AI Agent چیست؟ از پاسخ‌گویی تا اجرای فرایندهای سازمانی

AI Agent چیست؟

دستیارهای مبتنی بر مدل‌های زبانی در ساده‌ترین حالت یک الگوی مشخص دارند: کاربر درخواست خود را مطرح می‌کند و مدل پاسخ تولید می‌کند.

اما بسیاری از نیازهای واقعی سازمان فقط با تولید متن حل نمی‌شوند. گاهی سیستم باید اطلاعاتی را از یک سامانه دریافت کند، نتیجه را بررسی کند، ابزار دیگری را فراخوانی کند و سپس درباره مرحله بعد تصمیم بگیرد.

اینجاست که مفهوم AI Agent یا عامل هوشمند اهمیت پیدا می‌کند. تعریف واحد و کاملاً ثابتی برای Agent در صنعت وجود ندارد؛ بعضی معماری‌ها سیستم‌هایی با استقلال زیاد را Agent می‌نامند و برخی نیز Workflowهای مبتنی بر مدل زبانی را در این گروه قرار می‌دهند.

برای استفاده عملی می‌توان AI Agent را سامانه‌ای مبتنی بر هوش مصنوعی دانست که برای رسیدن به یک هدف می‌تواند وضعیت را تحلیل کند، از ابزارهای مجاز استفاده کند، نتیجه اقدامات خود را مشاهده کند و درباره مرحله بعد تصمیم بگیرد.

این قابلیت در کنار اجزای دیگر هوش مصنوعی سازمانی معنا پیدا می‌کند.

هوش مصنوعی سازمانی

تفاوت AI Agent و Chatbot

یک Chatbot ساده معمولاً روی الگوی «سؤال و پاسخ» کار می‌کند. اما یک Agent می‌تواند هدف را تحلیل کند، ابزار مناسب را انتخاب کند، نتیجه ابزار را ببیند و بر اساس آن مرحله بعد را انتخاب کند.

برای مثال، وقتی کاربر می‌گوید «وضعیت درخواست مشتری شماره ۱۲۵ را بررسی کن»، یک چت‌بات عمومی ممکن است فقط روش بررسی را توضیح دهد. یک Agent سازمانی، در صورت داشتن مجوز، می‌تواند هویت و سطح دسترسی کاربر را بررسی کند، CRM را جست‌وجو کند، درخواست را پیدا کند، سوابق مرتبط و تیکت‌های باز را ببیند و نتیجه را خلاصه کند.

بنابراین تفاوت اصلی فقط در هوشمندتر بودن مدل نیست؛ Agent به ابزار، محیط و مجموعه‌ای از مجوزهای کنترل‌شده متصل است.

1. هدف کاربر
2. تحلیل وضعیت
3. انتخاب ابزار
4. اجرای ابزار
5. مشاهده نتیجه
6. تصمیم درباره مرحله بعد
7. پاسخ یا اقدام

Agent چگونه کار می‌کند؟

یک Agent معمولاً با دریافت هدف یا درخواست کاربر، Context موجود و محدودیت‌های سیستم، مرحله بعد را انتخاب می‌کند. سپس ابزار مجاز را فراخوانی می‌کند، نتیجه را مشاهده می‌کند و تا رسیدن به پاسخ یا اقدام نهایی ادامه می‌دهد.

این چرخه باید سقف مشخصی برای تعداد مراحل، زمان اجرا و نوع اقدام‌های مجاز داشته باشد. Agent خودمختار به معنای Agent بدون مرز یا بدون نظارت نیست.

Tool Use چیست؟

مدل زبانی به‌تنهایی نمی‌تواند واقعاً وارد CRM شود، یک تیکت را بخواند یا از پایگاه داده اطلاعات جدید دریافت کند. برای انجام این کارها، ابزارهایی در اختیار Agent قرار می‌گیرند.

Tool ممکن است API، Search، Database Query، CRM، ERP، Ticketing System، Email Service، Calculator، Workflow Engine یا Knowledge Base باشد.

Agent بر اساس درخواست کاربر و محدودیت‌های تعریف‌شده تشخیص می‌دهد چه زمانی و چگونه از یک ابزار استفاده کند. اما Tool Access باید محدود و مشخص باشد؛ وجود یک ابزار به این معنا نیست که Agent در هر شرایطی اجازه استفاده از تمام قابلیت‌های آن را دارد.

Workflow و Agent چه تفاوتی دارند؟

همیشه استفاده از Agent خودمختار بهترین انتخاب نیست. در بسیاری از فرایندهای سازمانی، مراحل از قبل مشخص هستند: دریافت درخواست، اعتبارسنجی، تأیید مدیر، ثبت و اطلاع‌رسانی. در چنین شرایطی Workflow قابل پیش‌بینی معمولاً انتخاب ساده‌تر و قابل‌کنترل‌تری است.

اما گاهی مسیر انجام کار به نتیجه هر مرحله بستگی دارد. Agent ممکن است ابتدا اطلاعاتی را جست‌وجو کند و بر اساس نتیجه تصمیم بگیرد جست‌وجوی دیگری انجام دهد، ابزار دیگری را فراخوانی کند، اطلاعات بیشتری از کاربر بخواهد یا کار را به انسان منتقل کند.

