Skip to main content

ایجنت‌ها به‌عنوان AI component

توجه: این سند ترجمه خودکار نسخه اصلی انگلیسی است.

ایجنت‌ها به‌عنوان AI component

ایجنت‌ها به‌عنوان AI component یعنی لایهٔ AI پروژه حول یک چارچوب ایجنت ساخته شده است — سیستمی که ورودی‌ها را درک می‌کند، تصمیم می‌گیرد و کنش انجام می‌دهد، اغلب همراه با حافظه، ابزارها و اهداف. وقتی کارت پروژهٔ DecAIHub مقداری مرتبط با ایجنت را در فیلد AI component فهرست می‌کند، معماری فنی مشخصی را توصیف می‌کند: محیط اجرا، لایهٔ هماهنگ‌سازی یا چارچوبی که رفتار خودگردان یا نیمه‌خودگردان را ممکن می‌سازد. این با مفهوم کلی اینکه ایجنت AI چیست و با برچسب دستهٔ AI/Agents متفاوت است.

به‌طور خلاصه: ایجنت به‌عنوان جزء یعنی پروژه یک چارچوب ایجنت واقعی دارد — نه فقط برچسب «ایجنت» در نامش.

در کارت‌های DecAIHub چگونه دیده می‌شود

فیلد AI component از مقادیر نرمال‌شده استفاده می‌کند. ورودی‌های مرتبط با ایجنت عبارت‌اند از:

  • agentic framework (memory/actions/plugins) — محیط اجرای ایجنت با حافظهٔ ماندگار، قابلیت‌های کنش و ادغام ابزار/پلاگین
  • agent swarm + NL prompt-to-DeFi — سیستم چندایجنتی که پرامپت‌های زبان طبیعی را به عملیات DeFi ترجمه می‌کند
  • AI agent platform (workflows/tools/KB) — زیرساخت ساخت و استقرار ایجنت‌ها با هماهنگ‌سازی جریان کار، ابزارها و پایگاه دانش
  • AI agents + orchestration — سیستم‌هایی که چند ایجنت را برای انجام وظایف پیچیده هماهنگ می‌کنند
  • autonomous trading agent — ایجنتی که به‌طور مستقل و بر اساس تحلیل مبتنی بر AI راهبردهای معاملاتی را اجرا می‌کند
  • on-chain AI agent — ایجنتی که تصمیم‌گیری یا اجرای آن به‌صورت قابل راستی‌آزمایی on-chain ثبت می‌شود

هر مقدار معماری واقعی ایجنت را توصیف می‌کند، نه شعار تبلیغاتی محصول را. اگر کارت بگوید agentic framework (memory/actions/plugins)، یعنی ارزیاب شواهدی از یک سیستم ایجنت با همین قابلیت‌های مشخص یافته است.

طیف ایجنت‌ها

هر سیستمی که «ایجنت» نامیده می‌شود عمق یکسانی ندارد. در عمل، پیاده‌سازی‌های ایجنت روی یک طیف قرار می‌گیرند:

  1. بات ساده — اسکریپتی که قواعد ثابت را بدون هیچ مدل AI اجرا می‌کند. AI component نیست.
  2. چت‌بات با پرامپت — یک LLM پشت رابط چت که هر بار به یک پرسش پاسخ می‌دهد. حداقل عاملیت.
  3. ایجنت با حافظه — یک LLM که زمینه را در طول تعاملات حفظ می‌کند و می‌تواند به گفت‌وگوها یا داده‌های پیشین ارجاع دهد.
  4. ایجنت با ابزارها و اهداف — سیستمی که می‌تواند APIهای بیرونی را فراخوانی کند، با قراردادهای هوشمند تعامل داشته باشد و اهداف چندمرحله‌ای را دنبال کند.
  5. سیستم چندایجنتی خودگردان — چند ایجنت که هماهنگ می‌شوند، وظایف را تفویض می‌کنند و با حداقل نظارت انسانی تصمیم‌های جمعی می‌گیرند.

کارت‌های پروژهٔ DecAIHub توصیف می‌کنند که جزء ایجنت پروژه کجای این طیف قرار دارد. هرچه به سمت راستِ طیف برویم، ادعای AI component قوی‌تر است — اما بار شواهد هم سنگین‌تر می‌شود.

این طیف راهنمایی برای خواندن کارت‌هاست، نه یک رده‌بندی سفت‌وسخت. یک محصول ممکن است عناصر را ترکیب کند (مثلاً حافظه به‌علاوهٔ ابزارها، اما با تأیید انسانی سنگین). آنچه برای راستی‌آزمایی اهمیت دارد این است که آیا رفتار مستندشده با مقدار نرمال‌شدهٔ AI component هم‌خوانی دارد و آیا artifactهای Tier-1 حلقهٔ ایجنت را در حال کار نشان می‌دهند.

چه چیزی را راستی‌آزمایی کنیم

هنگام ارزیابی ادعاهای ایجنت در کارت پروژه، به دنبال این موارد باشید:

  • توانایی استدلال — آیا ایجنت تصمیم‌گیری واقعی نشان می‌دهد، یا جریان‌های از پیش اسکریپت‌شده را اجرا می‌کند؟
  • ادغام ابزار و کنش — آیا ایجنت با سیستم‌های بیرونی (DEXها، قراردادهای هوشمند، APIها) تعامل دارد، یا فقط متن تولید می‌کند؟
  • حافظه و زمینه — آیا ایجنت وضعیت را میان جلسات حفظ می‌کند؟ آیا می‌تواند به تعاملات پیشین یا تاریخچهٔ on-chain ارجاع دهد؟
  • شواهد خودگردانی — آیا لاگ، تاریخچهٔ تراکنش یا دمویی وجود دارد که ایجنت را در حال کنش بدون پرامپت انسانی نشان دهد؟
  • شواهد Tier-1 — مخازن کد، چارچوب‌های ایجنت با مستندات، دموهای زنده، یا ردپای تراکنش‌های on-chain تولیدشده توسط ایجنت‌ها.

