Agentic Workflows — فرآیندهای کاری عاملی

فرآیندهای کاری عاملی (Agentic Workflows) — فرآیندهای پویای چندمرحله‌ای هستند که در آن‌ها عوامل هوش مصنوعی مستقل مبتنی بر مدل‌های زبانی بزرگ (LLM) به‌طور خودکار تصمیم می‌گیرند، اقدامات را انجام می‌دهند و وظایف را با حداقل دخالت انسان هماهنگ می‌کنند. در چنین سیستم‌هایی، LLM نه‌تنها برای تولید پاسخ به یک درخواست واحد، بلکه برای برنامه‌ریزی توالی اقدامات، تعامل با ابزارهای خارجی و بهبود تکراری نتیجه نیز به‌کار می‌رود.

برخلاف اتوماسیون سنتی مبتنی بر قوانین از پیش برنامه‌ریزی‌شده، رویکردهای عاملی از انعطاف‌پذیری برخوردارند — می‌توانند با داده‌های جدید و شرایط پیش‌بینی‌نشده سازگار شوند. فرآیند کاری عاملی از فراخوانی ساده LLM (برای مثال، برای خلاصه‌سازی متن) متمایز است، زیرا عامل در انتخاب اقدامات دارای استقلال است که شامل برنامه‌ریزی، استفاده از ابزار و خودتصحیحی می‌شود.

اجزا و معماری Agentic Workflow - فرآیند کاری عاملی

فرآیند کاری عاملی چندین مؤلفه کلیدی را برای دستیابی به هدف در کنار هم قرار می‌دهد.

AI-عامل و LLM

در مرکز این فرآیند عامل هوش مصنوعی قرار دارد — برنامه‌ای مستقل که از طرف کاربر یا سیستم عمل می‌کند. مؤلفه کلیدی عامل، مدل زبانی بزرگ است که درک دستورالعمل‌ها به زبان طبیعی و تولید استدلال‌های لازم را فراهم می‌کند. کیفیت عملکرد عامل به میزان قابل توجهی به مهندسی prompt بستگی دارد — طرح‌های مختلف راهنما (برای مثال، Chain-of-Thought) به تنظیم LLM بر سبک کار مورد نیاز کمک می‌کنند.

ابزارها (دسترسی به اقدامات خارجی)

از آنجا که دانش LLM به داده‌های آموزشی آن محدود است، به عامل ابزارهای خارجی داده می‌شود که قابلیت‌های آن را گسترش می‌دهند. ابزارها می‌توانند شامل دسترسی به پایگاه‌های دانش، موتورهای جستجو، API، مفسرهای کد و سایر برنامه‌ها باشند. با کمک آن‌ها، عامل اطلاعات به‌روز دریافت می‌کند یا اقدامات واقعی خارج از خود مدل را انجام می‌دهد.

حافظه و زمینه

ویژگی بارز فرآیندهای کاری عاملی، وجود مکانیزم حافظه است که به عامل اجازه می‌دهد تجربه و زمینه قبلی را در نظر بگیرد.

• حافظه کوتاه‌مدت اطلاعات اخیر (برای مثال، تاریخچه گفتگو) را در چارچوب جلسه جاری نگه می‌دارد.
• حافظه بلندمدت دانش و نتایج انباشته‌شده در طول اجراهای متعدد را ذخیره می‌کند، که اغلب با استفاده از مخازن خارجی (برای مثال، پایگاه‌های داده برداری) انجام می‌شود.

بازخورد و اصلاح

مکانیزم‌های بازخورد نقش مهمی در افزایش قابلیت اطمینان دارند. عامل می‌تواند feedback از محیط اجرای وظیفه، از مدل کمکی «منتقد» یا از انسان (حالت human-in-the-loop) دریافت کند. برای مثال، سیستم Reflexion بازخورد درونی خودکار را پیاده‌سازی می‌کند: عامل خطاهای خود را تحلیل می‌کند و «تأملات» را در حافظه ذخیره می‌کند تا تلاش‌های بعدی را بهبود بخشد.

