AI Agent چیست؟ مبانی، تفاوت با ChatGPT و حلقه‌ی کاری

در سال ۲۰۲۶ همه از «AI Agent» حرف می‌زنند، اما دقیقاً چه فرقی با ChatGPT دارد؟ چرا یک مدل زبانی به‌تنهایی کافی نیست و چطور به یک «عامل» تبدیل می‌شود؟ در این مقاله، مبانیِ عامل‌های هوش مصنوعی را از پایه روشن می‌کنیم: از محدودیت‌های LLM تا اجزای یک Agent و حلقه‌ی کاری‌اش.

LLM چیست و چرا کافی نیست؟

برای فهمِ اینکه چرا Agentها به‌وجود آمدند، اول باید دقیق بدانیم یک LLM چه می‌کند — و مهم‌تر، چه نمی‌تواند بکند.

ChatGPT دقیقاً چگونه کار می‌کند؟

در قلبِ ChatGPT (و هر LLM دیگری) یک مکانیزم فریبنده‌ساده قرار دارد: پیش‌بینیِ توکنِ بعدی (next-token prediction). مدل یک دنباله از توکن‌ها (context) را می‌گیرد و یک توزیع احتمال روی توکنِ بعدی تولید می‌کند؛ یک توکن نمونه‌برداری می‌شود، به انتهای متن اضافه می‌شود، و این چرخه تکرار می‌شود — توکن به توکن. مدل با یادگیریِ خودنظارتی روی حجم عظیمی از متن آموزش دیده تا احتمالِ ادامه‌ی درست را بالا ببرد.

از همین طراحیِ ساده، دو ویژگیِ سرنوشت‌ساز بیرون می‌آید:

• بی‌حالتی (Statelessness): رفتار مدل فقط به «پنجره‌ی متنِ فعلی» و وزن‌های ثابتش وابسته است. هیچ حالتی بین دو فراخوانیِ API در خودِ مدل باقی نمی‌ماند. به‌همین‌دلیل APIهای LLM ذاتاً بدونِ حالت هستند؛ در هر درخواست، کلِ تاریخچه دوباره فرستاده می‌شود.
• دانشِ منجمد: هرچه مدل «می‌داند» در زمان آموزش در وزن‌هایش پخته شده. نمی‌تواند اطلاعات تازه بگیرد و نمی‌تواند روی دنیای بیرون عمل کند.

محدودیت‌های یک LLM معمولی

یک «دستیار» (مثل ChatGPT در حالت چت ساده) در واقع همان LLM است که با تنظیم دستوری (instruction tuning / RLHF) و یک قالب گفت‌وگو پیچیده شده. پس همه‌ی محدودیت‌های پایه را به ارث می‌برد:

محدودیت	ریشه‌ی فنی
حافظه‌ی پایدار بین نشست‌ها ندارد	بی‌حالتی — تنها حاملِ حالت، پنجره‌ی متن است که محدود است
ابزار ندارد، عمل نمی‌کند	مدل فقط متن تولید می‌کند؛ خودش چیزی را اجرا نمی‌کند
به داده‌ی تازه دسترسی ندارد	دانش در وزن‌ها منجمد است
توهم (Hallucination) و انتشار خطا	استدلالِ صرفاً زنجیره‌ای، «زمین‌گیر» (grounded) نیست
برنامه‌ریزی و پیگیریِ هدف ندارد	حلقه‌ای وجود ندارد؛ حالتی نیست که هدفِ چندمرحله‌ای را حمل کند

چرا نیاز به Agent ایجاد شد؟

Agent دقیقاً پاسخِ معماری به این محدودیت‌هاست. هر کمبود را با یک لایه‌ی بیرونی وصله می‌کند:

• حافظه‌ی بلندمدتِ بیرونی (پایگاه‌داده‌ی برداری) برای ماندگاری،
• فراخوانیِ ابزار و API برای داده‌ی تازه و کنشِ واقعی،
• حلقه‌ی درهم‌تنیده‌ی استدلال و کنش که خروجی مدل را به واقعیت گره می‌زند و توهم را کاهش می‌دهد.

مقاله‌ی بنیادینِ ReAct (Yao و همکاران، ۲۰۲۲) دقیقاً همین را نشان داد: وقتی مدل به‌جای صرفاً «فکر کردن»، بین فکر و کنش رفت‌وبرگشت کند و نتیجه‌ی کنش را ببیند، هم توهمش کم می‌شود و هم می‌تواند خودش را تصحیح کند.

