هوش مصنوعی برای بسیاری از ما با یک الگوی ساده شروع شد: سؤال میپرسیم و پاسخ میگیریم. از ChatGPT میخواهیم متنی بنویسد، یک فایل را خلاصه کند، ایده بدهد یا بخشی از کد را بررسی کند. اما نسل جدید سیستمهای هوش مصنوعی قرار نیست فقط پاسخ بدهد؛ قرار است کار انجام دهد.
فرض کنید مدیر یک فروشگاه اینترنتی به هوش مصنوعی بگوید:
«فروش این هفته را بررسی کن، محصولاتی که افت غیرعادی داشتهاند پیدا کن، دلیل احتمالی را مشخص کن و یک گزارش کوتاه برای من آماده کن.»
ممکن است توضیح دهد که برای تحلیل فروش باید چه مراحلی انجام شود.
در صورت داشتن دسترسیهای لازم، اطلاعات فروش را دریافت میکند، دادهها را تحلیل میکند، موارد غیرعادی را پیدا میکند، برای بررسی علت سراغ موجودی یا اطلاعات کمپینها میرود و در نهایت گزارشی متناسب با نتیجه واقعی آماده میکند.
همین تفاوت، یکی از مهمترین تغییرات دنیای هوش مصنوعی در سالهای اخیر است:
هوش مصنوعی از «پاسخ دادن» به سمت «انجام دادن» حرکت میکند.
در این مقاله بررسی میکنیم ایجنت هوش مصنوعی چیست، AI Agent چگونه کار میکند، چه تفاوتی با ChatGPT، چتبات و Workflow دارد، چه کاربردهایی میتواند داشته باشد و مهمتر از همه، چه زمانی اصلاً نباید Agent بسازیم.
ایجنت هوش مصنوعی چیست؟
ایجنت هوش مصنوعی (AI Agent) سیستمی است که برای رسیدن به یک هدف میتواند شرایط را بررسی کند، تصمیم بگیرد، از ابزارهای مختلف استفاده کند، نتیجه اقداماتش را ببیند و در صورت نیاز مرحله بعدی را انتخاب کند.
OpenAI در راهنمای عملی ساخت Agentها، Agent را سیستمی معرفی میکند که میتواند وظایف را با درجه بالایی از استقلال به نمایندگی از کاربر انجام دهد. در این معماری، مدل زبانی فقط پاسخ تولید نمیکند؛ بلکه میتواند اجرای Workflow را کنترل و در طول مسیر درباره اقدام بعدی تصمیمگیری کند.
برای مثال، اگر به یک مدل زبانی بگویید:
«برای مشتری یک ایمیل پیگیری بنویس.»
احتمالاً یک متن مناسب دریافت میکنید. اما اگر به یک Agent فروش بگویید:
«مشتریانی را که در سه روز گذشته درخواست دمو دادهاند اما پیگیری نشدهاند پیدا کن و برای هرکدام پیگیری مناسب آماده کن.»
بنابراین تفاوت اصلی فقط در «هوشمندتر بودن» نیست؛ بلکه در توانایی تصمیمگیری و اقدام در یک فرایند چندمرحلهای است.
AI Agent چگونه کار میکند؟
سادهترین روش برای درک عملکرد یک ایجنت، تصور یک چرخه است:
فرض کنید یک مشتری به Agent پشتیبانی فروشگاه میگوید:
«سفارشم قرار بود دیروز برسد ولی هنوز به دستم نرسیده. بررسی کن چه اتفاقی افتاده.»
- 1Agent ابتدا باید بفهمد هدف کاربر چیست: بررسی وضعیت یک سفارش.
- 2سپس متوجه میشود برای انجام این کار به شماره سفارش نیاز دارد. اگر شماره سفارش در Context مکالمه وجود نداشته باشد، آن را از کاربر میپرسد.
- 3بعد از دریافت شماره سفارش، Agent ممکن است ابزار get_order_status را اجرا کند.
- 4نتیجه نشان میدهد بسته از انبار خارج شده اما تحویل نشده است.
- 5Agent حالا باید تصمیم دیگری بگیرد. ممکن است ابزار رهگیری شرکت حملونقل را اجرا کند و متوجه شود ارسال به دلیل آدرس ناقص متوقف شده است.
