کتاب Build an AI Agent (From Scratch) (یک عامل هوش مصنوعی بسازید (از صفر)) نوشتهٔ جونگجون هور و یونگهی سونگ، یک راهنمای گام‌به‌گام و عملی برای ساخت یک عامل هوش مصنوعی (AI Agent) از پایه‌ترین سطح تا یک سیستم کامل و قابل‌استفاده در دنیای واقعی است.
جهت دانلود کتاب Build an AI Agent (From Scratch) می‌توانید از لینک زیر استفاده کنید:
faghatketab.ir/product/build-an-ai-agent/
مقدمه‌ای بر کتاب Build an AI Agent (From Scratch):
«راهنمایی کاربردی برای هر کسی که می‌خواهد از مرحله دموها فراتر برود و با اطمینان، سیستم‌های عامل‌محور (Agentic) بسازد.»
— الیوت کیم، شرکت Coupang
این کتاب سفری جذاب و گام‌به‌گام در مسیر طراحی، توسعه و استقرار یک سیستم متشکل از عامل‌های مستقل هوش مصنوعی (AI Agents) است. نویسندگان، Jungjun Hur و Younghee Song، مفاهیم را مرحله‌به‌مرحله آموزش می‌دهند و شما را در فرآیند ساخت یک عامل پژوهشی پیشرفته با زبان Python همراهی می‌کنند؛ عاملی که برای حل مسائل پیچیده و چندمرحله‌ای طراحی شده و از معیار ارزیابی سخت‌گیرانه GAIA (General AI Assistants) استفاده می‌کند.
با مشاهده ساخت این سیستم از ابتدا تا انتها، درک عمیقی از سازوکارهای زیربنایی آن به دست خواهید آورد؛ بدون اینکه جزئیات فنی پشت کتابخانه‌ها و چارچوب‌های آماده و اصطلاحاً «جعبه سیاه» پنهان شده باشند.
کتاب Build an AI Agent (From Scratch) شامل ۱۰ فصل جامع و یک پیوست کاربردی درباره نحوه دریافت کلید API اوپن‌ای‌آی (OpenAI API Key) است. توضیحات فنی کتاب با استفاده از نمودارها و تصاویر آموزشی متعدد، به شکلی بسیار شفاف ارائه شده‌اند. همان‌طور که یکی از منتقدان کتاب اشاره کرده است، حتی برای کسی که برای نخستین بار در حال ساخت یک Agent است، «بعد از چند فصل اول، دیگر هیچ چیز جادویی یا مبهم به نظر نمی‌رسد!»
در ابتدای کتاب Build an AI Agent (From Scratch)، با تفکیک میان گردش‌کارهای سخت و از پیش تعریف‌شده توسط توسعه‌دهنده و حلقه‌های واقعی Agent که توسط LLM هدایت می‌شوند، معماری پایه Agent خود را شکل خواهید داد. سپس یاد می‌گیرید چگونه APIهای بدون حالت (Stateless) را مدیریت کنید، با استفاده از Pydantic خروجی‌های ساختاریافته و قابل کنترل ایجاد کنید و فراخوانی پویا و هوشمند ابزارها (Dynamic Tool Calling) را پیاده‌سازی کنید.
یکی از مفاهیم محوری کتاب Build an AI Agent (From Scratch)، مهندسی زمینه (Context Engineering) است؛ رویکردی که به ساختاردهی سیستماتیک اطلاعات می‌پردازد تا از فرسایش زمینه (Context Rot) و پدیده Lost in the Middle جلوگیری شود.
یکی از داوران فنی کتاب نیز از این موضوع استقبال کرده است که مفاهیم کلیدی مانند حلقه‌های Agent، مهندسی زمینه و ارزیابی، نه به‌عنوان مفاهیمی انتزاعی و جدا از هم، بلکه همراه با انگیزه روشن، مثال‌های کاربردی و توضیحات عملی معرفی شده‌اند.
پس از ساخت Agent پایه، به‌تدریج قابلیت‌های آن را گسترش می‌دهید. در این مسیر، جست‌وجوی سفارشی وب، کاوش سیستم فایل محلی و RAG مبتنی بر بردار (Vector-based RAG) را به Agent اضافه می‌کنید تا بتواند با داده‌های پیچیده کار کند.
