینجا دستگاه قهوه‌ساز. در پایان قهوه‌ی تازه را برایتان می‌آورد.

همین سه قدم، یعنی دریافت درخواست، فکر و برنامه‌ریزی، و اقدام با ابزار، تعریف ایجنت است. تصویر زیر همین مسیر را از درخواست کاربر تا اقدام با ابزار نشان می‌دهد.

تعریف دقیق ایجنت هوش مصنوعی

حالا تعریف رسمی‌تر: ایجنت سیستمی است که از یک مدل هوش مصنوعی برای تعامل با محیطش استفاده می‌کند تا به هدفی برسد که کاربر تعیین کرده است. ایجنت استدلال، برنامه‌ریزی و اجرای اقدام را، اغلب با ابزارهای بیرونی، کنار هم می‌گذارد.

به آن «ایجنت» یا «عامل» می‌گوییم، چون عاملیت دارد؛ یعنی می‌تواند روی محیط اثر بگذارد. چت‌بات فقط حرف می‌زند، اما ایجنت کاری انجام می‌دهد.

مغز ایجنت؛ مدل هوش مصنوعی

هر ایجنت دو بخش اصلی دارد. بخش اول مغز است؛ جایی که فکر کردن اتفاق می‌افتد. این بخش معمولاً یک مدل زبانی بزرگ مثل GPT، Llama یا Gemini است. مدل تحلیل می‌کند، برنامه می‌ریزد و تصمیم می‌گیرد در هر موقعیت چه اقدامی لازم است.

مدل زبانی متن می‌گیرد و متن تحویل می‌دهد. برای کارهایی که تصویر هم دارند، می‌توان از مدل بینایی-زبانی (VLM) استفاده کرد که تصویر را هم به‌عنوان ورودی می‌فهمد. در قسمت شانزدهم همین نوع ایجنت را می‌سازیم.

بدن ایجنت؛ توانایی‌ها و ابزارها

بخش دوم بدن است؛ یعنی همه‌ی کارهایی که ایجنت برای انجامشان مجهز شده است. دامنه‌ی اقدام‌های ممکن را همین تجهیزات تعیین می‌کنند. انسان بال ندارد، پس نمی‌تواند پرواز کند. اما می‌تواند راه برود، بدود و چیزی را بردارد.

ایجنت هم همین‌طور است. اگر ابزار ارسال ایمیل نداشته باشد، هر قدر هم باهوش باشد نمی‌تواند ایمیل بفرستد. به همین دلیل طراحی ابزار نقش بزرگی در کیفیت ایجنت دارد؛ موضوعی که قسمت بعد کامل به آن می‌پردازیم.

پنج سطح عاملیت در ایجنت‌ها

همه‌ی سیستم‌های مبتنی بر مدل زبانی به یک اندازه ایجنت نیستند. عاملیت یک طیف پیوسته است. هرچه خروجی مدل کنترل بیشتری بر روند اجرای برنامه داشته باشد، سیستم «ایجنتی‌تر» است. جدول زیر این طیف را از راهنمای مفهومی کتابخانه‌ی smolagents نشان می‌دهد.

ایجنت هوش مصنوعی چطور روی محیط اثر می‌گذارد؟

مدل زبانی فقط متن تولید می‌کند. پس چطور ChatGPT می‌تواند تصویر بسازد؟ پاسخ ابزارهاست. سازندگان این برنامه‌ها قابلیت‌های اضافه‌ای تعریف کرده‌اند که مدل هر وقت لازم باشد از آن‌ها استفاده می‌کند.

ابزار؛ دست‌های ایجنت

وقتی از ChatGPT می‌خواهید «تصویری از برج ایفل ساخته‌شده از کلم بروکلی» بکشد، خود مدل زبانی تصویر را نمی‌سازد. مدل تشخیص می‌دهد باید از ابزار تولید تصویر استفاده کند، ورودی مناسب را برایش می‌نویسد و نتیجه را به شما نشان می‌دهد.

ابزارها معمولاً تابع‌های ساده‌ای‌اند. مثلاً برای ایجنتی که دستیار شخصی شماست، می‌توانید تابعی بنویسید که پیام بفرستد:

def send_message_to(recipient, message):
    """Useful to send an e-mail message to a recipient"""
    ...

حالا اگر بگویید «به مدیرم پیام بده که جلسه‌ی امروز را عقب بیندازیم»، ایجنت همین تابع را با ورودی مناسب صدا می‌زند. این دقیقاً همان function calling است که در قسمت قبل دیدیم؛ این بار در دست یک سیستم تصمیم‌گیر.

خروجی چنین فراخوانی ابزاری را در تصویر زیر می‌بینید.

اقدام با ابزار یکی نیست

یک تمایز مهم را فراموش نکنید: اقدام (Action) با ابزار (Tool) یکی نیست. ابزار یک قابلیت مشخص است. اقدام کاری است که ایجنت برای رسیدن به هدف انجام می‌دهد و ممکن است چند ابزار را پشت‌سرهم به کار بگیرد.

مثلاً اقدام «برنامه‌ی سفر بچین» می‌تواند شامل جستجوی پرواز، بررسی هوا و رزرو هتل باشد. برخی کارها ابزارهای کاملاً اختصاصی می‌خواهند و برخی دیگر با ابزارهای عمومی مثل جستجوی وب حل می‌شوند.