- 6در مرحله بعد بهجای ارائه یک پاسخ عمومی مانند «با شرکت حملونقل تماس بگیرید»، میتواند از مشتری بخواهد آدرس را تأیید کند و در صورت داشتن سطح دسترسی مناسب، فرایند اصلاح آدرس را انجام دهد.
در نتیجه یک درخواست ساده کاربر ممکن است پشت صحنه چنین مسیری داشته باشد:
این چرخه همان چیزی است که در معماری Agentها معمولاً به شکل Agent Loop دیده میشود.
سه بخش اصلی یک AI Agent
برای ساخت سادهترین Agent حرفهای، معمولاً حداقل سه جزء نیاز داریم: مدل، دستورالعمل و ابزار.
مدل زبانی
نقش بخش تصمیمگیرنده را دارد. مدل باید تشخیص دهد کاربر چه میخواهد، چه اطلاعاتی کم است و در هر مرحله چه اقدامی مناسبتر است.
دستورالعملها
Instructions مشخص میکنند Agent چه وظیفهای دارد، چه قوانینی را باید رعایت کند و چه اقداماتی مجاز یا غیرمجاز است.
ابزارها
Tools به Agent اجازه میدهند از محیط مکالمه خارج شود و با دنیای واقعی تعامل داشته باشد؛ از دیتابیس و CRM تا ایمیل و API.
این Tools میتوانند بسیار متفاوت باشند: جستوجو در وب، خواندن اطلاعات دیتابیس، بررسی CRM، اجرای کد، خواندن فایل، ارسال ایمیل، ثبت درخواست پشتیبانی یا فراخوانی یک API.
OpenAI نیز در معماری پایه Agent روی همین سه مؤلفه یعنی Model، Tools و Instructions تأکید میکند. Agentهای پیشرفتهتر معمولاً اجزای دیگری مانند Memory، Context Management، Guardrails، Evaluation و Observability هم دارند.
همین چرخه را در عمل بساز
در دوره مهندسی ایجنت تنسوا، Agent Loop، Tool Calling و تصمیمگیری چندمرحلهای را پروژهمحور یاد میگیری — نه فقط بهصورت تئوری.
تفاوت AI Agent با ChatGPT چیست؟
یکی از سؤالات رایج این است که اگر ChatGPT هم میتواند فایل بررسی کند یا از ابزار استفاده کند، پس تفاوت آن با AI Agent چیست؟
پاسخ این است که مرز کاملاً سیاه و سفید نیست. ChatGPT نیز در برخی قابلیتها میتواند رفتار Agentic داشته باشد. تفاوت مهمتر در نحوه طراحی سیستم است.
در واقع Agent الزاماً بعد از اولین خروجی مدل متوقف نمیشود. مدل میتواند نتیجه مرحله قبلی را ببیند و بر اساس آن مرحله بعدی را تعیین کند.
به همین دلیل یک سیستم صرفاً به این خاطر که از GPT، Claude یا Gemini استفاده میکند، Agent محسوب نمیشود.
تفاوت AI Agent و چتبات چیست؟
چتبات معمولاً روی تعامل تمرکز دارد؛ Agent روی رسیدن به یک هدف.
یک چتبات بانکی ممکن است بگوید: «برای دریافت کارت جدید باید وارد بخش کارتها شوید و درخواست صدور کارت را ثبت کنید.»
یک Agent بانکی — در صورتی که از نظر امنیتی اجازه داشته باشد — میتواند وضعیت کارت را بررسی کند، اطلاعات لازم را تأیید کند و مراحل درخواست کارت جدید را انجام دهد.
البته بسیاری از محصولات جدید ترکیبی از هر دو هستند؛ رابط آنها شبیه Chatbot است اما پشت صحنه Agentها و ابزارهای مختلف کار میکنند.
تفاوت Agent و Workflow چیست؟
این بخش برای درک درست Agentها بسیار مهم است، زیرا امروز تقریباً هر اتوماسیونی با برچسب «AI Agent» معرفی میشود.
فرض کنید شرکت شما هر روز ساعت ۸ صبح باید اطلاعات فروش روز قبل را از دیتابیس دریافت کند، یک نمودار ثابت بسازد و گزارش را برای مدیر ارسال کند. مسیر کاملاً مشخص است:
برای چنین کاری معمولاً Agent لازم نیست. یک Workflow معمولی قابل پیشبینیتر، ارزانتر و قابل کنترلتر است.