پیکربندی‌های چندعاملی

در سناریوهای پیچیده، معماری چندعاملی به‌کار می‌رود که در آن چندین عامل تخصصی با یکدیگر تعامل دارند. برای مثال، عامل «برنامه‌ریز» وظایف فرعی را تعیین می‌کند و چندین عامل «مجری» وظایف تخصصی خود را (جستجوی داده، محاسبه و غیره) حل می‌کنند.

الگوها و الگوریتم‌های متداول کار عوامل

اگرچه معماری استانداردشده جهانی برای سیستم‌های LLM عاملی هنوز توسعه نیافته، در سال‌های ۲۰۲۳–۲۰۲۴ الگوهای تکرارشونده‌ای ظهور کردند.

• برنامه‌ریزی مرحله‌به‌مرحله (Prompt Chaining). وظیفه با کمک زنجیره‌ای از فراخوانی‌های LLM به توالی مراحل تقسیم می‌شود. هر گام خروجی گام قبلی را به‌عنوان ورودی دریافت می‌کند و بخشی از وظیفه کلی را انجام می‌دهد. این رویکرد تفسیرپذیری را بهبود می‌بخشد اما انعطاف‌پذیری کمتری دارد.
• مسیریابی و انتخاب ابزار (Router Pattern). عامل ابتدا نوع وظیفه ورودی را دسته‌بندی می‌کند، سپس فرآیند یا ابزار تخصصی مناسب برای حل آن را انتخاب می‌کند و مانند یک توزیع‌کننده عمل می‌کند.
• جستجوی موازی راه‌حل‌ها. به‌جای یک مسیر خطی تفکر، چندین گزینه راه‌حل به‌طور همزمان بررسی می‌شوند. نمونه‌ای از این رویکرد، Tree-of-Thoughts است که عامل زنجیره استدلال را مانند درخت منشعب می‌کند، در هر مرحله چندین «فکر» نامزد تولید می‌کند و امیدوارکننده‌ترین‌ها را انتخاب می‌کند.
• بازتاب و خودتصحیحی. عامل تصمیمات خود را به‌طور انتقادی ارزیابی می‌کند و از اشتباهات می‌آموزد. در روش Reflexion، عامل پس از هر تلاش نتیجه را تحلیل می‌کند و نتیجه‌گیری‌هایی را ذخیره می‌کند که در چرخه‌های بعدی استفاده می‌شوند.

نمونه‌های رویکردهای شناخته‌شده

• ReAct (Reasoning and Acting) — روش بنیادی (۲۰۲۲) که استدلال و عمل را ترکیب می‌کند. LLM به‌طور درهم‌آمیخته نتیجه‌گیری‌های منطقی (thoughts) و گام‌های عملی مشخص (actions) تولید می‌کند که با کمک ابزارها اجرا می‌شوند.
• Reflexion (۲۰۲۳) — چارچوب خودبازتابی که به عوامل اجازه می‌دهد از طریق بازخورد متنی، بدون به‌روزرسانی وزن‌های مدل، از اشتباهات خود بیاموزند.
• Tree-of-Thoughts (ToT) (۲۰۲۳) — چارچوبی که ایده Chain-of-Thought را برای سازماندهی جستجوی راه‌حل به شکل درخت تعمیم می‌دهد و به مدل اجازه می‌دهد چندین سناریوی توسعه را بررسی کند.
• Auto-GPT (۲۰۲۳) — یکی از اولین پروژه‌های متن‌باز شناخته‌شده که فرآیند کاری عاملی کاملاً مستقل را نشان می‌دهد. سیستم گروهی از عوامل تخصصی GPT-4 تولید می‌کند که به‌طور مشترک مراحل را برای دستیابی به هدف سطح بالایی که توسط کاربر تعیین شده برنامه‌ریزی و اجرا می‌کنند.

