انواع لایه های مورد نیاز برنامه نویسی هوش مصنوعی عامل محور Agentic AI:
Transformers
Context Window
Tokenization
Reasoning
Structured Output
Function/Tool Calling
Embeddings
Reranking
Quantization
Local LLM, Ollama
Cloud LLM APIs
Model Routing
ReAct
Planning
Reflection
Self-Correction
Tool Use
Memory
Goal-oriented Agents
Autonomous Agents
Stateful Agents
و هم چنین مفاهیمی همچون Single Agent, Agent + Tools, Multi-Agent, Hierarchical Multi-Agent, Agent Swarm, Agentic Workflow
LangGraph
Microsoft Agent Framework
CrewAI
Google ADK
OpenAI Agents SDK
Sequential
Parallel
Conditional
Router
Supervisor
Handoff
Fan-out / Fan-in
Human-in-the-loop
Event-driven
Long-running workflows
Database
REST API
File System
Browser
Python
Git
ERP
CRM
Cloud
External Services
Documents
Parsing
Chunking
Embedding
Vector DB
Hybrid Search
Reranking
Context Construction
LLM
Hybrid RAG
Graph RAG
Agentic RAG
Multi-hop RAG
Query Expansion
Reranking
Metadata Filtering
Redis
PostgreSQL
Vector DB
Graph DB
Object Storage
Files
Authentication
Authorization
RBAC
ABAC
OAuth2
JWT
Secrets Management
Prompt Injection
Tool Injection
Data Leakage
PII Protection
Tenant Isolation
Sandboxing
Tool Permissions
OpenTelemetry
LangSmith
Tracing
Metrics
Logging
Evaluation
LLM-as-a-Judge
Benchmarking
Regression Testing
FastAPI
AsyncIO
Redis
PostgreSQL
Message Queue
Kafka / RabbitMQ
Docker
Kubernetes
Load Balancing
Caching
Rate Limiting
Circuit Breaker
Retries
Timeouts
Horizontal Scaling
Docker
Kubernetes
Service Architecture
Distributed Agents
Cloud Deployment
Azure
AWS
Google Cloud
Router Agent
Supervisor Agent
Planner-Executor
Critic-Reviewer
Generator-Critic
Human Approval
Handoff
Debate
Parallel Agents
Sequential Agents
Map-Reduce Agents
Reflection
Self-Healing
Event-Driven Agents
برای موارد حساس بسیار ضروری است.
Agent ها ممکن است در حین اجرا :
Tool اشتباه انتخاب کنند
اطلاعات غلط تولید کنند
در Loop گیر کنند
بیش از حد Tool فراخوانی کنند
Context را پر کنند
API را چند بار صدا بزنند
هزینه زیادی ایجاد کنند
Timeout شوند
پاسخ متناقض بدهند.
بنابراین بایستی از امکانات زیر برخوردار باشند:
Retry
Timeout
Fallback
Circuit Breaker
Budget Limit
Token Limit
Step Limit
Loop Detection
Error Recovery
Dead Letter Queue
موارد زیر بایستی مدیریت و کنترل شود:
Token Cost
Latency
Number of LLM Calls
Number of Tool Calls
Cache Hit Rate
Model Selection
معمولا به شکل زیر:
Simple Task → Small/Fast Model
Complex Reasoning → Large Model
Embedding → Embedding Model
Classification → Small Model
چون مسئله فقط نوشتن Prompt خوب نیست. باید تصمیم بگیرید:
چه اطلاعاتی؟
از کجا؟
در چه زمانی؟
با چه اولویتی؟
چه مقدار؟
برای کدام Agent؟
برای مثال :
Who can see what?
Who can call which tool?
Which data can leave the organization?
Which model can process which data?
How long is memory retained?
پس مفاهیمی مانند:
Data Classification
Data Residency
Audit Trail
Retention
PII
Tenant Isolation
Access Policies
مهم میشوند.
تست برنامه های عامل محور از برنامه ها معمولی بسیار سخت تر است چرا که ممکن است در هر بار اجرا شرایط تصمیم گیری متفاوت باشد و باید تست کنید:
Did Agent choose correct tool?
Did it respect permissions?
Did it recover from failure?
Did it hallucinate?
Did it stop?
Did it ask for approval?
Did it leak information?
Did it stay within budget?
بنابراین:
Unit Tests
Integration Tests
Scenario Tests
Agent Evaluation
Security Tests
Load Tests
Regression Tests
Red-Team Tests
لازم میشوند.
Agent OS را میتوان «سیستمعامل منطقی Agentها» در نظر گرفت. البته باید دقت شود که در حال حاضر «Agent OS» یک محصول واحد و استانداردشده مثل Windows یا Linux نیست؛ بیشتر یک معماری/دسته مفهومی برای زیرساخت اجرای Agentهاست. در یک Agent OS باید بتوان:
Create Agent
Start Agent
Stop Agent
Pause Agent
Resume Agent
Schedule Agent
Monitor Agent
Authenticate Agent
Authorize Agent
Store Agent State
Manage Agent Memory
Communicate with Agent
Audit Agent
Terminate Agent
بنابراین:
Agent
Memory
Tools
Identity
Tasks
Events
Policies
Communication
Governance
سئوال : چرا مهم است؟
جواب : فرض کنید Enterprise شما 1000 Agent دارد.
پس بایستی بدانید که هر یک از آنها چه میکند:
Agent #987
Who owns it?
What permissions?
Which model?
Which tools?
What memory?
What tasks?
What is its current state?
How much did it cost?
Is it healthy?
What events is it subscribed to?
