ایجنت چیست؟ فاصله‌ی حرف‌زدن با عمل‌کردن

ایجنت دقیقاً چیست؟ آیا فقط یک LLM قوی‌تر است؟ آیا همان چت‌بات (chatbot) است با اسمی جدید؟ یا چیزی بنیاداً متفاوت؟ در این مقاله، با استناد به تعریف رسمی Anthropic، OpenAI، AWS، و LangChain، این مفهوم را دقیق باز می‌کنیم.

نوشته شده توسط یحیا گلنسایی

30 تیر، 1405

زمان خواندن 8 دقیقه

در مقاله‌ی قبل دیدیم که یک مدل زبانی بزرگ (LLM)، به‌تنهایی، فقط می‌تواند حرف بزند، نه عمل کند. سؤال این است: چطور این شکاف را پر کنیم؟ پاسخ، در یک کلمه است: ایجنت (agent).

اما ایجنت دقیقاً چیست؟ آیا فقط یک LLM قوی‌تر است؟ آیا همان چت‌بات (chatbot) است با اسمی جدید؟ یا چیزی بنیاداً متفاوت؟ در این مقاله، با استناد به تعریف رسمی Anthropic، OpenAI، AWS، و LangChain، این مفهوم را دقیق باز می‌کنیم.

ایجنت چیست؟ تعریف دقیق

بر اساس تعریف OpenAI از ایجنت:
«ایجنت‌ها اپلیکیشن‌هایی هستند که برنامه‌ریزی می‌کنند، ابزار صدا می‌زنند، با متخصص‌های مختلف همکاری می‌کنند، و به‌اندازه‌ی کافی وضعیت (state) نگه می‌دارند تا کارهای چندمرحله‌ای را تمام کنند.»

و بر اساس تعریف Anthropic، که یکی از دقیق‌ترین تعاریف صنعت است:
«ایجنت، سیستمی است که LLM به‌صورت پویا فرآیند خود و استفاده از ابزارهایش را هدایت می‌کند و کنترل چگونگی انجام کار را در دست دارد.»

اگر این دو تعریف را کنار هم بگذاریم، یک نتیجه‌ی روشن می‌گیریم:
ایجنت = LLM + ابزار (tool) + حافظه (memory) + برنامه‌ریزی (planning)

یعنی ایجنت فقط یک مدل زبانی بزرگ‌تر نیست، بلکه LLM به‌عنوان مغز متصل به ابزارها، حافظه، و توانایی برنامه‌ریزی است. این چهار عنصر کنار هم، فاصله‌ی بین «حرف‌زدن» و «عمل‌کردن» را پر می‌کنند.

سه تفاوت بنیادی با چت‌بات

اگر از بیرون نگاه کنیم، شاید ایجنت و چت‌بات شبیه به نظر برسند. هر دو با کاربر حرف می‌زنند. اما در درون، سه تفاوت بنیادی وجود دارد.

۱. ابزار، دسترسی به دنیای واقعی

چت‌بات فقط متن تولید می‌کند. ایجنت می‌تواند ابزار صدا بزند: API، دیتابیس، فایل، سرویس خارجی. وقتی می‌گوید «رزرو کردم»، یعنی واقعاً یه درخواست (request) به سیستم رستوران زده، نه اینکه فقط متن رزرو را نوشته باشد.

۲. حافظه، یادآوری

چت‌بات حافظه‌ی مکالمه‌ی قبلی را ندارد (یا خیلی محدود دارد). ایجنت می‌تواند context را در طول sessionها و حتی روزها نگه دارد. این یعنی ایجنت یاد می‌گیرد، ارجاع می‌دهد، و بر اساس تاریخچه تصمیم می‌گیرد.

۳. برنامه‌ریزی، چندمرحله‌ای

چت‌بات به سؤال پاسخ می‌دهد. ایجنت می‌تواند یک task پیچیده را به چند زیر‌وظیفه (sub-task) بشکند، ترتیب اجرا را مشخص کند، و هر مرحله (step) را با مرحله‌ی قبلی هماهنگ نگه دارد.

