ارکستراسیون ایجنت‌های هوش مصنوعی یا AI Agent Orchestration فرایند هماهنگ‌کردن چند ایجنت هوش مصنوعی تخصصی در یک سیستم یکپارچه است تا این ایجنت‌ها بتوانند با همکاری یکدیگر، اهداف مشترک و فرایندهای پیچیده را اجرا کنند.

در این معماری، به‌جای آنکه یک مدل یا ایجنت عمومی مسئول انجام همه وظایف باشد، مجموعه‌ای از ایجنت‌های تخصصی ایجاد می‌شود. هر ایجنت برای انجام وظیفه مشخصی مانند تحلیل داده، جست‌وجوی اطلاعات، پاسخ‌گویی به مشتری، صدور صورتحساب، بررسی کد یا تصمیم‌گیری بهینه شده است.

یک لایه هماهنگ‌کننده که به آن Orchestrator گفته می‌شود، تعیین می‌کند:

• کدام ایجنت باید فعال شود؛
• وظایف با چه ترتیبی اجرا شوند؛
• چه اطلاعاتی میان ایجنت‌ها به اشتراک گذاشته شود؛
• در صورت بروز خطا چه اقدامی انجام شود؛
• چه زمانی تأیید انسان موردنیاز است؛
• نتیجه نهایی چگونه از خروجی چند ایجنت ساخته شود.

به زبان ساده، اگر یک سیستم چندایجنتی را مانند یک تیم متخصص در نظر بگیریم، Orchestrator نقش مدیر این تیم را دارد.

در مستندات OpenAI نیز Agent Orchestration به‌عنوان جریان اجرای ایجنت‌ها تعریف می‌شود؛ یعنی اینکه کدام ایجنت‌ها، با چه ترتیبی و بر اساس چه تصمیمی اجرا شوند. این هماهنگی می‌تواند توسط مدل زبانی، کد برنامه یا ترکیبی از هر دو انجام شود.

ایجنت هوش مصنوعی چیست؟

برای درک ارکستراسیون ایجنت‌ها، ابتدا باید تفاوت میان مدل هوش مصنوعی، دستیار هوش مصنوعی و ایجنت هوش مصنوعی را بشناسیم.

هوش مصنوعی مولد

هوش مصنوعی مولد یا Generative AI محتوای جدیدی مانند متن، تصویر، صدا، ویدئو یا کد تولید می‌کند.

یک مدل مولد معمولا ورودی کاربر را دریافت کرده و پاسخی متناسب با همان درخواست ایجاد می‌کند. برای مثال:

• نوشتن یک مقاله؛
• خلاصه‌سازی سند؛
• تولید تصویر؛
• ترجمه متن؛
• تولید یا اصلاح کد.

هوش مصنوعی مولد لزوما هدف بلندمدت ندارد و ممکن است تنها یک درخواست را پردازش کند.

هوش مصنوعی ایجنتیک

هوش مصنوعی ایجنتیک یا Agentic AI علاوه بر تولید محتوا، می‌تواند برای رسیدن به یک هدف برنامه‌ریزی کند، ابزار انتخاب کند، تصمیم بگیرد، اقدام انجام دهد و نتیجه اقدامات خود را ارزیابی کند.

یک ایجنت هوش مصنوعی معمولا از اجزای زیر تشکیل می‌شود:

• مدل زبانی بزرگ یا LLM؛
• دستورالعمل و نقش مشخص؛
• حافظه کوتاه‌مدت یا بلندمدت؛
• ابزارها و Functionها؛
• دسترسی به APIها و منابع داده؛
• منطق تصمیم‌گیری؛
• محدودیت‌ها و Guardrailها؛
• قابلیت واگذاری وظیفه به ایجنت‌های دیگر.

برای مثال، یک ایجنت تحقیقاتی ممکن است ابتدا موضوع را تحلیل کند، سپس در وب جست‌وجو انجام دهد، منابع را بررسی کند، اطلاعات متناقض را تشخیص دهد و در نهایت گزارشی ساختاریافته تولید کند.

تفاوت چت‌بات، دستیار هوش مصنوعی و عامل هوش مصنوعی

چت‌بات‌ها و سیستم‌های هوشمند را می‌توان در یک طیف در نظر گرفت.