اما حالا درخواست تغییر میکند:
«هر روز وضعیت فروش را بررسی کن و اگر اتفاق غیرعادی مشاهده کردی، علت احتمالی آن را پیدا کن.»
اینجا دیگر مسیر از قبل مشخص نیست. ممکن است Agent یک روز متوجه کاهش فروش محصول A شود و سراغ موجودی برود. روز دیگر افزایش مرجوعی را بررسی کند و روز دیگری افت نرخ تبدیل کمپین تبلیغاتی را تشخیص دهد.
Anthropic نیز بین Workflow و Agent تمایز مشابهی قائل میشود: در Workflow مسیر اجرا از قبل توسط کد تعیین شده، اما در Agent مدل میتواند بهصورت پویا تصمیم بگیرد که برای رسیدن به هدف چه مسیری و چه ابزاری را انتخاب کند. Anthropic همچنین توصیه میکند تا جای ممکن از سادهترین معماری مناسب مسئله استفاده شود، زیرا سیستمهای Agentic در ازای انعطاف بیشتر، معمولاً هزینه و تأخیر بیشتری نیز ایجاد میکنند.
یک تست ساده: آیا این مسئله واقعاً Agent میخواهد؟
قبل از اینکه برای هر مسئلهای AI Agent بسازیم، میتوانیم چهار سؤال بپرسیم.
آیا مسیر انجام کار از ابتدا مشخص است؟
اگر دقیقاً میدانیم مرحله اول، دوم و سوم چیست، احتمالاً Workflow کافی است.
آیا در طول کار تصمیمگیری لازم است؟
اگر سیستم باید بر اساس شرایط متفاوت تصمیمهای متفاوتی بگیرد، Agent ارزش بیشتری پیدا میکند.
آیا دادههای بدون ساختار داریم؟
بررسی ایمیل، قرارداد، پیام مشتری، رزومه، اسناد و متنهای آزاد از مواردی هستند که Agentها میتوانند در آنها مفید باشند.
آیا نتیجه یک مرحله مشخص میکند مرحله بعدی چیست؟
اگر پاسخ مثبت باشد، احتمالاً با یک مسئله Agentic روبهرو هستیم.
اگر مسیر از قبل معلوم است، Workflow را بررسی کن؛ اگر هدف معلوم است اما مسیر باید در طول کار کشف شود، Agent میتواند گزینه مناسبی باشد.
این شاید مهمتر از دانستن نام دهها Framework مختلف باشد.
مهمتر از ساخت Agent، تشخیص درست مسئله است
یاد بگیر چه زمانی Workflow کافی است، چه زمانی واقعاً به Agent نیاز داری، و چطور یک سیستم قابل اعتماد طراحی کنی.
کاربردهای واقعی AI Agent
کاربرد AI Agent تقریباً در هر حوزهای که شامل تصمیمگیری، اطلاعات و انجام چند مرحله کار باشد قابل تصور است.
AI Agent در پشتیبانی مشتری
یک Agent پشتیبانی میتواند تنها پاسخدهنده FAQ نباشد. میتواند سفارش را بررسی کند، وضعیت ارسال را بخواند، قوانین مرجوعی را ارزیابی کند و در برخی موارد درخواست بازگشت کالا را ثبت کند. OpenAI نیز Customer Support را یکی از نمونههای مناسب برای Agentها میداند؛ مخصوصاً زمانی که فرایند شامل تصمیمهای مبتنی بر Context و استثناهای متعدد باشد.
AI Agent در فروش
Agent فروش میتواند Leadهای جدید را بررسی کند، اطلاعات اولیه آنها را کامل کند، سابقه تعامل را بخواند و مشتریانی را که اولویت بیشتری دارند مشخص کند. هدف حذف فروشنده نیست؛ هدف کاهش کارهای کمارزش و افزایش زمان برای مذاکره واقعی است.
