الگوهای طراحی ایجنت
پنج الگوی ترکیب گردشکار و چهار محور طراحی ایجنت را با نمونههای قابل سنجش بشناس؛ برای یک مسئله، سادهترین معماری کافی را انتخاب کن، قرارداد ابزار و توقف بنویس و طراحیات را برای کارگاه ساخت آماده کن.
بعد از این درس میتوانی
- برای چهار موقعیت کاری بین فراخوانی منفرد مدل،
WorkflowوAgentانتخاب مستدل داشته باشد و توضیح دهد چرا یک الگوی سادهتر کافی یا ناکافی است. - پنج الگوی
Prompt Chaining،Routing،Parallelization،Orchestrator-WorkersوEvaluator-Optimizerرا با شرط کاربرد و نقطه شکست هرکدام تشخیص دهد. - ارتباط و تفاوت
Reflection،Tool Use،PlanningوReActرا توضیح دهد، بدون اینکه آنها را نه معماری مستقل و بدون همپوشانی فرض کند. - یک ابزار مبهم را به قرارداد خواندنیِ محدود با پارامتر مجاز، خطای مشخص و کنترل مستقل از مدل تبدیل کند.
- برای یک ایجنت پژوهشی فرضی، برگه مشخصات شامل مسیر تصمیم، ابزارها، حافظه، شرط موفقیت و شکست، سقف آزمایشی و محل بررسی انسانی بنویسد.
چرا این درس مهم است
تیم محتوای «برگ سبز» (کسبوکار ساختگی) میخواهد برای کتاب تازه، مشخصات ناشر و نقدهای قابل بررسی جمع کند. یک سازنده پیشنهاد میدهد همه کار را به پنج ایجنت بسپارند؛ نفر دوم میخواهد مسیر را با چند گره ثابت ببندد. هر دو پیش از روشنشدن ماهیت مسئله ابزار انتخاب کردهاند. مسئلهٔ واقعی این است: کدام بخش به تصمیم متغیر نیاز دارد و کدام بخش از ابتدا قابل تعیین است؟
در این درس بهجای ساخت محصول پیچیده، الگو را انتخاب و روی کاغذ مهندسی میکنی: مرحلههای ثابت را از انتخاب پویای مدل جدا میکنی، قرارداد یک ابزار خواندنی مینویسی و برای حلقه، توقف و خطا مشخص میکنی. این طراحی ورودی کارگاه مستقل «ساخت اولین ایجنت» است، نه خود پروژهٔ اجرایی.
مفاهیم کلیدی
در تعریف عملیاتی Anthropic، در Workflow مسیر اجرای اصلی را انسان با کد یا گراف تعریف میکند، ولی در Agent مدل در محدوده مجاز، با توجه به نتیجهٔ ابزار، اقدام بعدی را انتخاب میکند. این یک چارچوب مفید طراحی است، نه تقسیمبندی جهانشمول و سخت همه محصولاتsrc-anthropic-effective.
- [اصل پایدار] `Single LLM Call`: یک فراخوانی مدل برای یک کار محدود؛ الزاماً به حلقه و ابزار نیاز ندارد.
- [اصل پایدار] `Workflow`: ترتیب کلیِ گامها از پیش مشخص است؛ حتی اگر در یکی از گامها مدل تصمیمی محدود بگیرد.
- [اصل پایدار] `Agent`: مدل در یک حلقه، بر پایه خروجی ابزار، ابزار یا گام بعدی را در چارچوب مجوز انتخاب میکند.
- [اصل پایدار] پنج الگوی ترکیبی:
Prompt Chaining،Routing،Parallelization،Orchestrator-WorkersوEvaluator-Optimizer، همان پنج الگوی راهنمای Anthropic هستند. - [اصل پایدار] چهار محور آموزشی مکمل:
Reflection،Tool Use،PlanningوMulti-Agent Workflowsدر دوره DeepLearning.AI با الگوهای بالا همپوشانی دارند؛ چهار معماری جدا و ناسازگار نیستندsrc-dlai-agentic. - [استاندارد/چارچوب] `MCP` و `OWASP Agentic Top 10`: اولی پروتکل اتصال نسخهدار و دومی راهنمای ریسک است؛ هیچکدام تضمین ایمنی یا برتری محصول نیستند.
- [ابزار] `n8n AI Agent`، `$fromAI()` و `SDK`ها: پیادهسازیهای تاریخدار؛ رابط و پیشفرضها را باید پیش از اجرای کارگاه دوباره سنجید.