LLM در برابر Assistant در برابر Agent

معیار	LLM خام	Assistant (چت‌بات)	Agent
مکانیزم اصلی	پیش‌بینی توکن بعدی	LLM + تنظیم دستوری و قالب چت	LLM به‌عنوان «مغز» + برنامه‌ریزی + حافظه + ابزار
حالت (State)	بدون حالت	بدون حالت (فقط درونِ یک نشست)	دارای حالت، پایدار بین نشست‌ها
کنش	هیچ (فقط متن)	هیچ (فقط متن)	ابزار و کنشِ واقعی در محیط اجرا می‌کند
کنترلِ جریان	—	یک نوبت: پرسش ← پاسخ	خودِ LLM جریان چندمرحله‌ای را هدایت می‌کند
داده‌ی تازه	خیر	خیر	بله (بازیابی، وب، API)
افقِ هدف	یک تکمیل	یک پاسخ	چندمرحله‌ای و هدف‌محور

⚠️ یک اختلاف‌نظرِ واقعی: مرزِ «دستیار» و «عامل» شفاف نیست. یک چت‌بات که فقط یک ابزار صدا می‌زند هم گاهی «Agent» بازاریابی می‌شود. تعریفِ عملیاتی‌ای که بیشترین اجماع را دارد، از Anthropic است و مرز را روی مالکیتِ جریانِ کنترل می‌گذارد (در ادامه).

AI Agent دقیقاً چیست؟

تعریف دقیق

معتبرترین تعریفِ عملیاتی از مقاله‌ی «ساخت Agentهای مؤثر» (Anthropic، دسامبر ۲۰۲۴) می‌آید که همه‌چیز را زیر چترِ «سیستم‌های عامل‌گونه» می‌گذارد اما یک خطِ معماریِ تیز می‌کشد:

• Workflow (گردش‌کار): «سیستم‌هایی که در آن‌ها LLMها و ابزارها از طریق مسیرهای کدِ از پیش تعریف‌شده هماهنگ می‌شوند.» جریانِ کنترل را برنامه‌نویس هاردکد کرده است.
• Agent (عامل): «سیستم‌هایی که در آن‌ها LLM به‌صورت پویا فرایندها و استفاده از ابزارهای خود را هدایت می‌کند و کنترلِ چگونگیِ انجام کار را در دست دارد.» جریانِ کنترل متعلق به خودِ مدل است.

پس معیارِ تمایز، «چه کسی جریان کنترل را در اختیار دارد» است: برنامه‌نویس (اسکریپت) یا مدل (سیاست). Anthropic هشدار هم می‌دهد: خودمختاریِ Agent یعنی «هزینه‌ی بالاتر و احتمالِ انباشتِ خطا»، و توصیه می‌کند همیشه ساده‌ترین راه‌حلِ کافی را انتخاب کنید.

تعریفِ کلاسیکِ آناتومی هم از Lilian Weng (ژوئن ۲۰۲۳) می‌آید: «LLM به‌عنوان مغزِ عامل عمل می‌کند، که با چند جزء کلیدی تکمیل می‌شود» — یعنی برنامه‌ریزی، حافظه و استفاده از ابزار.

اجزای یک Agent

جزء	نقش
Brain (مغز — همان LLM)	کنترل‌کننده/سیاستِ مرکزی؛ تصمیم می‌گیرد گام بعدی چه فکر یا چه کنشی باشد
Reasoning Engine (موتور استدلال)	زنجیره‌ی تفکر (CoT) و جانشینانش؛ تولید گام‌های استدلالیِ میانی پیش از پاسخ یا کنش
Planning System (برنامه‌ریزی)	تجزیه‌ی هدف به زیرهدف‌ها + بازاندیشی و اصلاحِ مسیر
Memory (حافظه)	کوتاه‌مدت (پنجره‌ی متن) + بلندمدت (ذخیره‌ساز بیرونی)
Tool Layer (لایه‌ی ابزار)	تعریفِ شِماییِ ابزارها که مدل می‌تواند صدایشان بزند
Execution Layer (لایه‌ی اجرا)	رانتایمِ بیرونی که فراخوانی را واقعاً اجرا و نتیجه را برمی‌گرداند — این با خودِ مدل فرق دارد
Feedback Loop (حلقه‌ی بازخورد)	مشاهده‌ی نتیجه/خطا و بازگرداندنش به متن برای گام بعد
Environment (محیط)	دنیایی که Agent روی آن عمل می‌کند: مرورگر، شل، پایگاه‌داده، یا نشستِ کاربر

چارچوبِ آکادمیکِ CoALA (Sumers و همکاران، ۲۰۲۳) این را رسمی‌تر می‌کند و زیرلایه‌ی حافظه را به چهار نوع تقسیم می‌کند: کاری (Working)، رویدادی (Episodic)، معنایی (Semantic) و رویه‌ای (Procedural) — که در بخش چهارم عمیق می‌شویم.