ایجنت یا گردش‌کار؟ انتخاب درست

Anthropic یک تمایز مهم دیگر هم ارائه می‌دهد: گردش‌کار (workflow) در مقابل ایجنت.

گردش‌کار یعنی LLM و ابزارها از طریق مسیرهای کد از پیش‌تعریف‌شده هماهنگ می‌شوند. مسیر مشخص است؛ LLM فقط در نقاط مشخصی تصمیم می‌گیرد.
ایجنت یعنی LLM خودش تصمیم می‌گیرد چه ابزاری را، در چه زمانی، به چه ترتیبی صدا بزند. کنترل کامل در دست خود ایجنت است.
چه وقت ایجنت لازم است؟ وقتی task انعطاف‌پذیر است، محیط پویاست، و تصمیم‌گیری نمی‌تواند از قبل hard-code شود. مثلاً یک ایجنت پشتیبانی مشتری که باید بر اساس نوع سؤال، ابزار مناسب را انتخاب کند.
چه وقت ایجنت لازم نیست؟ وقتی task کاملاً مشخص و تکراری است. مثلاً ترجمه‌ی یک متن یا تولید خلاصه از یک مقاله. در این موارد، یک فراخوانی LLM (LLM call) ساده با retrieval و in-context examples معمولاً کافی است.

نکته‌ی مهم از Anthropic:

«در فضای LLM، موفق‌ترین پیاده‌سازی‌ها آن‌هایی نیستند که پیچیده‌ترین سیستم را ساخته‌اند. آن‌هایی هستند که سیستم درست را برای نیاز درست ساخته‌اند.»

ایجنت در عمل، نه در تئوری

تا اینجا تعریف‌ها را دیدیم. حالا ببینیم این مفاهیم در محیط عملیاتی (production) چطور کار می‌کنند:

Robinhood. ایجنت‌های آن‌ها ۶۵٪ از queryهای مشتری را بدون دخالت انسان handle می‌کنند. این یعنی ایجنت نه‌تنها حرف می‌زند، بلکه task واقعی «حل مسئله‌ی مشتری» را از ابتدا تا انتها (end-to-end) انجام می‌دهد.

Rocket Companies. ایجنت آن‌ها سرعت حل query را ۶۸٪ افزایش داده و نرخ بسته‌شدن وام را سه برابر کرده. این دقیقاً همان «عمل کردن» است، نه «پیشنهاد دادن».

AWS DevOps Agent. Incidentها را resolve می‌کند و به‌صورت proactive از آن‌ها جلوگیری می‌کند. ساعت‌ها بدون دخالت انسان کار می‌کند. این یعنی ایجنت می‌تواند وضعیت (state) را در طول زمان نگه دارد، context جمع کند، و تصمیم بگیرد.

Hermes Agent (hermes-agent.org). یک نمونه‌ی متن‌باز از Nous Research که در فوریه‌ی ۲۰۲۶ منتشر شد. این ایجنت روی سرور شخصی شما نصب می‌شود، از طریق ۵ پلتفرم پیام‌رسان (Telegram، Discord، Slack، WhatsApp، Signal) در دسترس است، و با داشتن حافظه‌ی پایدار (persistent memory) هر روز باهوش‌تر می‌شود. نکته‌ی جالب: این ایجنت وقتی یک مسئله‌ی سخت را حل می‌کند، خودش یک skill جدید می‌نویسد تا دفعه‌ی بعد آن را فراموش نکند. این یعنی ایجنت نه‌تنها task را انجام می‌دهد، بلکه از تجربه‌ی خود یاد می‌گیرد.

این مثال‌ها یک چیز روشن می‌گویند: ایجنت یک concept آکادمیک نیست. یک ابزار آماده‌ی محیط عملیاتی (production-grade) است.