مدل ذهنی
نقشه شهر و راننده: در Workflow از پیش میگویی «از خیابان الف، بعد خیابان ب برو». در Agent هدف و خیابانهای مجاز را تعیین میکنی، ولی راننده پس از دیدن مانع تصمیم میگیرد کدام مسیر مجاز بعدی مناسبتر است. هیچکدام ذاتاً «هوشمندتر» یا «بهتر» نیست؛ هزینهٔ تصمیمگیری پویا باید توجیه داشته باشد.
دو پرسش تصمیمساز: آیا ترتیب/تعداد گامها پیش از دیدن داده معلوم است؟ و آیا یک تصمیم میانی به بازخورد ابزار وابسته است؟ اگر مسیر ثابت است، الگوی قطعی کافی است؛ اگر تغییر مسیر واقعاً لازم است، یک Agent محدود را آزمایش کن. کنترل مجوز، اعتبارسنجی و سقف اجرا همیشه بیرون از مدل باقی میمانند.
مرز این تشبیه: راننده از تابلو جعلی هم ممکن است گمراه شود؛ مدل نیز ممکن است متن یک سند را دستور تلقی کند. بنابراین «فقط به این متن گوش بده» در پرامپت، جای کنترل ابزار یا داده معتبر را نمیگیرد. این تهدید در prompt-injection-basics و agent-governance-permissions عمیقتر بررسی میشود.
گامبهگام
گام ۱: معماری را با کمترین پیچیدگی انتخاب کن
| ساختار | چه کسی مسیر را تعیین میکند؟ | نمونه مناسب | چه زمانی کافی نیست؟ |
|---|---|---|---|
Single LLM Call | یک فراخوانی؛ بدون انتخاب پویای ابزار | برچسبگذاری یک پیام | نیاز به شاهد یا چند مرحله وابسته |
Workflow | سازنده با گراف یا کد | استخراج فرم → کنترل فیلد → پیشنویس | ترتیب گامها به یافتهٔ نامعلوم وابسته شود |
Agent محدود | مدل در میان ابزارهای مجاز | پژوهش منبعدار با جستوجوی وابسته به نتیجه | اگر ابزار یا کنترل کافی نباشد، پیچیدگی اضافه توجیه ندارد |
قاعده طراحی: ابتدا یک فراخوانی مدل را امتحان کن؛ اگر وظیفه به مرحلههای معین نیاز داشت Workflow، و تنها اگر مسیر باز واقعاً ارزش ایجاد کرد Agent محدود انتخاب کن. وجود یک گره مدل در مسیر ثابت، آن را خودبهخود ایجنت نمیکندsrc-anthropic-effective. مبنای انتخاب عمومی ابزار در choosing-the-right-tool است؛ اینجا روی *نوع کنترل در طراحی* تمرکز میکنیم.
گام ۲: پنج الگوی Anthropic را تشخیص بده
| الگو [اصل پایدار] | چه وقت مناسب است؟ | شکست رایج و کنترل |
|---|---|---|
Prompt Chaining | مراحل وابسته و دنبالهدار | انتقال خطای مرحله اول؛ بررسی خروجی پیش از مرحله بعد |
Routing | ورودیهای متفاوت به مسیر تخصصی متفاوت نیاز دارند | طبقهبندی نامطمئن؛ مسیر «نیازمند بررسی» |
Parallelization | زیرکارها مستقلاند و میتوانند همزمان پیش روند | وابستگی پنهان؛ تجمیع و تطبیق نتیجه |
Orchestrator-Workers | تعداد و نوع زیروظایف با توجه به ورودی تعیین میشود | سربار هماهنگی؛ سقف کارگر و کار فرعی |
Evaluator-Optimizer | بازبینی با معیار بیرونیِ روشن ارزش دارد | حلقه بیپایان و داور ضعیف؛ سقف اصلاح و معیار پذیرش |
Anthropic این الگوها را بهعنوان راههای ترکیب مدل و ابزار معرفی میکند، نه پنج کلاس مستقل از ایجنت خودمختارsrc-anthropic-effective. مثلاً Parallelization با سه بررسی همیشه ثابت یک Workflow است؛ اگر هماهنگکننده در زمان اجرا خودش بخشهای تازه بسازد، ممکن است از Orchestrator-Workers بهره ببرد.