کاربرد و تأثیر

رویکردهای عاملی در حوزه‌های متعددی که به اتوماسیون هوشمند و انعطاف‌پذیری نیاز دارند کاربرد می‌یابند.

• فرآیندهای کسب‌وکار: سیستم‌های عاملی قابلیت‌های چت‌بات‌های پشتیبانی فنی را گسترش می‌دهند که می‌توانند به‌طور مستقل مشکلات را تشخیص دهند و راه‌حل پیدا کنند. آن‌ها همچنین در مالی، مدیریت منابع انسانی و بازاریابی استفاده می‌شوند.
• شبیه‌سازی‌های تولیدی: عوامل LLM مستقل می‌توانند رفتار پیچیده جوامع یا شخصیت‌ها را مدل‌سازی کنند. در مقاله «Generative Agents» (Park et al., 2023) ده‌ها عامل GPT که با شخصیت‌های مختلف تجهیز شده بودند، زندگی اجتماعی در یک شهرک شبیه‌سازی‌شده را به‌طور قابل‌باوری تقلید کردند.

بر اساس ارزیابی تحلیلگران Gartner، هوش مصنوعی عاملی (Agentic AI) در فهرست روندهای فناوری استراتژیک سال ۲۰۲۵ گنجانده شده است.

چالش‌ها و چشم‌اندازهای توسعه

علی‌رغم پیشرفت‌ها، سیستم‌های LLM عاملی همچنان فناوری جدید و پیچیده‌ای هستند.

• هزینه‌های منابع: هر مرحله اضافی از برنامه‌ریزی، جستجو یا خودتحلیلی یک فراخوانی جداگانه LLM است که زمان اجرا و هزینه را افزایش می‌دهد.
• غیرقابل پیش‌بینی بودن رفتار: هرچه عامل آزادی بیشتری داشته باشد، تضمین اینکه چه مسیری را انتخاب خواهد کرد دشوارتر می‌شود. این امر نیازمند پیاده‌سازی محدودیت‌ها و مکانیزم‌های محافظتی (guardrails) است.
• ارزیابی کیفیت و اشکال‌زدایی: تحلیل گزارش‌های گسترده سیستم‌های چندمرحله‌ای برای یافتن خطاها وظیفه‌ای غیرتریویال است.
• امنیت و اخلاق: با افزایش استقلال هوش مصنوعی، نیاز به تضمین این امر که عوامل در راستای منافع کاربر و جامعه عمل می‌کنند پدید می‌آید.

پژوهش‌های آینده به ایجاد ابزارهای جهانی استفاده از ابزار، توسعه فرآیندهای کاری یکپارچه سرتاسری و بهینه‌سازی کارایی سیستم‌های عاملی اختصاص دارد.

ادبیات

• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Schick, T. et al. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools. arXiv:2302.04761.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
• Wang, G. et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. arXiv:2305.16291.
• Bakhtin, A. et al. (2022). Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning. Science. DOI:10.1126/science.ade9097.
• Wang, L. et al. (2025). A Survey on Large Language Model based Autonomous Agents. arXiv:2308.11432.
• Li, X. (2024). A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components. arXiv:2406.05804.
• Jung, J. et al. (2024). Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement. arXiv:2407.18370.
• Xu, W. et al. (2025). A-MEM: Agentic Memory for LLM Agents. arXiv:2502.12110.
• He, G. et al. (2025). Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents as a Daily Assistant. arXiv:2502.01390.
• Huang, X. et al. (2024). Understanding the Planning of LLM Agents: A Survey. arXiv:2402.02716.
• Kuang, Z. et al. (2023). PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents. arXiv:2305.14564.

منابع

• مروری بر فرآیندهای کاری عاملی از IBM
• راهنمای ساخت عوامل هوش مصنوعی مؤثر از Anthropic