کاربردهای واقعی ایجنت هوش مصنوعی

وقتی ایجنت بتواند با محیطش تعامل کند، برای شرکت‌ها و افراد کاربرد واقعی پیدا می‌کند. سه نمونه‌ی رایج را مرور می‌کنیم.

دستیار مجازی شخصی

دستیارهایی مثل Siri، Alexa و Google Assistant وقتی از طرف کاربر در محیط دیجیتال کار می‌کنند، ایجنت هستند. درخواست را می‌گیرند، زمینه را تحلیل می‌کنند، اطلاعات را از منابع مختلف می‌آورند و پاسخ می‌دهند.

این دستیارها فقط جواب نمی‌دهند. یادآور تنظیم می‌کنند، پیام می‌فرستند و وسایل هوشمند خانه را کنترل می‌کنند. همین توانایی اقدام است که آن‌ها را از یک موتور پرسش و پاسخ جدا می‌کند.

چت‌بات پشتیبانی مشتری

بسیاری از شرکت‌ها ایجنت‌هایی دارند که با زبان طبیعی با مشتری صحبت می‌کنند. به پرسش‌ها پاسخ می‌دهند، مراحل رفع مشکل را توضیح می‌دهند، در سیستم داخلی تیکت ثبت می‌کنند و حتی خرید را کامل می‌کنند.

هدف چنین ایجنتی مشخص است: رضایت بیشتر مشتری، زمان انتظار کمتر یا فروش بیشتر. ایجنت با تعامل مستقیم و یادگیری از گفت‌وگوها، پاسخ‌هایش را به‌مرور بهتر می‌کند.

شخصیت‌های هوشمند در بازی

در بازی‌های ویدئویی، شخصیت‌های غیرقابل‌بازی (NPC) معمولاً رفتار ازپیش‌تعریف‌شده‌ای دارند. ایجنت‌های مبتنی بر مدل زبانی این شخصیت‌ها را پویاتر می‌کنند.

به‌جای دنبال‌کردن درخت رفتاری ثابت، این شخصیت‌ها بر اساس رفتار بازیکن واکنش نشان می‌دهند و گفت‌وگوی طبیعی‌تری دارند. نتیجه، شخصیت‌هایی است که همراه بازیکن تغییر می‌کنند و تجربه‌ی بازی را زنده‌تر می‌کنند.

چه زمانی به ایجنت نیاز داریم؟

ایجنت جذاب است، اما همیشه بهترین راه‌حل نیست. هر لایه‌ی عاملیت، هزینه، زمان پاسخ و احتمال خطا را بالا می‌برد. پیش از ساخت ایجنت این چند سؤال را از خودتان بپرسید:

• مسیر کار ثابت است؟: اگر مراحل همیشه یکسان‌اند، یک گردش کار ساده با چند فراخوانی مدل کافی است.
• تصمیم‌ها به نتیجه‌ی قدم قبل بستگی دارند؟: اگر بله، ایجنت چندمرحله‌ای ارزش پیدا می‌کند.
• اشتباه چقدر هزینه دارد؟: برای کارهای حساس، تأیید انسانی را در مسیر ایجنت نگه دارید.

قاعده‌ی کلی ساده است: از کمترین سطح عاملیتی شروع کنید که کار را انجام می‌دهد. هر وقت محدودیتش را دیدید، یک پله بالاتر بروید.

تمرین عملی؛ دستیار دوره‌ها در کدام سطح است؟

دستیار پروژه‌ی مشترک را با جدول سطح‌های عاملیت مقایسه کنید. دستیاری که در قسمت قبل ساختیم، تابع جستجوی دوره را صدا می‌زد؛ پس در سطح «فراخواننده‌ی ابزار» است. حالا فکر کنید:

1. چه کاری باعث می‌شود دستیار به سطح «ایجنت چندمرحله‌ای» برسد؟ مثلاً جستجو، مقایسه‌ی دو دوره و بعد پیشنهاد نهایی.
2. چه ابزارهای دیگری لازم دارد؟ مثلاً بررسی ظرفیت کلاس یا ثبت‌نام.
3. کدام اقدام حتماً باید تأیید کاربر را بگیرد؟

پاسخ‌ها را یادداشت کنید. در قسمت‌های یازدهم به بعد همین فهرست را به یک ایجنت واقعی تبدیل می‌کنیم.

سخن پایانی

ایجنت هوش مصنوعی سیستمی است که با مغزی از جنس مدل زبانی فکر و برنامه‌ریزی می‌کند و با بدنی از جنس ابزار روی محیط اثر می‌گذارد. عاملیت یک طیف است؛ از پردازشگر ساده تا سیستم‌های چندایجنتی. هنر طراحی این است که بدانید کار شما در کجای این طیف قرار می‌گیرد.

در قسمت نهم سراغ مهم‌ترین عامل کیفیت ایجنت می‌رویم: طراحی ابزارهایی که مدل درست بفهمد و درست استفاده کند.

این آموزش بر پایه‌ی بخش What is an Agent? از دوره‌ی آزاد Agents Course در Hugging Face (مجوز Apache-2.0) به فارسی بازنویسی و تکمیل شده است.