در ابتدای این طیف، چت‌بات‌های قانون‌محور قرار دارند. این سیستم‌ها معمولا بر اساس مجموعه‌ای از پاسخ‌های از پیش تعریف‌شده عمل می‌کنند.

در مرحله بعد، دستیارهای مجازی قرار می‌گیرند که می‌توانند درخواست‌های کاربر را بهتر درک کرده و چند وظیفه محدود را انجام دهند.

دستیارهای مبتنی بر LLM قادرند متن تولید کنند، اطلاعات را تحلیل کنند و از ابزارها استفاده کنند؛ اما معمولا اجرای آن‌ها همچنان تحت کنترل مستقیم کاربر است.

در سطح پیشرفته‌تر، عامل هوش مصنوعی قرار دارد. ایجنت می‌تواند:

• یک هدف کلی دریافت کند؛
• هدف را به چند زیرکار تقسیم کند؛
• برای هر مرحله ابزار مناسبی انتخاب کند؛
• اطلاعات لازم را جمع‌آوری کند؛
• بر اساس نتایج قبلی تصمیم جدید بگیرد؛
• در صورت نیاز وظیفه‌ای را به ایجنت دیگر واگذار کند؛
• تا رسیدن به نتیجه نهایی به فعالیت ادامه دهد.

بنابراین، تفاوت اصلی یک ایجنت با دستیار معمولی در میزان استقلال، برنامه‌ریزی و قابلیت اقدام آن است.

سیستم چندایجنتی چیست؟

سیستم چندایجنتی یا Multi-Agent System که به‌اختصار MAS نامیده می‌شود، سیستمی متشکل از چند ایجنت مستقل یا نیمه‌مستقل است که برای حل یک مسئله مشترک با یکدیگر همکاری می‌کنند.

هر ایجنت می‌تواند نقش، ابزار، حافظه و سطح دسترسی متفاوتی داشته باشد.

برای مثال، یک سیستم تولید محتوای سازمانی ممکن است از ایجنت‌های زیر تشکیل شود:

1. ایجنت تحقیق کلمات کلیدی؛
2. ایجنت جمع‌آوری منابع؛
3. ایجنت نویسنده؛
4. ایجنت ویراستار؛
5. ایجنت بررسی SEO؛
6. ایجنت انتشار محتوا.

هرکدام از این ایجنت‌ها یک وظیفه تخصصی را انجام می‌دهند، اما خروجی نهایی تنها زمانی قابل‌استفاده خواهد بود که فعالیت آن‌ها به‌درستی هماهنگ شود.

اینجاست که Agent Orchestration اهمیت پیدا می‌کند.

ارکستراسیون ایجنت هوش مصنوعی چگونه کار می‌کند؟

ارکستراسیون ایجنت‌ها را می‌توان به اجرای یک ارکستر تشبیه کرد.

در یک ارکستر، هر نوازنده مسئول اجرای ساز مشخصی است، اما همه نوازندگان باید با زمان‌بندی، ریتم و هدف مشترکی فعالیت کنند. رهبر ارکستر مشخص می‌کند هر بخش چه زمانی وارد اجرا شود و چگونه با بخش‌های دیگر هماهنگ بماند.

در سیستم‌های چندایجنتی نیز Orchestrator وظایف زیر را بر عهده دارد:

• دریافت هدف اصلی؛
• تحلیل درخواست؛
• تقسیم هدف به زیرکارهای کوچک‌تر؛
• انتخاب ایجنت مناسب برای هر زیرکار؛
• تعیین ترتیب یا موازی‌بودن وظایف؛
• مدیریت Context و State؛
• انتقال خروجی یک ایجنت به ایجنت دیگر؛
• مدیریت خطا، Retry و Timeout؛
• بررسی کیفیت خروجی‌ها؛
• کنترل هزینه و مصرف Token؛
• اعمال محدودیت‌های امنیتی؛
• دریافت تأیید انسان برای اقدامات حساس؛
• ترکیب خروجی‌ها و ارائه نتیجه نهایی.

GitHub از AI Agent Orchestration به‌عنوان یک لایه کنترلی برای مدیریت اجرا، Context و همکاری میان ایجنت‌ها یاد می‌کند. این لایه می‌تواند سیاست‌های امنیتی، محدودیت هزینه، مدیریت وضعیت و نقاط تأیید انسانی را نیز اعمال کند.