چالش‌ها: هیچ چیز مجانی نیست

ایجنت مزایای واضحی دارد، اما چالش‌های جدی هم دارد که باید بشناسیم

تأخیر (latency) و هزینه

ایجنت‌ها معمولاً چند فراخوانی LLM (LLM call) می‌زنند، چند ابزار صدا می‌زنند، و چند مرحله تصمیم می‌گیرند. این یعنی تأخیر بالاتر و هزینه‌ی بیشتر نسبت به یک فراخوانی ساده‌ی LLM. برای بسیاری از کاربردها، همین تأخیر اضافی، تجربه‌ی کاربر را خراب می‌کند.

پیچیدگی در اشکال‌زدایی (debugging)

وقتی یک ایجنت یک task را اشتباه انجام می‌دهد، پیدا کردن «کجای زنجیره» اشتباه شد، سخت است. هر فراخوانی ابزار یک نقطه‌ی شکست (failure point) است. چارچوب‌هایی (framework) مثل LangGraph با قابلیت‌های observability و human-in-the-loop آمده‌اند تا این مشکل را حل کنند، اما خودشان هم لایه‌ای از abstraction اضافه می‌کنند.

گسترش توهم‌زایی (hallucination propagation)

یک مقاله‌ی arXiv اخیر (Xinyuan Song & Zekun Cai، ژوئن ۲۰۲۶) نشان داده که در LLM agentها، توهم‌زایی (hallucination) در یک مرحله (step) می‌تواند به مراحل بعدی گسترش پیدا کند و کل مسیر (trajectory) را خراب کند. مسیر یعنی توالی تصمیم‌ها و اقدام‌هایی که ایجنت در طول حل یک task طی می‌کند. همان «ردپای گام‌به‌گام» ایجنت. این یعنی ایجنت نه‌تنها hallucinate می‌کند، بلکه hallucinationهایش را در طول زمان تقویت می‌کند. راه‌حل‌های فعلی استفاده از world models و grounded planning است. یعنی ایجنت باید به یک بازنمایی واقعی (representation واقعی) از محیط متصل باشد.

مهندسی‌زدگی افراطی (Over-engineering)

بزرگ‌ترین ریسک ایجنت این است که برای کارهایی استفاده شود که اصلاً نیازی به آن ندارند. هر بار که می‌خواهیم یک گردش‌کار ساده را با یک ایجنت پیچیده حل کنیم، هم تأخیر بالا می‌رود، هم اشکال‌زدایی سخت‌تر می‌شود، هم هزینه بیشتر می‌شود. قانون طلایی: از ساده‌ترین راه‌حل شروع کنید.

ایجنت، نه جادو: یک ابزار دقیق

اگر از این مقاله فقط یک جمله باید یادت بماند، این است:
ایجنت فقط وقتی ایجنت است که واقعاً عمل کند، نه وقتی فقط یک فراخوانی LLM با اسم جدید باشد.
تفاوت چت‌بات با ایجنت، تفاوت «مشاور» با «کارمندی است که کار را تمام می‌کند». اولی تحلیل می‌کند و پیشنهاد می‌دهد. دومی تحلیل می‌کند، تصمیم می‌گیرد، ابزار صدا می‌زند، و task را تمام می‌کند.
و دقیقاً به همین دلیل است که ایجنت، ستون فقرات محصولات AI نسل بعد خواهد بود، نه به‌خاطر هوش بیشتر، بلکه به‌خاطر عمل‌کردن.

در مقاله‌ی بعدی، به سراغ یک سؤال بنیادی‌تر می‌رویم: وقتی ایجنت می‌خواهد عمل کند، چه چیزی حافظه‌ی او را شکل می‌دهد؟ و چرا حافظه، نه مدل، تعیین می‌کند یک ایجنت در محیط عملیاتی زنده می‌ماند یا نه. در مقاله‌ی سوم درباره‌ی حافظه‌ی ایجنت بیشتر خواهیم گفت.