AI Agent در تحلیل داده
مدیر میپرسد: «چرا فروش خرداد نسبت به اردیبهشت کاهش داشته؟» بهجای اینکه بین چند Dashboard جابهجا شود، Agent میتواند داده مناسب را پیدا کند، مقایسه را انجام دهد، بخشهای اثرگذار را شناسایی کند و نتیجه را به زبان طبیعی توضیح دهد. ارزش اصلی اینجا فقط ساخت نمودار نیست؛ انتخاب مسیر تحلیل بر اساس سؤال کاربر است.
AI Agent در برنامهنویسی
Agentهای برنامهنویسی میتوانند فایلهای یک پروژه را بررسی کنند، تغییر ایجاد کنند، تست اجرا کنند، خروجی تست را ببینند و بر اساس خطا دوباره کد را اصلاح کنند. مدل فقط یک بار کد تولید نمیکند.
«این ۷ مشتری احتمال بیشتری برای تبدیل دارند و دلیل اولویت هرکدام این است.»
تصور کنید صبح بهجای بررسی ۸۰ Lead، فروشنده با چنین لیستی روبهرو شود. در تیم برنامهنویسی هم همین حلقه دیده میشود:
آیا چند Agent همیشه بهتر از یک Agent است؟
یکی از اشتباهات رایج در پروژههای AI این است که تصور کنیم تعداد بیشتر Agentها یعنی سیستم هوشمندتر. مثلاً برای یک مسئله ساده پنج Agent بسازیم: مدیر، تحلیلگر، پژوهشگر، منتقد و گزارشنویس.
ممکن است Demo جذابی ایجاد شود، اما در محیط واقعی هزینه، Latency، Debugging و Evaluation سختتر میشود.
OpenAI توصیه میکند ابتدا قابلیتهای یک Agent واحد را با Tools مناسب توسعه دهیم و زمانی به Multi-Agent برویم که پیچیدگی Instructions یا ابزارها واقعاً عملکرد Agent را محدود کرده باشد.
Single-Agent خوب، معمولاً از Multi-Agent غیرضروری بهتر است.
معماری پیچیدهتر الزاماً به معنی معماری حرفهایتر نیست.
مسئله مهم بعدی: آیا میتوان به Agent اعتماد کرد؟
ساخت Agentی که در یک Demo درست کار کند نسبتاً ساده شده است؛ ساخت Agentی که بتوان به آن در یک فرایند واقعی اعتماد کرد، مسئله بسیار سختتری است.
فرض کنید Agent پشتیبانی در ۹۵ درصد موارد درست عمل کند. همین ۵ درصد خطا اگر شامل لغو اشتباه سفارش، ارائه تخفیف غیرمجاز یا تغییر اطلاعات مشتری باشد، میتواند مشکلساز شود.
به همین دلیل در Agentهای واقعی مفاهیمی مانند Guardrail، Human-in-the-loop، Logging و Evaluation اهمیت زیادی دارند.
Anthropic در راهنمای Agent Evals توضیح میدهد که Agentها به دلیل چندمرحلهای بودن، استفاده از ابزار و تغییر رفتار بر اساس نتایج میانی، نسبت به یک خروجی ساده LLM دشوارتر ارزیابی میشوند. Evalها کمک میکنند خطاها و تغییرات رفتاری قبل از رسیدن به کاربر واقعی شناسایی شوند.
پس Agent حرفهای فقط Agentی نیست که بتواند کار انجام دهد؛ باید بتوانیم بفهمیم چرا کاری را انجام داده، چه ابزاری استفاده کرده و آیا نتیجه قابل قبول بوده است یا نه.
آیا AI Agent جای انسان را میگیرد؟
احتمالاً در بسیاری از حوزهها مسئله اصلی «حذف کامل یک شغل» نیست؛ بلکه تغییر ترکیب کارهایی است که انسان انجام میدهد.
Agent ممکن است جمعآوری داده، دستهبندی Lead و آمادهسازی گزارش را انجام دهد اما مذاکره پیچیده با مشتری همچنان توسط انسان انجام شود.
Agent میتواند بخشی از پیادهسازی، تست و بررسی کد را بر عهده بگیرد اما تصمیمهای معماری و مسئولیت محصول همچنان نیازمند انسان باشد.
مهارتی که اهمیت بیشتری پیدا میکند، توانایی تشخیص این است که چه کارهایی باید به Agent سپرده شوند، چه کارهایی باید تحت تأیید انسان باشند و چه تصمیمهایی اصلاً نباید خودکار شوند.
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.