بعد از موج ChatGPT و مدلهای زبانی، بخش مهمی از توسعه هوش مصنوعی به سمت سیستمهایی حرکت کرده که فقط به سؤال پاسخ نمیدهند؛ بلکه میتوانند برای رسیدن به یک هدف تصمیم بگیرند، از ابزار استفاده کنند، نتیجه را بررسی کنند و کار را ادامه دهند. همین سیستمها را معمولاً ایجنت هوش مصنوعی یا AI Agent مینامیم.
اما ساخت یک نمونه ساده از Agent با چند خط کد با ساخت سیستمی که بتواند در یک محصول واقعی قابل اعتماد کار کند، تفاوت زیادی دارد.
فرض کنید Agentی ساختهایم که قرار است سفارشهای مشکلدار یک فروشگاه را بررسی کند. در Demo همهچیز خوب به نظر میرسد. اما در محیط واقعی سؤالهای سختتری مطرح میشوند:
- Agent به کدام اطلاعات دسترسی داشته باشد؟
- چه زمانی اجازه تغییر سفارش داشته باشد؟
- اگر Tool اشتباهی انتخاب کرد چه اتفاقی بیفتد؟
- اگر وسط فرایند اطلاعات ناقص بود چه کند؟
- چگونه متوجه شویم تصمیمش درست بوده؟
- چه اقداماتی باید حتماً توسط انسان تأیید شوند؟
اینجاست که وارد حوزه مهندسی ایجنت یا Agent Engineering میشویم.
مهندسی ایجنت فقط Prompt Writing یا متصل کردن یک مدل زبانی به چند API نیست. هدف آن طراحی سیستمهایی است که بتوانند هدف را بفهمند، Context مناسب دریافت کنند، ابزار درست انتخاب کنند، تصمیمهای چندمرحلهای بگیرند و در عین حال قابل کنترل و ارزیابی باقی بمانند.
در این مقاله بررسی میکنیم مهندسی ایجنت هوش مصنوعی چیست، AI Agent Engineer چه کاری انجام میدهد، چه مهارتهایی باید یاد بگیرد و یک مسیر منطقی برای ورود به این حوزه چگونه میتواند باشد.
مهندسی ایجنت هوش مصنوعی چیست؟
مهندسی ایجنت هوش مصنوعی مجموعهای از روشها و مهارتهای مهندسی برای طراحی، ساخت، اتصال، کنترل، ارزیابی و بهبود سیستمهای AI Agent است.
اگر ساخت یک Chatbot معمولی را بتوانیم تقریباً به شکل زیر تصور کنیم:
یک سیستم Agentic ممکن است چنین مسیری داشته باشد:
همین چندمرحلهای شدن مسئله باعث میشود کار مهندس Agent فقط انتخاب مدل مناسب نباشد. او باید درباره معماری سیستم، Tools، Context، State، Memory، Permission، Error Handling، Evaluation و Human Approval تصمیم بگیرد.
OpenAI در راهنمای عملی ساخت Agentها پیشنهاد میکند توسعه سیستمهای Agentic با معماری ساده شروع شود و فقط در صورت نیاز به سمت ساختارهای پیچیدهتر مانند Multi-Agent حرکت کند. در نسخه فعلی راهنمای آن نیز معماریها به دو گروه کلی Single-Agent و Multi-Agent تقسیم میشوند.
مهندسی خوب یعنی حل مسئله با سادهترین معماری قابل اعتماد، نه ساخت پیچیدهترین Agent ممکن.
AI Agent Engineer دقیقاً چه کاری انجام میدهد؟
عنوان AI Agent Engineer هنوز به اندازه Software Engineer یا Data Scientist استاندارد و یکدست نیست و ممکن است شرکتهای مختلف وظایف متفاوتی برای آن تعریف کنند. اما از نظر عملی، کار این فرد در مرز مهندسی نرمافزار، LLM Engineering و طراحی سیستمهای هوشمند قرار میگیرد.
فرض کنید یک شرکت میخواهد Agentی بسازد که پیامهای پشتیبانی را بررسی و مشکلات مشتری را حل کند.
مهندس Agent ابتدا باید مشخص کند چه کارهایی واقعاً به Agent سپرده میشوند و کدام بخشها بهتر است Workflow معمولی باقی بمانند.
سپس Tools موردنیاز را طراحی میکند. مثلاً:
get_customerدریافت اطلاعات مشتریget_orderبررسی سفارشcreate_return_requestثبت درخواست مرجوعیبعد باید برای مدل مشخص شود هر Tool چه کاری میکند، چه ورودیهایی دارد و در چه شرایطی باید استفاده شود.