گام ۳: چهار محور مکمل را روی الگوها بنشان
| محور | کارکرد واقعی | مرز آموزشی |
|---|---|---|
Tool Use | فراخوانی ابزار با قرارداد ورودی/خروجی مشخص | امنیت از لایه اجرا میآید، نه انتخاب مدل |
Reflection | بازنگری محدود با بازخورد یا آزمون مشخص | نقد دوباره همان مدل تضمین افزایش کیفیت نیست |
Planning | پیشنهاد یا اصلاح ترتیب گامها | Plan-and-Solve پژوهش پرامپتدهی است، نه Agent Loop اجرایی |
Multi-Agent Workflows | هماهنگی چند عامل برای کار واقعاً تفکیکپذیر | برای اولین طراحی، یک عامل با ابزار محدود معمولاً مبنای سادهتری است |
ReAct نمونه پژوهشیِ چرخه «انتخاب اقدام → مشاهده نتیجه → تصمیم بعدی» است؛ مقاله اولیه در ۲۰۲۲ پیشچاپ شد و در ICLR 2023 ارائه شد. نتایج آن به وظیفه، مدل و معیار وابستهاند؛ عدد جهانی برای سقف بهینه گام از آن نتیجه نمیشودsrc-react. مقاله Plan-and-Solve در ACL 2023 درباره روش پرامپتدهی است؛ نباید آن را با Plan-and-Execute ابزارمحور یکسان دانستsrc-plan-solve.
در Reflection نیز نتایج Reflexion و Self-Refine مربوط به تنظیمات پژوهشهاست، نه تضمین عملکرد در همه کارها. اگر داور بیرونی یا معیار قابل بررسی نداری، افزایش تعداد دورها ممکن است فقط هزینه و خطا را بیشتر کندsrc-reflexionsrc-self-refine.
گام ۴: قرارداد ابزار را بیرون از مدل امن کن
ابزار بد: http_request(url, query) که مدل برای هر نشانی دلخواه درخواست میفرستد. ابزار قابل کنترل برای تمرین: fetch_allowed_document(doc_id) که فقط سندی را میخواند که شناسهاش در فهرست مجاز *همان اجرا* قرار دارد. مقدار حساس مانند شناسه کاربر، دامنه دسترسی و نشانی مقصد ثابت میماند؛ مدل اجازه تغییرش را ندارد.
نام: fetch_allowed_document
کار: خواندن متن یک سند مجاز برای پرسش همان اجرا
ورودی مدل: doc_id: string
کنترل اجرا: doc_id در allowlist اسناد بازیابیشده همین اجرا باشد
مجوز: فقطخواندنی؛ هیچ URL دلخواهی پذیرفته نشود
خروجی موفق: {status: "OK", doc_id, title, published_at, body}
خروجی ناموفق: {status: "NOT_FOUND|FORBIDDEN|ERROR", doc_id}
محدودیت: تعداد سند و حجم متن در ابزار اعمال شودگزینه $fromAI() در n8n میتواند پارامتر مشخصی از ابزار را با کمک مدل پر کند، ولی مجوز یا اعتبارسنجی نمیدهد. نوع ورودی، کاربر مجاز، حداکثر نتیجه و سطح دسترسی باید در زیرورکفلو یا سرور اعمال شوندsrc-n8n-fromai. آموزش JSON و API در json-data و http-requests، و آموزش اتصال در skills-plugins-connectors است.
گام ۵: شرط توقف، سقف و حافظه را برای یک مسئله بنویس
| وضعیت | نشانه قابل مشاهده | رفتار پیشنهادی |
|---|---|---|
ANSWERED | شاهد کافی و معتبر برای پاسخ در دست است | پایان و ارائه سند |
PARTIAL | فقط بعضی زیرسؤالها شاهد دارند | پایان با بخشهای حلنشده |
INSUFFICIENT_EVIDENCE | جستوجوی مجاز شاهد کافی پیدا نکرده | پایان بدون ادعای ساختگی |
OUT_OF_SCOPE_OR_UNSAFE | کار از دامنه یا مجوز فراتر میرود | بدون فراخوانی ابزار نامجاز توقف کن |
ERROR | ابزار خطا میدهد یا بودجه/زمان پایان یافته | کد خطا و علت را ثبت کن؛ موفقیت ادعا نکن |
برای نمونه کاغذی این درس، بهعنوان نقطه شروع آزمایش و نه استاندارد یا مقدار بهینه سقف ۲ جستوجو، ۳ سند خواندهشده و ۵ فراخوانی ابزار بگذار. علاوه بر آن در ساخت واقعی سقف زمان، تکرار خطا و مصرف را جدا پیاده کن. Max Iterations در n8n یکی از تنظیمات حلقه است و بهتنهایی سقف مالی یا شمارنده سخت فراخوانی ابزار نیستsrc-n8n-tools.
حافظه ماندگار در این نمونه لازم نیست. هر پرسش با وضعیت موقت همان اجرا بررسی شود؛ متن منبع بیرونی «داده» است، نه دستور بالادستی. خطرهای نشست مشترک و آلودگی حافظه در chatbot-memory و agent-governance-permissions آمدهاند؛ اینجا فقط تصمیم حافظه لازم است یا نه ثبت میشود.
