در این مقاله
بسیاری از سازمان‌ها امروز از مدل‌های هوش مصنوعی مانند ChatGPT برای پاسخ‌گویی، تولید محتوا یا حل مسائل روزمره استفاده می‌کنند.
اما استفاده واقعی از AI در سازمان‌ها احتمالاً به مرحله‌ای فراتر از یک چت‌بات عمومی خواهد رسید؛ جایی که Agent ها بتوانند به ابزارهای مختلف متصل شوند، Workflow ها را اجرا کنند و بخشی از وظایف واقعی تیم‌ها را برعهده بگیرند.
تیم Artie با ساخت Hermes تجربه جالبی در این زمینه دارد؛ یک سیستم AI Agent داخلی که ابتدا به عنوان یک ابزار شخصی شروع شد، اما به مرور تبدیل به زیرساختی برای استفاده تیم‌های مختلف شرکت شد.
در این مقاله تجربه Artie در طراحی، توسعه و مدیریت Hermes را بررسی می‌کنیم.
از یک ابزار شخصی تا یک Agent برای کل سازمان
Hermes در ابتدا برای یک استفاده شخصی ساخته شد؛ یک Agent که بتواند برخی کارهای روزمره را ساده‌تر کند.
اما زمانی که تیم متوجه شد چنین ابزاری می‌تواند برای افراد بیشتری مفید باشد، مسیر توسعه آن تغییر کرد.
به جای اینکه یک Chatbot عمومی برای همه ساخته شود، تصمیم گرفته شد Hermes به یک سیستم قابل توسعه تبدیل شود؛ سیستمی که بتواند برای تیم‌های مختلف، رفتار و قابلیت‌های متفاوتی داشته باشد.
این تغییر نگاه، یک تفاوت مهم ایجاد می‌کند:
یک مدل زبانی به تنهایی یک محصول نیست.
برای استفاده واقعی از AI در سازمان، باید مجموعه‌ای از موارد کنار هم قرار بگیرند:
-
مدل هوش مصنوعی (LLM)
-
ابزارهای قابل استفاده توسط Agent
-
دسترسی به داده‌ها
-
حافظه (Memory)
-
قوانین رفتاری
-
Workflow های مشخص
-
سیستم ارزیابی و مانیتورینگ
تفاوت بین Chatbot و AI Agent چیست؟
یک Chatbot معمولی معمولاً منتظر دریافت سوال می‌ماند و پاسخ تولید می‌کند.
اما یک AI Agent می‌تواند:
-
هدف را تحلیل کند
-
مراحل انجام کار را مشخص کند
-
از ابزارهای مختلف استفاده کند
-
اطلاعات مورد نیاز را جمع‌آوری کند
-
نتیجه کار را بررسی کند
به همین دلیل ساخت یک Agent بیشتر شبیه توسعه یک سیستم نرم‌افزاری است تا صرفاً اتصال یک برنامه به API یک مدل زبانی. در واقع، مدل زبانی تنها یکی از اجزای Agent است.
اگر می‌خواهید با یک نمونه عملی از اجرای Hermes آشنا شوید، در مقاله‌ی «Hermes Agent چیست؟ راهنمای راه‌اندازی دستیار هوش مصنوعی در تلگرام» نحوه اتصال این Agent به Telegram و استفاده از آن به عنوان یک دستیار هوشمند را بررسی کرده‌ایم.
چرا Artie برای هر تیم یک Agent جدا ساخت؟
یکی از تصمیم‌های مهم تیم Artie این بود که یک Agent عمومی برای کل شرکت نسازد.
هر تیم نیازهای متفاوتی دارد؛ بنابراین Hermes به نسخه‌های مختلفی تقسیم شد.
Hermes Engineering
برای تیم توسعه نرم‌افزار:
-
کمک در کارهای مهندسی
-
تعامل با Repositoryها
-
انجام وظایف تکراری توسعه
-
پشتیبانی از Workflow های فنی
Hermes Sales
برای تیم فروش:
-
آماده‌سازی اطلاعات مشتری
-
کمک در جلسات فروش
-
خلاصه‌سازی داده‌ها
-
ساده‌سازی فرایندهای تکراری
Hermes Design
برای تیم طراحی:
-
کمک در فرآیند طراحی
-
ساخت و تغییر Landing Page ها
-
اجرای برخی فعالیت‌های مرتبط با طراحی
Hermes BizOps
برای تیم عملیات کسب‌وکار:
-
انجام کارهای تکراری
-
مدیریت فرآیندهای داخلی
-
اجرای Workflow های عملیاتی
این مدل نشان می‌دهد که ارزش اصلی Agent زمانی ایجاد می‌شود که برای یک مسئله مشخص طراحی شوند، نه زمانی که صرفاً یک مدل عمومی در اختیار همه قرار بگیرد.
Skill ها؛ تعریف قابلیت‌های Agent مانند کد نرم‌افزاری
یکی از بخش‌های مهم Hermes، استفاده از مفهوم Skill است.
Skill ها قابلیت‌هایی هستند که مشخص می‌کنند Agent چگونه باید یک کار خاص را انجام دهد.
برای مثال:
-
چگونه یک درخواست را پردازش کند
-
از چه ابزاری استفاده کند
-
چه داده‌ای را بررسی کند
-
چه خروجی‌ای تولید کند
نکته مهم این است که این Skill ها مانند کد نرم‌افزار مدیریت می‌شوند.