پرسش کلیدی: آیا ایجنت واقعاً تصمیم می‌گیرد، یا یک پوشش پرامپت است که ورودی کاربر را به یک LLM شخص ثالث می‌فرستد و پاسخ را برمی‌گرداند؟

ایجنت به‌عنوان جزء چه چیزی را اثبات نمی‌کند

  • داشتن جزء «ایجنت» خودگردانی را اثبات نمی‌کند. بسیاری از ایجنت‌های به‌اصطلاح خودگردان برای هر کنش به تریگر دستی یا تأیید انسانی نیاز دارند.
  • برچسب ایجنت کیفیت تصمیم را اثبات نمی‌کند. ایجنتی که تصمیم می‌گیرد، لزوماً تصمیم‌های خوبی نمی‌گیرد.
  • ایجنت‌ها ممکن است پوشش‌های نازک باشند — «ایجنت» یک قالب پرامپت است که به یک API شخص ثالث فرستاده می‌شود، بدون استدلال درونی، حافظه یا ادغام ابزار. ببینید API wrapper.
  • جزء ایجنت اثبات نمی‌کند که توکن برای کارکرد ایجنت ضروری است.
  • ادعاهای چندایجنتی به شواهدی به‌نسبت بیشتر نیاز دارند. یک «swarm» از ایجنت‌ها باید نشان دهد که چند ایجنت با هم هماهنگ می‌شوند، نه اینکه یک مدل چند پرامپت را اجرا می‌کند.

همیشه جدول شواهد و پرچم‌های AI reality را در کارت پروژه بررسی کنید.

اشتباه نگیرید با

  • ایجنت AI چیست مفهوم ایجنت‌ها را به‌طور کلی توضیح می‌دهد. این صفحه توصیف می‌کند که ایجنت‌ها چگونه به‌عنوان جزء مشخص در کارت‌های پروژهٔ DecAIHub ظاهر می‌شوند.
  • AI/Agents یک دستهٔ پروژه است که پروژه‌های ایجنت‌محور را در بالاترین سطح طبقه‌بندی می‌کند. پروژه‌ای در دسته‌ای دیگر (مثلاً AI/Analytics) همچنان می‌تواند جزء ایجنت داشته باشد.
  • چت‌بات‌ها و دستیارها به پرامپت‌ها پاسخ می‌دهند اما خودگردانی و استدلال چندمرحله‌ای ندارند. ایجنت‌ها فراتر می‌روند.
  • استنتاج فرایند اجرای یک مدل است. ایجنت از استنتاج به‌عنوان بخشی از حلقهٔ استدلال خود استفاده می‌کند، اما استنتاج به‌تنهایی ایجنت نیست.
  • اتوماسیون از قواعد از پیش تعریف‌شده بدون یادگیری یا استدلال پیروی می‌کند. ایجنت AI باید تصمیم‌گیری مبتنی بر مدل را نشان دهد.

پرسش‌های متداول

آیا واژهٔ «ایجنت» در نام محصول، وجود AI component ایجنتی را تضمین می‌کند؟

خیر. زبان بازاریابی اغلب ایجنت را برای هر جریان کاری خودکار به کار می‌برد. در DecAIHub، فیلد AI component باید معماری متکی بر شواهد را بازتاب دهد: محیط اجرا، ابزارها، حافظه یا هماهنگ‌سازی، آن‌گونه که در مقادیر نرمال‌شده توصیف شده است. نام را با شواهد Tier-1 و طیف بالا مقایسه کنید.

تفاوت جزء ایجنت با دستهٔ AI/Agents چیست؟

دستهٔ AI/Agents تمرکز اصلی پروژه را در سطح بالا توصیف می‌کند. ورودی‌های ایجنت در فیلد AI component سازوکار مشخص را توصیف می‌کنند (مثلاً agentic framework در برابر on-chain AI agent). پروژه‌ای می‌تواند در دستهٔ دیگری قرار داشته باشد و در عین حال، اگر آن سازوکار وجود داشته باشد، یک جزء مرتبط با ایجنت را فهرست کند.

یک «swarm» یا سیستم چندایجنتی چقدر باید شواهد ارائه دهد؟

بیش از یک پشتهٔ تک‌ایجنتی. به دنبال artifactهای هماهنگ‌سازی باشید: نقش‌های مجزا، تبادل پیام، تفویض وظایف، یا محیط‌های اجرای جداگانه — نه فقط چند پرامپت به یک مدل. در نبود این‌ها، ادعاهای چندایجنتی را تا زمانی که مستندات یا دموها از آن‌ها پشتیبانی کنند، فرضیه تلقی کنید.

منابع خارجی

  • Intelligent agent — Wikipedia — مروری بر ایجنت‌های خودگردان، حسگرها، عملگرها و اهداف، آن‌گونه که معمولاً در AI تعریف می‌شوند.
  • ReAct: Synergizing Reasoning and Acting in Language Models (arXiv) — الگوی پژوهشی پراستناد که استفاده از ابزار و استدلال را ترکیب می‌کند و نمایانگر نحوهٔ ساخت ایجنت‌های مدرن مبتنی بر LLM است.

همچنین ببینید

No comments to display

Back to top