گام ۶: مسیر ساخت آینده را بشناس؛ اینجا اجرا نمیکنی
| مسیر [ابزار؛ وضعیت ۲۰۲۶-۱۱-۰۶] | کاربرد در کارگاه | محدودیت |
|---|---|---|
بدون کد: n8n AI Agent | نمونه با ابزار فقطخواندنی و گراف دیداری | کنترل دقیق منبع/بودجه نیاز به آزمون قابلیت نسخه دارد |
کمکد: n8n + Code / زیرورکفلو | اعتبارسنجی مستقل شناسه، نقلقول و دامنه | کد کنترل هم باید تست شود |
OpenAI Agents SDKsrc-openai-agents-sdk، Claude Agent SDKsrc-claude-agent-sdk، Google ADKsrc-google-adk | آشنایی با مسیر برنامهنویسی در آینده | در این درس فقط معرفی؛ نه نصب یا تکلیف اجباری |
مستند n8n کنارگذاشتن حالتهای قدیمی گره AI Agent از نسخه 1.82.0 و برنامه مهاجرت نسخه 3.0 را شرح میدهد؛ رابط نصبشده را باید در روز کارگاه بررسی کردsrc-n8n-ai-agent. OpenAI Agent Builder با OpenAI Agents SDK یکی نیست و نباید مسیر پایدار پیشنهادی برای ساخت تازه معرفی شود؛ خاموشی آن برای ۳۰ نوامبر ۲۰۲۶ برنامهریزی شده است، نه اینکه در تاریخ این درس حتماً رخ داده باشدsrc-openai-deprecations.
مثالها
ردپای خوب فقط عمل و مشاهده را ثبت میکند و ادعای انجام را با خروجی ابزار میسنجد؛ نیازی به ثبت استدلال خصوصی مدل نیست:
گام ۱ | search_sources | نتیجه: دو شناسه مجاز دریافت شد
گام ۲ | fetch_allowed_document(DOC-1) | نتیجه: متن پیدا شد
گام ۳ | fetch_allowed_document(DOC-2) | نتیجه: NOT_FOUND
پایان | PARTIAL | یک منبع خوانده شد؛ ادعای بررسی دو سند ممنوع استپیادهسازی عملی
کارگاه طراحی روی کاغذ — ۲۰ دقیقه؛ بدون اجرای ایجنت. یک مسئله از دو مسیر زیر انتخاب کن و «برگه طراحی الگو» را کامل کن. این برگه نسخه ۰٫۱ طراحی و ورودی کارگاه مستقل ساخت ایجنت است؛ هیچ API، حساب پولی یا کلید واقعی لازم نیست.
مسیر محتوا
موقعیت (ساختگی): تیم محتوا برای هر کتاب جدید یک کارت معرفی با منابع قابل پیگیری میخواهد؛ ترتیب جستوجو در سایت ناشر و نقدها ممکن است متفاوت باشد.
- برای دریافت ورودی، ساخت قالب و کنترل خروجی، گامهای قطعی را بنویس.
- برای بخش جستوجوی پویا، دلیل استفاده از یک
Agentمحدود را بنویس؛ یک ابزار جستوجو و یک ابزار خواندن سند کافی است. - برای هر ابزار ورودی مجاز، خطای «پیدا نشد»، ممنوعیت انتشار و شرط توقف روشن بنویس.
معیار پذیرش: Agent تنها برای تصمیم واقعاً پویاست؛ منابع پیدانشده جعل نمیشوند؛ خروجی بدون انتشار خودکار آماده بررسی است.
مسیر داده
موقعیت (ساختگی): مدیر میخواهد علت کاهش فروش یک دسته کالا را بررسی کند؛ ابتدا باید اعداد محاسبه شوند و سپس بنا بر نتیجه، بعضی فرضیهها بررسی شوند.
- بخش ثابت خواندن فایل، کنترل ستون و محاسبه عدد را به
Workflowبده. - بگو آیا بررسی فرضیهها واقعاً به تصمیم پویا نیاز دارد یا همان
Workflowبا شاخه شرطی کافی است. - اگر
Agentرا انتخاب میکنی، ابزار فقطخواندنی، خروجی «علت نامطمئن» و سقف را مشخص کن.
معیار پذیرش: عدد از محاسبه بیرونی میآید؛ فرضیه بهعنوان قطعیت اعلام نمیشود؛ انتخاب مسیر با دلیل آزمونپذیر است.