اینجاست که مفهوم Agent OS اهمیت پیدا میکند.
A2A یعنی Agent بتواند با Agent دیگری ارتباط برقرار کند. به جای اینکه یک Agent همه کارها را انجام دهد، هر Agent تخصص خودش را دارد. همچنین هر Agent میتواند Agent دیگری را فراخوانی کند. همچنین میتوان مشخص نمود که یک Agent مدیریت، نظارت و کنترل سایر Agent ها را بر عهده گیرد.
در اکثر محیطها بسیاری از اتفاقات بدون درخواست مستقیم کاربر رخ میدهند. که دارای معماری و طراحی خاص خود هستند:
مزیت:
Loosely coupled
Scalable
Asynchronous
Fault tolerant
Real-time
فناوریهای رایج این حوزه شامل موارد زیر هستند:
Kafka
RabbitMQ
NATS
Redis Streams
Cloud event buses
فرض کنید کاربر بگوید: یک گزارش کامل از 10,000 مشتری تهیه کن. این کار ممکن است ساعت ها و یا حتی روزها طول بکشد.
پس نمیتوان Sessionها برای مدت زیادی باز نگهداشت. و بایستی از Agent works asynchronously و Checkpoint و Persist State استفاده نمود که در صورت Crash سیستم، قابل بازیابی و ادامه کار دنبال شود.
اگر Agent بتواند:
Database بخواند
Email ارسال کند
Payment انجام دهد
فایل حذف کند
باید بدانیم، این Agent دقیقاً چه کسی است؟
مثلاً:
Agent:
Finance-Approval-Agent
Identity:
agent-9f81...
Owner:
Finance Department
Permissions:
READ invoices
READ customers
APPROVE payments < $10,000
این مشابه Identity برای User است.
Governance یعنی: چه Agentی، چه کاری، با چه دادهای، تحت چه قوانینی و با چه محدودیتهایی میتواند انجام دهد؟
مثلاً سازمان بگوید:
Research Agent
✓ Internet
✓ Public Data
✗ Customer Database
✗ Payment
Finance Agent
✓ Finance DB
✓ Invoice System
✗ HR Data
HR Agent
✓ Employee Database
✗ Financial Transactions
این Policyها باید قابل اجرا و قابل Audit باشند.
وقتی تعداد Agentها زیاد شود، Agent باید بتواند Agent مناسب را پیدا کند.
مثلاً:
User:
Investigate company finance?
Orchestrator
Agent Discovery
Find:
Financial Analysis Agent
A2A
Financial Agent
این یعنی Dynamic Agent Discovery.
در چنین سیستمی باید بتوانیم Trace کنیم:
User ↓ Agent A ↓ A2A → Agent B ↓ MCP → Database ↓ LLM ↓ Event ↓ Agent C ↓ Final Response
و تمام این مسیر باید قابل مشاهده باشد.
مثلاً:
Trace ID: 84A91 Agent A 1.2 sec Agent B 4.7 sec MCP Tool 0.8 sec LLM 3.2 sec Database 0.3 sec Total 10.2 sec
در آینده حتی میتوان Agent را مانند یک سرویس مصرف کرد:
Invoice Agent $0.02 / invoice Research Agent $0.10 / task Legal Analysis Agent $0.50 / document
بنابراین Marketplace میتواند شامل موارد زیر باشد:
Pricing
Usage Metering
Subscription
Quota
Billing
Rating
SLA
یک Agent Enterprise باید Lifecycle داشته باشد:
DESIGN ↓ DEVELOPMENT ↓ TESTING ↓ SECURITY REVIEW ↓ APPROVAL ↓ REGISTRY ↓ DEPLOYMENT ↓ PRODUCTION ↓ MONITORING ↓ VERSION UPDATE ↓ DEPRECATION ↓ RETIREMENT
این موضوع بسیار مهم است و در پروژههای واقعی نباید فراموش شود.
حالا همه را کنار هم بگذاریم، به نظر این معماری جامعترین تصویری است که میتوان پیشنهاد داد:
┌──────────────────┐ │ USERS │ └────────┬─────────┘ │ ▼ ┌──────────────────┐ │ Agent Gateway │ └────────┬─────────┘ │ ┌────────────────▼─────────────────┐ │ AGENT OS │ │ │ │ Identity │ │ Registry │ │ Scheduler │ │ Memory │ │ Lifecycle │ │ Policy Engine │ │ Governance │ │ Observability │ └────────────────┬─────────────────┘ │ ┌─────────────┼─────────────┐ ▼ ▼ ▼ Agent A Agent B Agent C │ │ │ └──────── A2A ┴─────────────┘ │ ┌────────────┴────────────┐ ▼ ▼ MCP Events │ │ ┌──────┼──────┐ ▼ ▼ ▼ ▼ Event Bus DB APIs SaaS │ ▼ Long-Running Jobs │ ▼ Checkpoints │ ▼ Human Approval │ ▼ Final Action ┌────────────────────────────────────┐ │ AGENT MARKETPLACE │ │ │ │ Discover / Install / Version │ │ Security / Rating / Billing │ └────────────────────────────────────┘
و نهایتاً:
ENTERPRISE │ ┌──────▼──────┐ │ Agent OS │ └──────┬──────┘ │ ┌────────────────┼────────────────┐ │ │ │ Agent Registry Identity Governance │ │ │ └────────────────┼────────────────┘ │ Agent Marketplace │ ┌────────┴────────┐ │ │ A2A MCP │ │ Agent Network Tool Network │ │ └────────┬────────┘ │ Event Architecture │ Long-Running Agents │ Human-in-Loop │ Observability │ Security │ Enterprise Data