Anthropic در تحقیقات عملی خود درباره Tool Design تأکید میکند که عملکرد Agent به کیفیت ابزارهایی که در اختیارش قرار میگیرند وابسته است؛ Toolهای نامفهوم، همپوشان یا بیشازحد متعدد میتوانند تصمیمگیری Agent را ضعیف کنند.
پس مهندس Agent در واقع فقط با مدل کار نمیکند؛ او محیط تصمیمگیری مدل را طراحی میکند.
مسیر مهندسی ایجنت را پروژهمحور یاد بگیر
در بوتکمپ تنسوا از مبانی Python و API تا Tool Calling، Context Engineering، MCP، Evaluation و Production Agent را مرحلهبهمرحله میسازی.
تفاوت AI Engineer و AI Agent Engineer چیست؟
این دو حوزه همپوشانی زیادی دارند و لازم نیست آنها را دو شغل کاملاً جدا تصور کنیم.
ممکن است روی طیف گستردهای از محصولات مبتنی بر هوش مصنوعی کار کند: سیستم RAG، پردازش متن، طبقهبندی، Search، Recommendation یا قابلیتهای مبتنی بر LLM.
تمرکز بیشتری روی سیستمهایی دارد که در طول انجام یک Task تصمیم میگیرند و با محیط تعامل میکنند.
برای مثال اگر یک مدل فقط سؤال کاربر را دریافت و از روی اسناد پاسخ تولید کند، بیشتر با یک RAG Application روبهرو هستیم.
اما اگر سیستم خودش تشخیص دهد چه منبعی را جستوجو کند، اطلاعات تکمیلی دریافت کند، Tool اجرا کند و بر اساس نتیجه تصمیم بعدی بگیرد، مسئله به Agent Engineering نزدیکتر میشود.
بنابراین بهتر است Agent Engineering را فعلاً یک تخصص درون AI Engineering و Software Engineering مدرن بدانیم، نه الزاماً شغلی کاملاً جدا از آنها.
مهمترین مهارت AI Agent Engineer چیست؟
ممکن است اولین پاسخ «Prompt Engineering» باشد، اما در Agentهای واقعی این کافی نیست.
یکی از مهمترین مهارتها توانایی تبدیل مسئله واقعی به معماری قابل اجرا است.
فرض کنید مدیر شرکت میگوید:
«میخواهم یک Agent فروش داشته باشیم.»
مهندس خوب بلافاصله سراغ LangGraph، CrewAI یا Framework دیگری نمیرود. ابتدا میپرسد:
- 1Agent دقیقاً چه کاری باید انجام دهد؟
- 2قرار است Lead را تحلیل کند یا پیام هم ارسال کند؟
- 3به CRM دسترسی Read دارد یا Write هم دارد؟
- 4چه زمانی انسان باید تأیید کند؟
- 5اگر اطلاعات مشتری ناقص بود چه اتفاقی میافتد؟
- 6موفقیت Agent چگونه اندازهگیری میشود؟
این نوع سؤالها از انتخاب Framework مهمتر هستند.
یک Agent با معماری ساده که مسئله را درست حل میکند بسیار ارزشمندتر از Multi-Agent پیچیدهای است که فقط Demo جذابی دارد.
برنامهنویسی؛ پایهای که هنوز مهم است
برای Agent Engineering حرفهای، برنامهنویسی اهمیت زیادی دارد.
Python امروز یکی از انتخابهای رایج در اکوسیستم LLM و Agent است، اما مسئله اصلی نام زبان نیست. فرد باید مفاهیمی مانند API، HTTP، Async Programming، Error Handling، ساختار داده، Authentication و طراحی نرمافزار را بفهمد.
Agentها معمولاً وسط یک سیستم بزرگتر قرار دارند. ممکن است به دیتابیس وصل شوند، API بخوانند، فایل پردازش کنند، Event دریافت کنند یا نتیجه را برای یک Backend دیگر ارسال کنند.
بنابراین کسی که فقط میتواند Prompt بنویسد ولی نمیتواند رفتار یک API یا خطای سیستم را تحلیل کند، برای ساخت Agentهای Production با محدودیت جدی روبهرو خواهد شد.
کار با LLM و Prompt Engineering
مرحله بعدی شناخت رفتار مدلهای زبانی است.
مهندس Agent باید بداند System Instruction چیست، مدل چگونه Tool انتخاب میکند، Structured Output چگونه کار میکند و چه زمانی خروجی مدل قابل اعتماد نیست.