همچنین یاد می‌گیرید چگونه به Agent امکان یادآوری شکست‌های گذشته را بدهید و با استفاده از بهینه‌سازی سلسله‌مراتبی زمینه (Hierarchical Context Optimization) و حافظه بلندمدت (Long-term Memory)، وضعیت و اطلاعات آن را به شکل مؤثرتری حفظ کنید. در طول این مسیر، با Model Context Protocol (MCP) نیز آشنا می‌شوید و یاد می‌گیرید چگونه Agent خود را به‌صورت یکپارچه به ابزارها و سرورهای خارجی متصل کنید.
فصل‌های بعدی وارد مباحث پیشرفته‌تر می‌شوند. برای جلوگیری از توهم (Hallucination) یا گرفتار شدن Agent در حلقه‌های تکراری هنگام انجام وظایف پیچیده، برنامه‌ریزی صریح و بازاندیشی رویه‌ای (Procedural Reflection) را پیاده‌سازی خواهید کرد.
سپس با پارادایم Code-Act آشنا می‌شوید؛ رویکردی که به Agent امکان می‌دهد در محیط‌های ابری ایزوله و امن (Sandboxed)، اسکریپت بنویسد، دستورات CLI را اجرا کند و ابزارها را به‌صورت پویا با یکدیگر ترکیب کند.
در نهایت، پروژه خود را از یک Agent منفرد به یک معماری چندعاملی (Multi-Agent) ارتقا می‌دهید. این کار با استفاده از پروتکل A2A انجام می‌شود؛ به‌گونه‌ای که وظایف تخصصی به Sub-Agentهای مجزا و ایزوله سپرده می‌شوند تا بهره‌وری استفاده از توکن‌ها به حداکثر برسد.
از آنجا که Agentهای بسیار خودمختار می‌توانند در دنیای واقعی با ریسک‌های مختلفی همراه باشند، کتاب با ارائه یک فرآیند دقیق برای مشاهده‌پذیری (Observability) و ارزیابی (Evaluation) به پایان می‌رسد.
در این بخش، یک سیستم خودکار LLM-as-a-Judge را با استفاده از OpenTelemetry پیاده‌سازی می‌کنید تا بتوانید مسیر عملکرد Agent و خروجی‌های آن را ردیابی، ارزیابی و به‌طور مستمر بهبود دهید.
با ساخت تمام لایه‌های سیستم از پایه، این کتاب به خواننده کمک می‌کند تا درکی عمیق، عملی و واقعی از سازوکارهای هوش مصنوعی و سیستم‌های Agentic به دست آورد.
ساخت یک Agent مستقل و خودمختار در Python از ابتدا تا انتها، بدون استفاده از چارچوب‌های آماده
پیاده‌سازی و یکپارچه‌سازی قابلیت‌های پیشرفته مانند MCP، RAG مبتنی بر بردار، حافظه بلندمدت و اجرای ایزوله کد
طراحی و مدیریت سیستم‌های چندعاملی و ایجاد فرآیندهای خودکار ارزیابی LLM-as-a-Judge
این کتاب برای توسعه‌دهندگان Python طراحی شده است که دانش اولیه‌ای از یادگیری ماشین دارند و می‌خواهند سیستم‌های Agentic را بدون وابستگی به کتابخانه‌های انتزاعی بسازند و سازوکار آن‌ها را عمیقاً درک کنند.
Jungjun Hur یک مهندس مستقل هوش مصنوعی و داده است که در زمینه ساخت سیستم‌های Agentic برای تجارت الکترونیک تخصص دارد. او نویسنده کتاب Practical AI Application Development Using LLMs نیز هست.
Younghee Song مشاور هوش مصنوعی در شرکت PricewaterhouseCoopers (PwC) است.
هر دو نویسنده در کره جنوبی زندگی و فعالیت می‌کنند.
بخش اول
Agent هوش مصنوعی چیست؟
مغز Agentهای هوش مصنوعی: مدل‌های زبانی بزرگ (LLM)
امکان انجام اقدامات: استفاده از ابزارها (Tool Use)
پیاده‌سازی یک Agent پایه با معماری ReAct
بخش دوم
ساخت پایگاه‌های دانش با استفاده از RAG
افزودن حافظه به Agent
برنامه‌ریزی و بازاندیشی برای انجام وظایف پیچیده
توانمندسازی Agentها با اجرای کد
مدیریت و هماهنگ‌سازی سیستم‌های چندعاملی
ارزیابی Agentها
پیوست
A. کلید API اوپن‌ای‌آی