مثال ساده از ارکستراسیون ایجنت‌ها

فرض کنید یک شرکت می‌خواهد بخش پشتیبانی مشتریان خود را با چند AI Agent خودکار کند.

مشتری پیام زیر را ارسال می‌کند:

مبلغ اشتراک از حساب من کسر شده، اما سرویس فعال نشده است.

Orchestrator ابتدا پیام را تحلیل می‌کند و متوجه می‌شود که درخواست هم به پرداخت و هم به وضعیت حساب کاربری مرتبط است.

فرایند ممکن است به این صورت اجرا شود:

1. ایجنت تشخیص Intent نوع درخواست را مشخص می‌کند.
2. ایجنت احراز هویت، هویت و حساب مشتری را بررسی می‌کند.
3. ایجنت Billing وضعیت تراکنش را از درگاه پرداخت دریافت می‌کند.
4. ایجنت Subscription وضعیت اشتراک را بررسی می‌کند.
5. در صورت تأیید پرداخت، ایجنت عملیات اشتراک را فعال می‌کند.
6. ایجنت پاسخ‌گویی، نتیجه را با زبان مناسب به مشتری اعلام می‌کند.
7. اگر اطلاعات متناقض باشد، درخواست برای بررسی به کارشناس انسانی ارجاع داده می‌شود.

بدون Orchestration ممکن است ایجنت‌های مختلف به‌صورت هم‌زمان پاسخ‌های متناقض ارائه دهند، یک عملیات چند بار اجرا شود یا ایجنت اشتباهی به اطلاعات حساس دسترسی پیدا کند.

چرا ارکستراسیون ایجنت‌های هوش مصنوعی مهم است؟

با پیچیده‌ترشدن کاربردهای هوش مصنوعی، استفاده از یک مدل یا ایجنت واحد برای انجام تمام وظایف همیشه انتخاب مناسبی نیست.

یک ایجنت عمومی ممکن است برای یک وظیفه عملکرد خوبی داشته باشد، اما در گردش‌کارهای بزرگ با مشکلاتی مانند موارد زیر روبه‌رو شود:

• افزایش طول Context؛
• کاهش دقت در وظایف تخصصی؛
• پیچیده‌شدن پرامپت؛
• افزایش احتمال انتخاب ابزار اشتباه؛
• دشوارشدن کنترل سطح دسترسی؛
• افزایش هزینه پردازش؛
• دشوارشدن عیب‌یابی؛
• محدودیت در اجرای موازی وظایف.

در مقابل، معماری چندایجنتی امکان تقسیم مسئولیت‌ها را فراهم می‌کند. هر ایجنت فقط ابزارها، اطلاعات و دستورالعمل‌های موردنیاز نقش خود را دریافت می‌کند.

بااین‌حال، افزایش تعداد ایجنت‌ها به‌خودی‌خود باعث بهترشدن سیستم نمی‌شود. بدون یک لایه هماهنگ‌کننده، ایجنت‌ها ممکن است:

• وظایف تکراری انجام دهند؛
• خروجی یکدیگر را نادیده بگیرند؛
• وارد حلقه بی‌پایان شوند؛
• منابع بیشتری مصرف کنند؛
• تصمیم‌های متناقض بگیرند؛
• اطلاعات ناسازگار تولید کنند.

ارکستراسیون این مشکلات را با مدیریت ساختاریافته تعاملات، Context، ترتیب اجرا و سیاست‌های عملیاتی کاهش می‌دهد.

اجزای اصلی معماری Agent Orchestration

یک سیستم ارکستراسیون ایجنت معمولا از چند جزء اصلی تشکیل می‌شود.

۱. Orchestrator

Orchestrator مرکز کنترل سیستم است و درباره مسیر اجرای Workflow تصمیم می‌گیرد.

این بخش می‌تواند:

• یک عامل هوش مصنوعی مدیریتی باشد؛
• یک Workflow قطعی مبتنی بر کد باشد؛
• یک State Machine باشد؛
• یک Graph از Nodeها و Edgeها باشد؛
• یا ترکیبی از منطق برنامه‌نویسی و تصمیم‌گیری LLM.