اما Prompt Engineering در Agent Engineering فقط به نوشتن یک Prompt طولانی محدود نمیشود. مثلاً باید بتوانید دستورالعملی بنویسید که مشخص کند:
این همان جایی است که Prompt از یک «متن هوشمندانه» تبدیل به بخشی از طراحی سیستم میشود.
Context Engineering؛ مهارتی فراتر از Prompt
در Agentهایی که چند مرحله کار میکنند، فقط Prompt مهم نیست؛ بلکه باید تصمیم بگیریم چه اطلاعاتی در هر مرحله در اختیار مدل قرار گیرد.
Anthropic این حوزه را Context Engineering مینامد و آن را ادامه طبیعی Prompt Engineering میداند. Context یک منبع محدود است و اضافه کردن حجم زیادی از اطلاعات لزوماً Agent را بهتر نمیکند. هدف این است که کمترین حجم اطلاعات پُرسیگنال در زمان مناسب در اختیار مدل قرار گیرد.
فرض کنید Agent روی یک پروژه نرمافزاری با هزار فایل کار میکند.
فرستادن کل پروژه به Context
ابتدا ساختار پروژه را ببیند، فایلهای مرتبط را پیدا کند و اطلاعات موردنیاز را Just-in-Time وارد Context کند.
این تفکر در Agentهای طولانیمدت اهمیت زیادی دارد. به همین دلیل Context Engineering یکی از مهارتهایی است که یک Agent Engineer جدی باید بعد از اصول Prompt Engineering یاد بگیرد.
Tool Calling؛ جایی که Agent قدرت عمل پیدا میکند
بدون Tool، بسیاری از Agentها چیزی بیشتر از یک LLM با Prompt پیچیده نیستند.
Tool Calling به مدل اجازه میدهد برای انجام کار از قابلیتهای خارجی استفاده کند. مثلاً یک Agent تحلیل فروش ممکن است Toolهایی برای دریافت فروش، موجودی و کمپین تبلیغاتی داشته باشد.
اما طراحی Tool فقط نوشتن Function نیست.
اگر دو Tool تقریباً یک کار انجام دهند، Agent ممکن است بین آنها سردرگم شود. اگر توضیح Tool مبهم باشد، احتمال استفاده اشتباه بیشتر میشود.
به همین دلیل Tool Design خودش یک مهارت مهندسی است.
MCP چه نقشی در مسیر Agent Engineer دارد؟
با گسترش Agentها، مسئله اتصال مدلها به Tools و منابع داده اهمیت بیشتری پیدا کرده است. Model Context Protocol یا MCP یکی از استانداردهایی است که برای سادهتر و استانداردتر کردن این ارتباط شکل گرفته است.
اما یک اشتباه رایج این است که فرد قبل از فهم Tool Calling و معماری Agent مستقیماً سراغ MCP برود. ترتیب منطقیتر این است:
یعنی MCP پایه Agent Engineering نیست؛ یکی از ابزارهای مهم در اکوسیستم آن است.
Memory و State؛ Agent چه چیزی را باید به خاطر بسپارد؟
در یک Agent چندمرحلهای باید بدانیم چه اطلاعاتی فقط برای Task فعلی لازم است و چه اطلاعاتی باید بعداً باقی بماند. این موضوع تفاوت میان Context، State و Memory را مهم میکند.
Context
اطلاعاتی که همین حالا باید در اختیار مدل باشد.
State
وضعیت Task فعلی؛ مثلاً شماره مشتری در همین Session.
Memory
ترجیح یا سابقه تعامل که در Storage خارجی میماند.
نگه داشتن همه اطلاعات در Prompt نه اقتصادی است و نه همیشه باعث عملکرد بهتر میشود. یک Agent Engineer باید بداند چه چیزی وارد Context شود، چه چیزی خلاصه شود، چه چیزی Persist شود و چه اطلاعاتی اصلاً نباید نگهداری شود.
Evaluation؛ مهارتی که Agent را از Demo جدا میکند
یکی از مهمترین بخشهای مسیر یادگیری که اغلب نادیده گرفته میشود Agent Evaluation است.
فرض کنید Agent شما در ۲۰ تست، ۱۸ بار نتیجه درست داده است. آیا Production Ready است؟
هنوز نمیدانیم. ممکن است در یکی از دو خطا Tool اشتباهی اجرا کرده باشد که در دنیای واقعی هزینه زیادی ایجاد کند.
Anthropic در راهنمای Agent Evals توضیح میدهد که Agentها به دلیل چندمرحلهای بودن، Tool Calling و تغییر State سختتر از پاسخهای ساده LLM ارزیابی میشوند. Evalها کمک میکنند Failureها قبل از رسیدن به کاربر واقعی دیده شوند.
