انقلاب ایجنت‌های هوش مصنوعی خودمختار: نحوه کارکرد فریم‌ورک‌های Multi-Agent

تفاوت میان یک چت‌بات ساده و یک سیستم ایجنت در توانایی «اقدام کردن» (Action Execution) و استفاده از ابزارهای خارجی نهفته است.

اجزای اصلی یک ایجنت هوشمند

1. مغز متفکر (Reasoning Engine): مدل پایه که تصمیم می‌گیرد گام بعدی چیست.
2. حافظه کوتاه‌مدت و بلندمدت (Memory): ذخیره متغیرها و تاریخچه تصمیم‌گیری‌های قبلی.
3. ابزارها (Tools & APIs): اتصال به جستجوی وب، پایگاه‌داده، ایمیل یا مفسر کد پایتون.
4. برنامه‌ریزی و بازخورد (Planning & Self-Correction): ارزیابی نتایج میانی و اصلاح خطاهای رخ‌داده.

مثال کد تعریف گراف در LangGraph

from typing import TypedDict, Literal
from langgraph.graph import StateGraph, END

class AgentState(TypedDict):
    input_task: str
    code_generated: str
    test_passed: bool
    iterations: int

def developer_agent(state: AgentState):
    print("در حال نوشتن کد بر اساس تسک...")
    return {"code_generated": "def solve(): return 42", "iterations": state["iterations"] + 1}

def tester_agent(state: AgentState):
    passed = state["iterations"] >= 2
    return {"test_passed": passed}

def router(state: AgentState) -> Literal["developer", "end"]:
    if state["test_passed"]:
        return "end"
    return "developer"

workflow = StateGraph(AgentState)
workflow.add_node("developer", developer_agent)
workflow.add_node("tester", tester_agent)
workflow.set_entry_point("developer")
workflow.add_edge("developer", "tester")
workflow.add_conditional_edges("tester", router, {"developer": "developer", "end": END})

app = workflow.compile()