۲. ایجنت‌های تخصصی

هر ایجنت برای انجام یک وظیفه مشخص طراحی می‌شود. برای مثال:

• Research Agent؛
• Coding Agent؛
• Data Analysis Agent؛
• Customer Support Agent؛
• Billing Agent؛
• Compliance Agent؛
• Content Agent؛
• Quality Assurance Agent.

۳. مدل‌های هوش مصنوعی

تمام ایجنت‌ها لزوما نباید از یک مدل استفاده کنند.

برای هر ایجنت می‌توان مدلی را انتخاب کرد که از نظر دقت، سرعت، هزینه و قابلیت‌ها برای همان وظیفه مناسب‌تر باشد.

برای نمونه:

• مدل Reasoning برای برنامه‌ریزی؛
• مدل Coding برای بررسی کد؛
• مدل سریع و اقتصادی برای طبقه‌بندی؛
• مدل Vision برای تحلیل تصویر؛
• مدل Embedding برای جست‌وجوی معنایی.

۴. ابزارها و APIها

ایجنت‌ها برای انجام عمل واقعی باید به ابزارهای خارجی متصل شوند.

این ابزارها می‌توانند شامل موارد زیر باشند:

• API نرم‌افزارهای سازمانی؛
• پایگاه داده؛
• موتور جست‌وجو؛
• سیستم CRM؛
• سامانه مالی؛
• فضای ذخیره‌سازی فایل؛
• سرویس ایمیل؛
• موتور اجرای کد؛
• سیستم‌های RAG؛
• MCP Serverها.

۵. حافظه و مدیریت Context

ایجنت‌ها برای همکاری مؤثر باید اطلاعات مرتبط را در اختیار داشته باشند.

مدیریت Context مشخص می‌کند:

• چه اطلاعاتی برای هر ایجنت ارسال شود؛
• کدام اطلاعات در حافظه باقی بماند؛
• چگونه داده‌های قدیمی خلاصه شوند؛
• چگونه از تکرار پردازش جلوگیری شود؛
• چگونه اطلاعات محرمانه از ایجنت‌های غیرمرتبط مخفی بماند.

۶. State Management

State وضعیت جاری Workflow را نگهداری می‌کند.

برای مثال:

{
  "request_id": "req_1024",
  "current_step": "billing_verification",
  "completed_tasks": [
    "intent_detection",
    "user_verification"
  ],
  "pending_tasks": [
    "payment_check",
    "subscription_activation"
  ],
  "requires_human_approval": false
}

وجود State باعث می‌شود Workflow پس از خطا بتواند از مرحله مناسب ادامه پیدا کند و مجبور نباشد تمام فرایند را از ابتدا اجرا کند.

۷. Guardrail و Policy

Guardrailها تعیین می‌کنند ایجنت‌ها مجاز به انجام چه اقداماتی هستند.

برای مثال:

• ایجنت پشتیبانی اجازه مشاهده کامل اطلاعات کارت بانکی را ندارد؛
• بازپرداخت بیشتر از مبلغ مشخص به تأیید انسان نیاز دارد؛
• ایجنت تولید محتوا نمی‌تواند مستقیما داده‌ای را از پایگاه داده حذف کند؛
• ایجنت Deploy بدون گذراندن تست‌ها اجازه انتشار ندارد.

۸. Observability و Logging

برای اجرای Production باید بتوان تمام تصمیم‌ها، فراخوانی ابزارها، خطاها، هزینه‌ها و خروجی ایجنت‌ها را بررسی کرد.

قابلیت Observability معمولا شامل موارد زیر است:

• Trace اجرای Workflow؛
• مدت‌زمان هر مرحله؛
• تعداد Tokenهای مصرف‌شده؛
• هزینه هر ایجنت؛
• ورودی و خروجی ابزارها؛
• خطاها و Retryها؛
• دلیل انتخاب مسیر؛
• نسخه Prompt و مدل؛
• نتیجه ارزیابی کیفیت.

انواع ارکستراسیون ایجنت‌های هوش مصنوعی

چهار معماری اصلی برای هماهنگ‌سازی عامل‌های هوش مصنوعی وجود دارد. سیستم‌های واقعی ممکن است ترکیبی از این معماری‌ها را به کار ببرند.