دیاگرام معماری (Mermaid)

برای کسانی که می‌خواهند این معماری را در ابزار خودشان بازسازی کنند، معادلِ Mermaidِ دیاگرام بالا:

graph TD
    U[User Goal] --> C[Agent Controller]
    C --> B[Brain: LLM]
    B --> R[Reasoning: CoT / ReAct]
    B --> P[Planning: decompose goal]
    B --> T[Tool Layer: schemas]
    T --> E[Execution Layer: runtime]
    E --> ENV[(Environment: browser, shell, API, DB)]
    ENV --> F[Feedback: observation]
    F --> B
    M[(Memory: short + long term)] <--> B
    B --> OUT[Result]

چرخه‌ی کاری یک AI Agent

قلبِ هر Agent یک حلقه است. برخلاف چت‌بات که یک‌بار پاسخ می‌دهد و تمام، Agent تا رسیدن به هدف (یا رسیدن به سقفِ تکرار) می‌چرخد. الگوهای بنیادینِ این حلقه از چند مقاله‌ی کلیدی می‌آیند:

مرحله	الگوی پژوهشی	در عمل چه اتفاقی می‌افتد
Observe (مشاهده)	ReAct	خواندنِ ورودی کاربر، حالت فعلی و نتیجه‌ی آخرین کنش
Reason (استدلال)	Chain-of-Thought	تولید گام‌های فکریِ میانی پیش از تصمیم
Plan (برنامه‌ریزی)	Plan-and-Solve، ToT، LLM+P	تجزیه‌ی هدف به زیرگام‌های اجراپذیر
Act (کنش)	ReAct، Function Calling	انتخاب ابزار و تولید فراخوانیِ ساختاریافته
Evaluate (ارزیابی)	Reflexion، Self-Refine	آیا نتیجه درست بود؟ خطا خورد؟
Learn (یادگیری)	Reflexion، Voyager	نوشتنِ درس‌آموخته در حافظه یا ساختِ یک «مهارت»

مقالات کلیدی که این حلقه را ساختند

• Chain-of-Thought (Wei و همکاران، ۲۰۲۲): وادارکردن مدل به تولید گام‌های استدلالیِ میانی. نکته‌ی مهم: این توانایی فقط در مدل‌های به‌قدر کافی بزرگ ظهور می‌کند.
• ReAct (Yao و همکاران، ۲۰۲۲): درهم‌تنیدنِ Thought → Action → Observation. تعامل با یک API ساده‌ی ویکی‌پدیا، توهم و انتشارِ خطای CoTِ خالص را جبران کرد. نتایج: +۳۴٪ مطلق در ALFWorld و +۱۰٪ در WebShop نسبت به خطوطِ پایه.
• Reflexion (Shinn و همکاران، ۲۰۲۳): تقویت با بازخوردِ کلامی، نه به‌روزرسانیِ وزن. سه‌گانه‌ی Actor / Evaluator / Self-Reflection؛ بعد از هر تلاش، بازاندیشی در یک بافرِ حافظه‌ی رویدادی نوشته و در تلاش بعدی خوانده می‌شود. نتیجه: ۹۱٪ pass@1 روی HumanEval در برابر ۸۰٪ خطِ پایه‌ی GPT-4.
• Plan-and-Solve (Wang و همکاران، ۲۰۲۳): اول نقشه بکش، بعد اجرا کن — برای رفعِ خطاهای محاسباتی و گام‌های جاافتاده.
• Tree of Thoughts (Yao و همکاران، ۲۰۲۳): جست‌وجو روی درختی از «افکار» با پیش‌نگری و عقب‌گرد. در بازیِ Game of 24، GPT-4 با CoT فقط ۴٪ و با ToT ۷۴٪ موفق شد.
• LLM+P (Liu و همکاران، ۲۰۲۳): ترجمه‌ی مسئله به زبانِ برنامه‌ریزیِ کلاسیک (PDDL)، حل با یک برنامه‌ریزِ کلاسیک، و ترجمه‌ی برگشت — چون LLMها به‌تنهایی اغلب حتی نقشه‌ی شدنی برای افق‌های بلند تولید نمی‌کنند.