قالب تحویل در همین متن: «هدف»، «چرا Workflow یا Agent»، «الگوی منتخب»، «گام ثابت/پویا»، «فهرست ابزار با ورودی/خروجی و مجوز»، «موفقیت/پایان ناقص/خطا»، «سقف پیشنهادی»، «حافظه»، «نقطه بررسی انسانی» و «دو آزمون منفی». قالب برگه مشخصات عمومی در stable-assistant-instructions معرفی شده؛ اینجا آن را فقط برای *حلقه و ابزار* تکمیل میکنی.
اشتباههای رایج
| اشتباه | چرا مشکل است؟ | تصمیم اصلاحی |
|---|---|---|
هر کار چندمرحلهای را Agent نامیدن | وجود چند گام بهتنهایی به معنای کنترل پویا نیست | ابتدا مسیر را بررسی و Workflow را امتحان کن |
| یکیدانستن پنج الگوی Anthropic با چهار محور DeepLearning.AI | طبقهبندیهای مکمل را ناسازگار نشان میدهد | الگوهای ترکیب را از تواناییها و راهبردها جدا کن |
| ساخت چند ایجنت در اولین تمرین | سربار و مرز خطا را بدون ضرورت زیاد میکند | با یک عامل محدود یا ورکفلوی ثابت شروع کن |
| اعتماد به خودانتقادی بیسقف مدل | بازخورد بیرونی و معیار کیفیت وجود ندارد | داور قابل بررسی و سقف اصلاح تعیین کن |
دادن url دلخواه به ابزار | مدل ممکن است مقصد نامجاز انتخاب کند | شناسه و دامنه مجاز را در اجرا قفل کن |
فقط Max Iterations را سقف هزینه فرض کردن | شمار گام، ابزار، زمان و هزینه یکی نیستند | چند سقف مستقل طراحی کن |
استفاده از JSON Schema بهجای کنترل ادعا | درستی شکل، صحت معنایی را ثابت نمیکند | وجود منبع و تناسب ادعا و شاهد را جدا بررسی کن |
عیبیابی
کار با وجود سه بررسی مستقل، گاهی طولانی و گران میشود.
سازنده از چند عامل گفتوگوکننده استفاده کرده؛ در حالی که بررسیها مستقل و ثابتاند.
بپرس آیا تعداد و نوع زیروظایف پیش از اجرا معلوم است؛ اگر بله، هماهنگکننده پویا ضروری نیست.
Parallelization یا Workflow ثابت را جایگزین کن و خروجیها را با قاعده مشخص ادغام کن.
ایجنت پس از «منبع پیدا نشد» همان جستوجو را تکرار میکند.
حالت ناموفق و سقف تلاش در قرارداد ابزار روشن نیست.
دنباله یکسان tool_name + arguments + status را در لاگ پیدا کن.
خروجی NOT_FOUND، سقف تلاش و وضعیت INSUFFICIENT_EVIDENCE تعریف کن.
قرارداد ابزار محدود است ولی نتیجه حاوی سند خارج از دامنه میشود.
محدودیت فقط در متن دستور مدل آمده یا شناسه منبع در لایه اجرا بررسی نشده است.
ورودی ابزار، شناسه مجاز و domain_scope واقعی همان اجرا را مقایسه کن.
در سرور یا زیرورکفلو، فهرست مجاز و هویت دسترسی را بررسی و درخواست نامجاز را رد کن.
پاسخ از نظر JSON معتبر است ولی استناد نادرست دارد.
کنترل Schema شکل را پذیرفته، اما متن منبع و نسبت ادعا به شاهد سنجیده نشده است.
برای هر ادعا، وجود شناسه سند در داده بازیابیشده و وجود نقلقول در متن همان سند را بررسی کن.
کنترل ساختاری و کنترل معنایی را جدا اجرا کن؛ موارد بدون شاهد را ناقص یا نامطمئن اعلام کن.
ایمنی و حریم خصوصی
تمرین کوتاه
تمرین · 10 دقیقه
موقعیت ساختگی: سه کار داری: (۱) برچسبگذاری پیام کوتاه، (۲) استخراج فرم و ساخت پیشنویس با کنترل میانمرحلهای، (۳) پژوهش درباره یک موضوع که معلوم نیست کدام سند بعدی لازم است. سپس یک ابزار نامناسب read_any_url(url) در اختیار طرح سوم قرار گرفته است.
کار: برای هر کار بین Single LLM Call، Workflow و Agent انتخاب کن؛ برای مورد سوم الگوی غالب، یک پارامتر خطرناک ابزار و یک شرط توقف ناموفق را بنویس.