مهندس Agent باید بتواند Test Case طراحی کند، Traceها را ببیند و بفهمد خطا در کدام قسمت رخ داده است:
این توانایی Debug کردن Agent یکی از مهارتهای واقعی و ارزشمند این حوزه است.
Guardrails و Human-in-the-loop
هرچه Agent اختیار بیشتری داشته باشد، کنترل آن اهمیت بیشتری پیدا میکند.
خواندن موجودی یک محصول Risk کمی دارد.
لغو سفارش، انتقال پول یا ارسال پیام رسمی به مشتری Risk بیشتری دارد.
پس همه Tools نباید سطح Permission یکسانی داشته باشند.
یک الگوی مهم این است که Agent بتواند تحلیل را انجام دهد ولی برای Action حساس منتظر تأیید انسان بماند. مثلاً Agent تشخیص میدهد مشتری باید Refund دریافت کند. اما بهجای انجام مستقیم Refund، میگوید:
Refund پیشنهادی: ۲ میلیون تومان — نیازمند تأیید مدیر
این طراحی معمولاً حرفهایتر از دادن استقلال کامل به Agent است.
آیا باید LangGraph، CrewAI و همه Frameworkها را یاد بگیریم؟
خیر.
یکی از بدترین مسیرهای یادگیری این است که ابتدا لیستی از Frameworkها درست کنیم: LangChain، LangGraph، CrewAI، OpenAI Agents SDK و ده ابزار دیگر. و سعی کنیم همه را یاد بگیریم.
Frameworkها تغییر میکنند. مفاهیم اصلی ماندگارتر هستند:
اگر این مفاهیم را بفهمید، مهاجرت بین Frameworkها بسیار سادهتر خواهد بود.
در اکوسیستم OpenAI نیز ابزارها در حال تغییر هستند؛ برای مثال OpenAI در ژوئن ۲۰۲۶ اعلام کرد Agent Builder و محصول Evals آن در مسیر توقف قرار دارند و برای Workflowهایی که باید به شکل کد ادامه پیدا کنند، Agents SDK را پیشنهاد میکند. این تغییر نمونه خوبی است از اینکه چرا بهتر است بهجای وابسته شدن به یک UI یا Framework، اصول Agent Engineering را یاد بگیریم.
مسیر یادگیری AI Agent Engineer
برای ورود به این حوزه مسیر را در چهار مرحله میبینیم.
مرحله ۱: پایه نرمافزار و LLM
Python یا یک زبان مناسب، API، JSON، Git، اصول LLM، Prompt Engineering و Structured Output. هدف این مرحله ساخت Agent نیست؛ هدف این است که بتوانید یک برنامه ساده مبتنی بر LLM را بفهمید و Debug کنید.
مرحله ۲: Single-Agent واقعی
یک Agent با ۲ یا ۳ Tool بسازید. مثلاً Agent مدیریت کارها که بتواند Task را بخواند، Task جدید ثبت کند و وضعیت آن را تغییر دهد. Tool Calling، Instructions، Error Handling و Agent Loop را اینجا یاد میگیرید.
مرحله ۳: Context، Memory، MCP و Evaluation
Agent را به داده واقعی متصل کنید. Context را مدیریت کنید، Memory اضافه کنید و برای آن Test Case بسازید. در این مرحله MCP و ابزارهای Observability معنا پیدا میکنند.
مرحله ۴: Production Agent
Permission، Human Approval، Retry، Logging، Cost، Latency، Security و Evals را وارد طراحی کنید. اگر مسئله واقعاً نیاز داشت، بعد از این مرحله Multi-Agent را یاد بگیرید. نه قبل از آن.
همین مسیر را در بوتکمپ مهندسی ایجنت طی کن
از Software Basics و LLM تا Tool Calling، Single Agent، Context Engineering، MCP، Evaluation و Production — بدون پرش زودهنگام به Multi-Agent.
سه پروژه مناسب برای رزومه Agent Engineering
Agent پشتیبانی فروشگاه
اطلاعات سفارش را دریافت کند، قوانین مرجوعی را بررسی کند و در عملیات حساس تأیید انسان بگیرد.
Agent تحلیل داده
سؤال کاربر را بفهمد، داده مناسب را پیدا کند، Query تولید کند و نتیجه را توضیح دهد.
Research Agent
برای یک سؤال چند منبع را بررسی کند، اطلاعات را جمعآوری کند، ادعاها را با منبع نگه دارد و گزارش تولید کند.
این سه پروژه بهتر از ده Chatbot ساده نشان میدهند که شما Tool Calling، Context، State و Evaluation را فهمیدهاید.