۱. ارکستراسیون متمرکز

در معماری Centralized Orchestration، یک Orchestrator مرکزی مانند مغز سیستم عمل می‌کند.

تمام ایجنت‌ها وظایف خود را از این هماهنگ‌کننده دریافت کرده و خروجی را به آن بازمی‌گردانند.

ساختار ساده این معماری به شکل زیر است:

User Request
     |
Orchestrator
  /   |   \
Agent A Agent B Agent C
  \   |   /
 Final Response

مزایا

• کنترل متمرکز و شفاف؛
• پیاده‌سازی ساده‌تر؛
• مدیریت آسان‌تر State؛
• اعمال یکپارچه سیاست‌ها؛
• عیب‌یابی و مانیتورینگ ساده‌تر؛
• مناسب برای Workflowهای قابل‌پیش‌بینی.

معایب

• ایجاد Single Point of Failure؛
• احتمال تبدیل‌شدن Orchestrator به گلوگاه؛
• محدودیت در مقیاس‌های بسیار بزرگ؛
• وابستگی همه ایجنت‌ها به تصمیم‌های یک بخش مرکزی.

کاربردها

• پشتیبانی مشتری؛
• پردازش درخواست‌های مالی؛
• تولید محتوا؛
• اتوماسیون فرایندهای سازمانی؛
• گردش‌کارهای دارای قوانین مشخص.

۲. ارکستراسیون غیرمتمرکز

در معماری Decentralized Orchestration یک Orchestrator مرکزی دائمی وجود ندارد.

ایجنت‌ها مستقیما با یکدیگر ارتباط برقرار می‌کنند و ممکن است بر اساس مذاکره، رأی‌گیری، اجماع یا قوانین توزیع‌شده تصمیم بگیرند.

Agent A <----> Agent B
   ^              |
   |              v
Agent D <----> Agent C

مزایا

• مقیاس‌پذیری بیشتر؛
• کاهش وابستگی به یک نقطه مرکزی؛
• تحمل خطای بهتر؛
• مناسب برای محیط‌های توزیع‌شده؛
• امکان تصمیم‌گیری محلی و سریع.

معایب

• عیب‌یابی پیچیده‌تر؛
• دشواری مدیریت کانتکست مشترک؛
• احتمال تعارض میان ایجنت‌ها؛
• هزینه ارتباطی بیشتر؛
• نیاز به پروتکل‌های دقیق ارتباطی.

کاربردها

• شبکه‌های توزیع‌شده؛
• زنجیره تأمین؛
• شبیه‌سازی‌های پیچیده؛
• سیستم‌های رباتیک؛
• محیط‌هایی با چند سازمان مستقل.

۳. ارکستراسیون سلسله‌مراتبی

در معماری Hierarchical Orchestration ایجنت‌ها در چند سطح قرار می‌گیرند.

ایجنت سطح بالاتر وظایف کلی را مدیریت می‌کند و هر مدیر میانی گروهی از ایجنت‌های تخصصی را هماهنگ می‌کند.

Main Orchestrator
       |
  ----------------
  |              |
Research Lead   Execution Lead
  |              |
Agents         Agents

این معماری مشابه ساختار مدیریتی یک سازمان است.

مزایا

• تقسیم بهتر مسئولیت‌ها؛
• مناسب برای Workflowهای بزرگ؛
• کنترل راهبردی در سطح بالا؛
• استقلال نسبی تیم‌های تخصصی؛
• جلوگیری از شلوغ‌شدن Orchestrator اصلی.

معایب

• افزایش پیچیدگی معماری؛
• احتمال تأخیر در انتقال تصمیم‌ها؛
• دشواری هماهنگ‌کردن سطح‌های مختلف؛
• کاهش انعطاف‌پذیری در ساختارهای بیش‌ازحد سخت‌گیرانه.

کاربردها

• سازمان‌های بزرگ؛
• پروژه‌های توسعه نرم‌افزار؛
• مدیریت عملیات چندمرحله‌ای؛
• زنجیره‌های تحقیق، تحلیل و اجرا.

۴. ارکستراسیون فدرال

در Federated Orchestration چند ایجنت، سامانه یا سازمان مستقل با یکدیگر همکاری می‌کنند، اما کنترل کامل داده‌ها و زیرساخت خود را حفظ می‌کنند.