مثال واقعی: «برای من یک گزارش بازار سهام آماده کن»

ببینیم یک Agent در عمل چه می‌کند. کاربر می‌گوید: «برای من یک گزارش از بازار سهام امروز آماده کن.»

گام	Agent چه می‌کند
۱. Observe	ورودی کاربر را می‌خواند. حافظه را چک می‌کند: «این کاربر قبلاً گفته گزارش‌ها را به‌صورت جدول و به فارسی می‌خواهد.»
۲. Reason	«برای یک گزارش بازار، به سه چیز نیاز دارم: شاخص کل، نمادهای پرمعامله، و خبرهای مهم امروز. هیچ‌کدام در دانشِ من نیست — باید داده‌ی زنده بگیرم.»
۳. Plan	نقشه: (الف) فراخوانیِ API قیمت‌ها؛ (ب) جستجوی وب برای اخبار؛ (ج) تحلیل و محاسبه؛ (د) تولید فایل خروجی.
۴. Act	ابزار market_api.get_index() را با آرگومان‌های ساختاریافته صدا می‌زند. خودِ مدل اجرا نمی‌کند — فقط یک فراخوانیِ JSON تولید می‌کند؛ رانتایم آن را اجرا می‌کند و نتیجه را برمی‌گرداند.
۵. Evaluate	پاسخ خطای ۴۲۹ (محدودیت نرخ) می‌دهد. Agent می‌بیند شکست خورده؛ چند ثانیه صبر و دوباره تلاش می‌کند. بار دوم داده می‌آید. بررسی می‌کند که آیا داده کامل است.
۶. Act (تکرار حلقه)	ابزار جستجوی وب را برای اخبار صدا می‌زند، بعد ابزار اجرای کد (Python) را برای محاسبه‌ی درصد تغییرات، و در نهایت write_file() را برای ساختِ گزارش.
۷. Learn	در حافظه می‌نویسد: «API بازار سهام محدودیت نرخ دارد؛ دفعه‌ی بعد بین فراخوانی‌ها تأخیر بگذار.» شاید حتی یک «مهارت» به‌نام گزارش روزانه‌ی بازار ذخیره کند تا دفعه‌ی بعد کل این مسیر را از نو کشف نکند.

یک چت‌بات در گام ۲ گیر می‌کرد و یا می‌گفت «من به داده‌ی زنده دسترسی ندارم» یا — بدتر — عددی از خودش می‌ساخت. تفاوت، در همان حلقه و ابزار است.

سوالات متداول

AI Agent چیست؟
سیستمی که یک LLM را به‌عنوان «مغز» می‌گیرد و با افزودن حافظه، ابزار و یک حلقه‌ی خودگردان، آن را قادر می‌کند مشاهده کند، نقشه بکشد، عمل کند و یاد بگیرد — نه اینکه فقط پاسخ دهد.

تفاوت AI Agent و ChatGPT چیست؟
ChatGPT یک LLMِ بی‌حالت است که فقط متن تولید می‌کند؛ Agent همان مدل است اما با حافظه‌ی پایدار، توانِ اجرای کنشِ واقعی و یک حلقه‌ی چندمرحله‌ای برای رسیدن به هدف.

حلقه‌ی کاری Agent چیست؟
چرخه‌ی مشاهده ← استدلال ← برنامه‌ریزی ← کنش ← ارزیابی ← یادگیری که تا رسیدن به هدف تکرار می‌شود.

جمع‌بندی

عامل‌ها با ترکیبِ ساده‌ی «مغز + حافظه + ابزار + حلقه» ساخته می‌شوند، اما همین ترکیب آن‌ها را از یک چت‌بات جدا می‌کند. در مقالات بعدیِ این مجموعه، به عمقِ حافظه و ابزار می‌رویم و دو عاملِ واقعیِ متن‌باز (OpenClaw و Hermes) را کالبدشکافی می‌کنیم.

این مقاله بخشی از مجموعه‌ی «AI Agents در ۲۰۲۶» است؛ برای فهرستِ منابعِ علمیِ کامل به مقاله‌ی مرجع مراجعه کنید.