معیار پذیرش: هر سه انتخاب با دلیل، شناسایی خطر نشانی دلخواه، ارائه ابزار محدود به سند مجاز و نامبردن خروجی INSUFFICIENT_EVIDENCE.
راهحل نمونه
- کار ۱:
Single LLM Call، چون بدون حلقه به یک خروجی محدود میرسد. - کار ۲:
WorkflowباPrompt Chainingو دروازه کنترل قطعی، چون ترتیب کار مشخص است. - کار ۳: یک
Agentمحدود باTool Use/چرخهReAct، چون انتخاب سند دوم وابسته به نتیجه اول است. - ابزار
read_any_url(url)اجازه مقصد دلخواه میدهد؛ بهجایشfetch_allowed_document(doc_id)با فهرست شناسه مجاز همان اجرا. - اگر هیچ شاهد کافی بازیابی نشد یا سقف تمام شد،
INSUFFICIENT_EVIDENCEو توضیح محدودیت، بدون ادعای منبع ساختگی.
چالش
تمرین · 30 دقیقه
مسئله (ساختگی): تیم آموزش یک پاسخیار پژوهشی برای مطالعه آییننامههای داخلی میخواهد. برخی سؤالها با یک سند حل میشوند، بعضی سؤالها برای مقایسه به چند سند نیاز دارند. داده واقعی یا محرمانه وارد نکن؛ همین توصیف کافی است.
- یک معماری اولیه انتخاب کن و بگو کدام گامها قطعی و کدام یک واقعاً پویا هستند.
- از پنج الگوی Anthropic یک الگوی غالب و یک الگوی نامناسب برای این کار انتخاب کن و دلیل بنویس.
- یک ابزار فقطخواندنی با نام، ورودی، خروجی، وضعیت «پیدا نشد»، فهرست سند مجاز و محدودیت حجم تعریف کن.
- پایان موفق، پایان ناقص، توقف نامجاز، دو سقف آزمایشی مستقل و تصمیم حافظه را ثبت کن.
- دو تست طراحی کن: یکی وقتی شاهد کافی نیست، دیگری وقتی متن سند تلاش میکند دستور ایجنت را تغییر دهد.
تحویل: یک صفحه برگه طراحی الگو؛ این چالش پروژه ساخت ایجنت نیست و نباید خروجی اجرایی یا پاسشدن تست ادعا شود.
- معیار پذیرش: دلیل روشن برای ثابت/پویا بودن هر گام.
- الگوی منتخب با نوع مسئله سازگار و الگوی ردشده با دلیل باشد.
- دامنه و پارامتر ابزار مستقل از متن مدل کنترل شوند.
- موفقیت، شکست و نبود شاهد خروجیهای جدا داشته باشند.
- هیچ مجوز نوشتن یا داده شخصی واقعی در طرح نباشد.
راهحل نمونه
نمونه پاسخ، نه پاسخ انحصاری: یک Workflow ثابت برای اعتبارسنجی سؤال و قالب خروجی، و یک Agent فقطخواندنی برای انتخاب سند بعدی. اگر در بررسی داده مشخص شود همه سؤالها به دو گام ثابت نیاز دارند، به Workflow صرف برگرد.
- الگوی غالب برای بخش پویا:
Tool Useبا چرخه محدود اقدام/مشاهده؛Orchestrator-Workersچندعاملی در این مقیاس لازم نیست. - ابزار:
fetch_allowed_document(doc_id)باdoc_idتاییدشده، سقف حجم و خروجیNOT_FOUND. - پایان:
ANSWEREDهمراه با منبع، یاINSUFFICIENT_EVIDENCE؛ خارج از دامنهOUT_OF_SCOPE_OR_UNSAFE. - سقفهای فرضی تمرین: حداکثر ۳ سند و ۵ فراخوانی ابزار؛ مقدار بهینه ادعا نشود.
- تست منفی: سؤال بدون سند باید بیاستناد متوقف شود؛ دستور داخل متن سند نباید مسیر یا مجوز را تغییر دهد.
پرسشهای سنجش
جمعبندی
- پنج الگوی Anthropic روشهای ترکیب
Workflowهستند؛ همه آنها معادل ایجنت خودمختار نیستند. - چهار محور
Reflection،Tool Use،PlanningوMulti-Agent Workflowsبا پنج الگو همپوشانی دارند. - مدل فقط در دامنه ابزاری تصمیم میگیرد که اجرا آن را مجاز کرده است؛
JSONو متن دستور، مجوز یا راستیآزمایی واقعی نیستند. - شرط توقف شامل موفقیت، خروجی ناقص، نبود شاهد، خطا و خروج از دامنه است؛ سقف گام، ابزار، زمان و هزینه مستقلاند.