Anthropic در راهنمای Building Effective Agents نیز میان Workflowهای از پیش تعریف‌شده و Agentهای دارای تصمیم‌گیری پویا تفاوت قائل می‌شود و توصیه می‌کند تا حد امکان از ساده‌ترین معماری مناسب مسئله استفاده شود.

Memory و Context

یک Agent برای انجام یک Task چندمرحله‌ای ممکن است به نتیجه Search، شناسه مشتری، وضعیت Workflow، پاسخ API یا انتخاب قبلی کاربر نیاز داشته باشد.

اما مفهوم Memory نباید با ذخیره دائمی همه مکالمات اشتباه گرفته شود. در سامانه‌های سازمانی باید مشخص باشد چه چیزی ذخیره می‌شود، برای چه مدت، چه کسی به آن دسترسی دارد، آیا اطلاعات حساس در Memory قرار می‌گیرند و چگونه حذف می‌شوند.

بنابراین Memory نیز بخشی از معماری و Governance است.

Human-in-the-loop

همه اقدامات نباید کاملاً خودکار باشند. خواندن وضعیت سفارش یا تهیه پیش‌نویس پاسخ می‌تواند خودکار باشد، اما ارسال پاسخ حساس، لغو قرارداد یا پرداخت بهتر است به تأیید انسان یا کنترل چندمرحله‌ای نیاز داشته باشد.

این رویکرد Human-in-the-loop نامیده می‌شود. Agent می‌تواند بخش بزرگی از کار را انجام دهد، اما اختیار نهایی برای عملیات حساس در اختیار انسان باقی می‌ماند.

امنیت و سطح دسترسی Agent

وقتی Agent به فایل، API، CRM، ERP، Database، Email یا Workflow دسترسی پیدا می‌کند، Identity و Authorization اهمیت اساسی پیدا می‌کنند.

اصل Least Privilege باید رعایت شود. اگر Agent فقط باید وضعیت یک تیکت را بخواند، نباید مجوز حذف آن را داشته باشد. اگر کاربر فقط به اطلاعات یک واحد دسترسی دارد، Agent نیز نباید برای همان درخواست اطلاعات واحدهای دیگر را دریافت کند.

معماری باید مواردی مانند Identity، Authorization، RBAC / Policy، Tool Permissions، Audit، Logging، Approval و Rate / Action Limits را پوشش دهد.

کاربرد AI Agent در سازمان

پشتیبانی مشتری

Agent می‌تواند سوابق مشتری را بررسی کند، Knowledge Base را جست‌وجو کند، پاسخ آماده کند و در صورت نیاز تیکت ایجاد کند.

فناوری اطلاعات

می‌تواند مستندات را جست‌وجو کند، وضعیت سرویس‌ها را دریافت کند و اطلاعات لازم برای یک Ticket یا گزارش را آماده سازد.

منابع انسانی

می‌تواند اطلاعات سیاست‌های سازمان را بازیابی کند و کاربر را در یک Workflow مشخص هدایت کند.

فروش

می‌تواند اطلاعات CRM، محصولات و سوابق مرتبط را گردآوری و یک پیشنهاد یا Summary آماده کند.

عملیات

می‌تواند اطلاعات چند سامانه را جمع‌آوری و برای یک تصمیم یا اقدام کنترل‌شده آماده کند.

محدودیت‌ها و چالش‌ها

AI Agent همیشه انتخاب مناسب نیست. خطای تصمیم‌گیری مدل، انتخاب ابزار نامناسب، Loop یا اجرای بیش از حد مراحل، هزینه، Latency، Prompt Injection، دسترسی بیش از حد، مدیریت Credential، Observability و ارزیابی رفتار چندمرحله‌ای از چالش‌های مهم هستند.

در Production باید محدودیت‌هایی مانند حداکثر تعداد Steps، Timeout، Tool Allowlist، Validation، Human Approval، Logging و Evaluation در نظر گرفته شوند.

Agent و RAG چگونه کنار هم کار می‌کنند؟

یک Agent ممکن است برای رسیدن به هدف خود نیاز به دانش سازمان داشته باشد. در چنین حالتی می‌تواند از RAG برای بازیابی اطلاعات مرتبط استفاده کند.

برای مثال، جریان کار می‌تواند از کاربر به Agent، از Agent به RAG، از RAG به دانش سازمان، سپس دوباره به Agent و در نهایت به ابزار سازمانی برسد.

برای آشنایی بیشتر با این لایه، مقاله RAG چیست؟ را بخوانید.

RAG چیست؟

AI Agent در آیوان

در آیوان، عامل هوشمند می‌تواند به‌عنوان لایه‌ای برای استفاده کنترل‌شده از دانش و ابزارهای سازمان در نظر گرفته شود. هر Agent باید محدوده مشخصی از داده‌ها، ابزارها و عملیات مجاز داشته باشد و اقدامات حساس بتوانند به تأیید انسان وابسته شوند.

هوش مصنوعی سازمانی