از کجا بفهمیم واقعاً Agent Engineering یاد گرفتهایم؟
یک معیار خوب این نیست که بتوانید در ۲۰ دقیقه یک Agent Demo بسازید.
اگر بتوانید برای یک مسئله توضیح دهید:
- 1چرا Agent لازم است
- 2چرا Workflow کافی نیست
- 3Agent چه Toolsهایی دارد
- 4هر Tool چه Permissionی دارد
- 5چه اطلاعاتی وارد Context میشود
- 6چه Failureهایی ممکن است رخ دهد
- 7چگونه آنها را اندازهگیری میکنید
- 8کدام Actionها نیازمند تأیید انسان هستند
آنوقت وارد تفکر واقعی Agent Engineering شدهاید.
این تفاوت میان «کار کردن با Framework ایجنت» و «مهندسی سیستم Agentic» است.
جمعبندی
مهندسی ایجنت هوش مصنوعی حوزهای است که Software Engineering، LLM Engineering و طراحی سیستمهای هوشمند را به یکدیگر متصل میکند.
یک AI Agent Engineer فقط Prompt نمینویسد و فقط API هم متصل نمیکند. او باید بتواند مسئله را تحلیل کند، معماری مناسب انتخاب کند، Tools و Context را طراحی کند، State و Memory را مدیریت کند، سطح اختیار Agent را مشخص کند و در نهایت با Evaluation و Observability نشان دهد سیستم واقعاً درست کار میکند.
برای ورود به این حوزه لازم نیست از روز اول ده Framework و معماری Multi-Agent یاد بگیرید. مسیر بهتر این است:
در Agent Engineering، ساخت Agent آسانترین بخش ماجراست.
بخش سختتر و ارزشمندتر این است که Agentی بسازیم که وقتی با شرایط غیرمنتظره مواجه میشود، هنوز رفتاری قابل پیشبینی، قابل کنترل و قابل ارزیابی داشته باشد.
و دقیقاً همین نقطه است که یک پروژه آزمایشی AI را از یک سیستم مهندسیشده واقعی جدا میکند.
ادامه مسیر یادگیری
این صفحه هاب تخصصی مهندسی ایجنت در تنسواست. مقاله مبانی را بخوانید و برای Context Engineering، MCP و Evaluation منتظر مقالات بعدی باشید.
سوالات متداول درباره مهندسی ایجنت
مهندسی ایجنت هوش مصنوعی چیست؟+
Agent Engineering مجموعهای از مهارتها و روشها برای طراحی، توسعه، اتصال، کنترل و ارزیابی AI Agentهایی است که میتوانند برای رسیدن به یک هدف تصمیم بگیرند و از ابزارها استفاده کنند.
برای AI Agent Engineer شدن باید Python بلد باشیم؟+
Python انتخاب بسیار رایجی است و یادگیری آن مفید است، اما مهمتر از خود زبان، تسلط بر برنامهنویسی، API، ساختار داده، Async، Error Handling و اصول مهندسی نرمافزار است.
آیا Prompt Engineering برای ساخت Agent کافی است؟+
خیر. Prompt Engineering فقط بخشی از مسیر است. Agent Engineering شامل Tool Calling، Context Engineering، State، Memory، MCP، Evaluation، Guardrails و معماری سیستم نیز میشود.
آیا برای شروع باید LangGraph یا CrewAI یاد بگیریم؟+
خیر. بهتر است ابتدا مفاهیم Agent و ساخت یک Single-Agent ساده را بدون وابستگی شدید به Framework یاد بگیرید. بعد بر اساس نیاز پروژه Framework مناسب را انتخاب کنید.
تفاوت AI Agent Engineer با Prompt Engineer چیست؟+
Prompt Engineer بیشتر روی طراحی Instructions و تعامل مؤثر با مدل تمرکز دارد، در حالی که Agent Engineer مسئول بخش بزرگتری از سیستم، از Tools و Context تا State، Evaluation و Integration است.
آیا Multi-Agent مرحله بعدی هر پروژه Agent است؟+
خیر. در بسیاری از مسائل یک Single-Agent مجهز به Tools مناسب انتخاب بهتری است. Multi-Agent زمانی منطقی است که تقسیم وظایف واقعاً پیچیدگی یا کیفیت سیستم را بهبود دهد.
میخواهی مسیر AI Agent Engineer را شروع کنی؟
در بوتکمپ مهندسی ایجنت تنسوا، از معماری و Tool Calling تا Context Engineering، MCP، Guardrail و Evaluation را پروژهمحور یاد میگیری. پیشثبتنام رایگان است.