- منطق پایدار را از ویژگی نسخهپذیر
n8nوSDKجدا کن؛ مقدارهای نمونه، اعداد آزمایشیاند نه بهینه علمی. - پاسخ درست گاهی «این کار
Agentنمیخواهد» است؛ نتیجه این درس برگه طراحی است نه اجرای پروژه.
قدم بعدی: کارگاه مستقل ساخت ایجنت
برگه طراحی این درس را برای کارگاه مستقل ساخت اولین ایجنت نگه دار. آنجا گراف و کنترلهای واقعی ساخته و آزمایش میشوند؛ building-first-agent-project در این فایل بهعنوان درس تعریف نشده است. پیشنیازهای مرور: autonomous-agents، delegating-to-ready-agents، n8n-workflows، llm-workflow-patterns؛ آزمون پیشرفته در agent-evals است.
پرسشهای سنجش
کدام گزاره درباره پنج الگوی Anthropic و مفهوم `Agent` درست است؟
- هر پنج الگو الزاماً پنج ایجنت مستقل و خودمختار هستند.
Parallelizationمیتواند یکWorkflowثابت باشد؛ الگوها را نباید همگی ایجنت خودمختار نامید.- هر سامانهای که از مدل استفاده کند، ایجنت است.
Routingفقط وقتی ممکن است که چند مدل متفاوت داشته باشیم.
پاسخ نمونه و معیار ارزیابی
- a ← بعضی الگوها مسیر کاملاً ثابت دارند.
- c ← حضور مدل بهتنهایی ملاک ایجنت نیست.
- d ← مسیریابی میتواند بین پرامپت، ابزار یا روندهای متفاوتِ یک مدل انجام شود.
در یک طرح، سه بررسی ثابتِ «منبع، عدد، قالب» را به سه ایجنت مستقل و یک هماهنگکننده پویا دادهاند. اشکال احتمالی و جایگزین سادهتر چیست؟
طرح فعلی: Orchestrator → Agent-A(منبع) + Agent-B(عدد) + Agent-C(قالب) → پاسخ وظایف: هر بار دقیقاً همین سه بررسی ثابتاند.
پاسخ نمونه و معیار ارزیابی
چون سه بررسی از ابتدا معلوم و مستقلاند، Parallelization در یک Workflow ثابت احتمالاً کافی است. چند ایجنت و هماهنگکننده پویا سربار اضافه میکنند؛ نتیجهها باید با قاعده معلوم تجمیع و اختلافها گزارش شود.
- ثابت و مستقل بودن سه زیروظیفه را تشخیص میدهد (1 امتیاز)
ParallelizationیاWorkflowثابت را پیشنهاد میکند (1 امتیاز)- نیاز به قاعده ادغام/کنترل ناسازگاری را ذکر میکند (1 امتیاز)
ابزار `fetch_any_url(url)` به مدل اجازه خواندن هر نشانی اینترنتی را میدهد. برای ایجنت پژوهش فقطخواندنی، یک قرارداد قابلکنترل پیشنهاد کن. آیا دستور «نشانی نامجاز را نخوان» کافی است؟
پاسخ نمونه و معیار ارزیابی
کافی نیست. ابزار را به fetch_allowed_document(doc_id) تغییر بده؛ doc_id از فهرست اسناد مجاز بازیابیشده همان اجرا باشد. شناسه حساب/دامنه و حد نتایج در اجرا قفل و کنترل شود؛ ابزار خروجی OK یا NOT_FOUND/FORBIDDEN بدهد.
- توضیح میدهد که دستور مدل بهتنهایی مجوز یا کنترل نیست (1 امتیاز)
- ورودی محدود و فهرست مجاز همان اجرا را تعریف میکند (1 امتیاز)
- خروجی/خطای مشخص و اعمال کنترل بیرون از مدل را ذکر میکند (1 امتیاز)
دو طراحی پیشنهادی داریم: (الف) زنجیره سهمرحلهایِ ازپیشمعلوم، (ب) ایجنتی که پس از هر جستوجو سند بعدی را انتخاب میکند. برای هرکدام چه معماری مناسبتر است و در چه شرایطی `Evaluator-Optimizer` ارزش اضافهکردن دارد؟
پاسخ نمونه و معیار ارزیابی
برای (الف) Prompt Chaining در Workflow ثابت؛ برای (ب) یک Agent محدود با Tool Use و توقف مشخص. Evaluator-Optimizer فقط زمانی ارزش دارد که معیار داوری قابل بررسی، بودجه بازبینی و راه تشخیص بهبود وجود داشته باشد، نه صرفاً برای تکرار نظر مدل.