یعنی:
-
در سیستم Version Control نگهداری می‌شوند
-
تغییرات آن‌ها قابل بررسی است
-
امکان بازگشت به نسخه قبلی وجود دارد
این رویکرد باعث می‌شود رفتار Agent قابل مدیریت و قابل توسعه باشد.
مدیریت Memory؛ چگونه Agent تجربه قبلی را حفظ می‌کند؟
یکی از چالش‌های مهم در ساخت Agent، مدیریت Memory است.
اگر Agent همه اطلاعات گذشته را ذخیره کند، حجم Context افزایش پیدا می‌کند و استفاده از آن هزینه‌بر و پیچیده می‌شود.
از طرف دیگر، بدون Memory، Agent نمی‌تواند از تجربه‌های قبلی استفاده کند.
Hermes برای حل این مشکل از فرآیندی استفاده می‌کند که نویسنده آن را مشابه مفهوم Dreaming توصیف می‌کند.
در این فرآیند:
-
فعالیت‌های گذشته بررسی می‌شوند
-
اطلاعات مهم استخراج می‌شوند
-
Memory بهینه می‌شود
-
داده‌های کم‌ارزش حذف می‌شوند
هدف این است که Agent بتواند در طول زمان بهتر شود، بدون اینکه حجم اطلاعات آن کنترل‌نشده رشد کند.
چرا ساخت Agent اختصاصی بهتر از استفاده از ابزارهای آماده است؟
استفاده از ابزارهای آماده AI برای بسیاری از کاربردها مناسب است، اما تیم‌هایی که نیازهای خاص دارند معمولاً به کنترل بیشتری نیاز دارند.
ساخت یک Agent اختصاصی چند مزیت دارد:
کنترل روی Workflow
تیم می‌تواند دقیقاً مشخص کند Agent چه کاری انجام دهد و چه محدودیت‌هایی داشته باشد.
انعطاف در انتخاب مدل
با داشتن معماری مستقل، تغییر Model Provider یا استفاده از مدل‌های مختلف ساده‌تر خواهد بود.
مدیریت هزینه
در سیستم‌های سازمانی، مصرف Token و هزینه مدل اهمیت زیادی دارد.
Agent اختصاصی امکان کنترل بهتر روی مواردی مانند:
-
انتخاب مدل مناسب برای هر وظیفه
-
کاهش Context های غیرضروری
-
بهینه‌سازی درخواست‌ها
را فراهم می‌کند.
زیرساخت و اجرای Agent در محیط واقعی
در مراحل اولیه، Hermes روی زیرساخت‌های ساده‌تر اجرا شد.
اما با افزایش استفاده داخلی، نیاز به کنترل بیشتر روی محیط اجرا افزایش پیدا کرد.
انتقال به زیرساخت اختصاصی باعث شد تیم بتواند:
-
منابع را بهتر مدیریت کند
-
تنظیمات را مطابق نیاز تغییر دهد
-
کنترل بیشتری روی امنیت و دسترسی‌ها داشته باشد
این موضوع نشان می‌دهد که ساخت Agent در مقیاس سازمانی فقط یک مسئله مدل هوش مصنوعی نیست؛ بلکه یک مسئله زیرساختی هم محسوب می‌شود.
Monitoring و Evaluation؛ بدون اندازه‌گیری، Agent بهتر نمی‌شود
راه‌اندازی یک Agent پایان کار نیست.
برای بهبود مداوم، باید عملکرد آن اندازه‌گیری شود.
تیم Artie برای بررسی Hermes روی مواردی مانند:
-
مصرف Token
-
خطاها
-
کیفیت خروجی‌ها
-
رفتار Agent
-
عملکرد Workflow ها
نظارت دارد.
بدون Evaluation، بهینه‌سازی Agent بیشتر بر اساس حدس انجام می‌شود.
آینده AI در سازمان‌ها؛ Agent ها به عنوان یک لایه نرم‌افزاری جدید
تجربه Hermes نشان می‌دهد که استفاده سازمانی از AI احتمالاً به سمت ساخت Agentهای تخصصی حرکت خواهد کرد.
در این مدل، AI دیگر فقط یک ابزار برای پرسیدن سوال نیست.
بلکه تبدیل به یک لایه نرم‌افزاری می‌شود که می‌تواند:
-
به سرویس‌های مختلف متصل شود
-
داده‌ها را پردازش کند
-
وظایف مشخص را اجرا کند
-
Workflow های سازمانی را ساده‌تر کند
اما موفقیت چنین سیستم‌هایی فقط به قدرت مدل زبانی وابسته نیست.
معماری مناسب، مدیریت دسترسی، طراحی Workflow، کنترل Memory و ارزیابی مداوم، بخش‌های اصلی ساخت یک AI Agent قابل اعتماد هستند.
منبع
این مطلب بازنویسی فارسی مقاله‌ی “How we built Hermes to support our entire team” نوشته‌ی Jacqueline Cheong است که نخستین بار در X منتشر شده است.
نسخه اصلی مقاله:
https://x.com/jacquelinesyc19/status/2100262432413528336?s=52
این مقاله با هدف انتقال تجربه فنی نویسنده برای مخاطبان فارسی‌زبان حوزه Software Engineering، Infrastructure و AI تهیه شده است.
نظرات کاربران (۰)
هنوز نظری ثبت نشده است. اولین نفر باشید.