مبانی هوش مصنوعی عامل‌محور (Agentic AI)

دربارهٔ این قسمت

در قسمت نوزدهم پادکست تک‌لانژ، میهمان ما دکتر علیرضا یمقانی است؛ متخصص هوش مصنوعی، نرم‌افزار و اتوماسیون با بیش از ۳۰ سال تجربه دانشگاهی و عملی در ایران و کانادا.

در این گفت‌وگو، Agentic AI را از پایه بررسی می‌کنیم و می‌بینیم چطور هوش مصنوعی از Ask به Act تکامل یافته است؛ یعنی فراتر از پرسیدن سؤال و گرفتن پاسخ، به سمت برنامه‌ریزی و انجام کارها حرکت کرده است.

در این قسمت با موارد زیر آشنا می‌شوید:

- تفاوت‌های چت‌بات، LLM و Agentic AI

- سیر تکامل هوش مصنوعی از Ask به Act

- چرا Agentic AI یکی از مهم‌ترین روندهای فناوری سال‌های اخیر شده است

- چرخه Goal، Plan، Act، Observe و Evaluate

- اجزای اصلی یک ایجنت هوش مصنوعی، شامل LLM، ابزارها، حافظه، برنامه‌ریز و اجراکننده

- Skill چیست و در ایجنت‌های هوش مصنوعی چطور استفاده می‌شود

- MCP چیست و چرا اغلب آن را به پورت USB دنیای هوش مصنوعی تشبیه می‌کنند

- انواع مختلف ایجنت‌های هوش مصنوعی، از ایجنت‌های وظیفه‌محور تا ایجنت‌های برنامه‌نویسی و برنامه‌ریزی

- کاربردهای Agentic AI در برنامه‌نویسی، دیباگ، تحلیل لاگ و مدیریت تیکت

- ریسک‌های hallucination، prompt injection و دسترسی‌های بیش‌ازحد

- اهمیت guardrail، محیط sandbox و نظارت انسانی

- اینکه آیا هوش مصنوعی جای مهندسان و برنامه‌نویسان را می‌گیرد یا نه

- مهارت‌هایی که برای آینده هوش مصنوعی باید یاد بگیریم

این قسمت مقدمه‌ای است بر مجموعه‌ای از کارگاه‌های عملی Agentic AI که در آن‌ها Skill می‌سازیم، یک سرور MCP راه‌اندازی می‌کنیم و ایجنت‌های هوش مصنوعی عملی پیاده‌سازی می‌کنیم.

اگر به هوش مصنوعی، برنامه‌نویسی، شبکه، اتوماسیون و آینده فناوری علاقه دارید، در کانال تک‌لانژ عضو شوید تا قسمت‌های بعدی این مجموعه را از دست ندهید.

نظر شما چیست؟ آیا Agentic AI شغل‌ها را از بین می‌برد یا کسانی را که از هوش مصنوعی استفاده نمی‌کنند؟

این قسمت Agentic AI را حرکتی از سامانه‌هایی که فقط به سؤال پاسخ می‌دهند، به سمت سامانه‌هایی که می‌توانند برنامه‌ریزی کنند، از ابزار استفاده کنند، تصمیم بگیرند و اقدام کنند معرفی می‌کند.

اجزای اصلی ایجنت را معرفی کرده و توضیح می‌دهد ابزارها و حافظه چطور در جریان کار یک ایجنت جای می‌گیرند.

این گفت‌وگو کاربردهای عملی مهندسی را در کنار نگرانی‌های امنیتی و حاکمیتی بررسی می‌کند.

همچنین یک مجموعه کارگاه عملی آینده درباره Skill، MCP و ایجنت‌های عملی هوش مصنوعی را معرفی می‌کند.

این قسمت برای چه کسانی مفید است

• مهندسان شبکه و DevOps که می‌خواهند از هوش مصنوعی برای اتوماسیون واقعی استفاده کنند
• برنامه‌نویسانی که با چت‌بات کار کرده‌اند و می‌خواهند ایجنت بسازند
• مدیرانی که باید ریسک‌های به‌کارگیری ایجنت‌های خودمختار را بسنجند

نکات کلیدی این قسمت

• درک تفاوت چت‌بات، LLM و Agentic AI
• یادگیری چرخه Goal، Plan، Act، Observe و Evaluate برای توضیح ایجنت‌های هوش مصنوعی
• درک نقش ابزارها، حافظه، برنامه‌ریز، اجراکننده، Skill و MCP
• مرور کاربردهای عملی در برنامه‌نویسی، دیباگ، تحلیل لاگ و مدیریت تیکت
• درک ریسک‌هایی مانند hallucination، prompt injection، دسترسی بیش‌ازحد و نیاز به guardrail و نظارت انسانی

در این قسمت می‌شنوید

1. از Ask به Act
2. چت‌بات، LLM و Agentic AI
3. معماری ایجنت و چرخه اجرا
4. Skill و MCP
5. کاربردهای عملی مهندسی
6. ریسک‌های امنیتی و guardrail
7. تأثیر هوش مصنوعی بر کار مهندسی

واژه‌نامهٔ این قسمت

Agentic AI

سامانه‌های مبتنی بر مدل زبانی که به‌جای پاسخ‌دادن صرف، هدف می‌گیرند، برنامه‌ریزی می‌کنند، از ابزار استفاده می‌کنند، نتیجه را می‌سنجند و تا رسیدن به هدف ادامه می‌دهند.

LLM

Large Language Model؛ مدل زبانی بزرگ (مثل GPT یا Claude) که مغز استدلال و تولید متن ایجنت است اما به‌تنهایی نمی‌تواند کاری در دنیای بیرون انجام دهد.

Tool / Function Calling

قابلیتی که به مدل اجازه می‌دهد به‌جای متن، فراخوانی ساخت‌یافتهٔ یک تابع یا API (اجرای دستور، خواندن لاگ، باز کردن تیکت) تولید کند.

MCP (Model Context Protocol)

پروتکل استاندارد باز برای اتصال ایجنت‌ها به ابزارها و منابع داده؛ مثل USB برای هوش مصنوعی: یک سرور MCP بنویسید و هر ایجنت سازگاری بتواند از آن استفاده کند.

Skill

بستهٔ قابل‌استفادهٔ مجدد از دستورالعمل‌ها و ابزارها برای یک وظیفهٔ مشخص (مثلاً تحلیل لاگ BGP) که به ایجنت اضافه می‌شود.

Prompt Injection

حمله‌ای که با جاسازی دستور در داده‌ای که ایجنت می‌خواند (ایمیل، صفحهٔ وب، لاگ) آن را وادار به کار ناخواسته می‌کند؛ مهم‌ترین ریسک ایجنت‌های ابزاردار.

پرسش‌های متداول