- الگوی ثابت را برای (الف) درست انتخاب میکند (1 امتیاز)
- ضرورت انتخاب پویا و مهار آن را در (ب) توضیح میدهد (1 امتیاز)
- داور روشن و سقف بازبینی را برای
Evaluator-Optimizerشرط میگذارد (1 امتیاز)
برای یک ایجنت پژوهشی کاغذی، شرط توقف موفق، بدون شاهد و خارج از دامنه را همراه دو سقف مستقل و تصمیم درباره حافظه بنویس. عددها را «مقدار آزمایشی» بنام.
پاسخ نمونه و معیار ارزیابی
موفق: ANSWERED فقط با شاهد معتبر. نبود شاهد: INSUFFICIENT_EVIDENCE با توضیح نقص و بدون ادعای ساختگی. درخواست نامجاز: OUT_OF_SCOPE_OR_UNSAFE بدون ابزار نامجاز. نمونه سقف آزمایشی: ۵ فراخوانی ابزار و خواندن ۳ سند؛ در اجرا سقف زمان/هزینه هم جدا کنترل شود. برای پرسشهای مستقل حافظه ماندگار خاموش باشد.
- موفقیت، نبود شاهد و خروج از دامنه را با وضعیت متمایز و قابل مشاهده مشخص میکند (1 امتیاز)
- دو سقف مستقل و عدددار را با قید آزمایشی مینویسد (1 امتیاز)
- دلیل روشن برای نبود حافظه ماندگار میدهد (1 امتیاز)
ابزارها و جایگزینها
- ویرایشگر متن — رسم نقشه الگوها و پرکردن برگه مشخصات؛ بدون اتصال به حساب واقعی — Google Docs — Notepad — یک فایل Markdown محلی
- جدول یا صفحهگسترده — مقایسه معماریها و ثبت نتیجه تصمیمها در تمرین — Excel — Google Sheets — جدول روی کاغذ
منابع
Building effective agents Anthropic 2024-12-19; بررسی در ممیزی 2026-11-06؛ یادداشت مهندسی رسمی، داوری دانشگاهی ندارد
Agentic AI DeepLearning.AI بررسی در ممیزی 2026-11-06؛ دوره آموزشی رسمی، مقاله داوریشده نیست
ReAct: Synergizing Reasoning and Acting in Language Models Yao et al. / ICLR 2022-10-06: preprint؛ 2023: مقاله کنفرانسی ICLR؛ یافتهها محدود به آزمونها و مدلهای مطالعهشده
Plan-and-Solve Prompting: Improving Zero-Shot Chain-of-Thought Reasoning by Large Language Models Wang et al. / ACL 2023-07؛ مقاله داوریشده ACL؛ درباره پرامپتدهی نه حلقه ابزار
Reflexion: Language Agents with Verbal Reinforcement Learning Shinn et al. / NeurIPS 2023؛ مقاله داوریشده NeurIPS؛ نسخه preprint قدیمیتر نیز دارد
Self-Refine: Iterative Refinement with Self-Feedback Madaan et al. / NeurIPS 2023؛ مقاله داوریشده NeurIPS؛ نتایج روی هفت وظیفه پژوهش
AI Agent node n8n Docs بررسی در ممیزی 2026-11-06؛ مستند رسمی پویا و نسخهپذیر، مقاله داوریشده نیست
Tools Agent n8n Docs بررسی در ممیزی 2026-11-06؛ مستند رسمی نسخهپذیر، مقاله داوریشده نیست
Use the $fromAI() function n8n Docs بررسی در ممیزی 2026-11-06؛ راهنمای فنی رسمی، مقاله داوریشده نیست
OWASP Top 10 for Agentic Applications for 2026 OWASP GenAI Security Project 2025-12-09؛ چارچوب مرجع امنیتی، نه گواهی انطباق یا مقاله داوریشده
API Deprecations — Agent Builder OpenAI Developers 2026-06-03 اعلام کنارگذاری؛ 2026-11-30 تاریخ برنامهریزیشده خاموشی؛ مستند رسمی، داوریشده نیست
OpenAI Agents SDK OpenAI بررسی در ممیزی 2026-11-06؛ مستند SDK رسمی پویا، مقاله داوریشده نیست
Claude Agent SDK Overview Anthropic بررسی در ممیزی 2026-11-06؛ مستند SDK رسمی پویا، مقاله داوریشده نیست
Agent Development Kit (ADK) Google Cloud بررسی در ممیزی 2026-11-06؛ مستند SDK رسمی پویا، مقاله داوریشده نیست