در این معماری، هر بخش می‌تواند قوانین، مدل‌ها و منابع داده مستقل خود را داشته باشد.

مزایا

• حفظ مالکیت داده؛
• استقلال سازمانی؛
• مناسب برای همکاری بین‌سازمانی؛
• کاهش نیاز به انتقال داده خام؛
• سازگارتر با محدودیت‌های حریم خصوصی.

معایب

• استانداردسازی دشوارتر؛
• پیچیدگی احراز هویت و مجوزها؛
• تفاوت در ساختار داده‌ها؛
• محدودیت در اشتراک Context؛
• دشواری ارزیابی یکپارچه عملکرد.

کاربردها

• بانکداری؛
• سلامت و درمان؛
• همکاری چند شرکت؛
• شبکه‌های تحقیقاتی؛
• سازمان‌های دارای محدودیت جابه‌جایی داده.

الگوهای رایج اجرای Workflow چندایجنتی

علاوه بر معماری کلی، نحوه اجرای وظایف نیز می‌تواند الگوهای متفاوتی داشته باشد.

الگوی Sequential

در اجرای ترتیبی، خروجی هر ایجنت ورودی ایجنت بعدی می‌شود.

Research Agent
      ↓
Analysis Agent
      ↓
Writer Agent
      ↓
Editor Agent

این الگو برای فرایندهایی مناسب است که مراحل آن‌ها به یکدیگر وابسته‌اند.

الگوی Parallel

چند ایجنت به‌صورت هم‌زمان وظایف مستقل را انجام می‌دهند.

             → Agent A →
User Request → Agent B → Aggregator
             → Agent C →

این الگو می‌تواند زمان پاسخ را کاهش دهد، اما به مکانیزمی برای ترکیب خروجی‌ها نیاز دارد.

الگوی Handoff

در الگوی Handoff، یک ایجنت تشخیص می‌دهد که ادامه کار باید به ایجنت تخصصی دیگری واگذار شود.

برای مثال، ایجنت عمومی پشتیبانی پس از تشخیص مشکل پرداخت، مکالمه را به Billing Agent تحویل می‌دهد.

OpenAI در Agents SDK از Handoff و الگوی «Agents as Tools» برای ساخت جریان‌های چندایجنتی پشتیبانی می‌کند. در الگوی Agents as Tools، یک Manager Agent کنترل پاسخ نهایی را حفظ کرده و ایجنت‌های تخصصی را مانند ابزار فراخوانی می‌کند.

الگوی Supervisor

در این الگو یک Supervisor بر فعالیت چند Worker Agent نظارت می‌کند.

Supervisor وظیفه را تقسیم کرده، نتایج را ارزیابی می‌کند و در صورت ناکافی‌بودن خروجی، مرحله‌ای را دوباره اجرا می‌کند.

الگوی Debate یا Consensus

چند ایجنت پاسخ یا تصمیم پیشنهادی خود را ارائه می‌کنند و یک Judge Agent یا مکانیزم رأی‌گیری، نتیجه نهایی را انتخاب می‌کند.

این روش می‌تواند در بعضی وظایف استدلالی مفید باشد، اما هزینه و زمان اجرا را افزایش می‌دهد و لزوما همیشه دقت بیشتری ایجاد نمی‌کند.

الگوی Human-in-the-Loop

در نقاط حساس، اجرای Workflow متوقف شده و تأیید انسان درخواست می‌شود.

برای مثال:

• تأیید بازپرداخت؛
• انتشار محتوا؛
• اجرای Deploy؛
• ارسال قرارداد؛
• حذف داده؛
• تصمیم‌های مالی یا سازمانی مهم.

تفاوت AI Orchestration و AI Agent Orchestration

این دو اصطلاح به یکدیگر نزدیک‌اند، اما دقیقا یکسان نیستند.

AI Orchestration

ارکستراسیون هوش مصنوعی مفهوم گسترده‌تری است و هماهنگی اجزای مختلف یک سیستم AI را شامل می‌شود؛ مانند:

• مدل‌های Machine Learning؛
• Pipelineهای داده؛
• مدل‌های زبانی؛
• APIها؛
• سرویس‌های پردازشی؛
• پایگاه‌های داده؛
• ابزارهای مانیتورینگ.

هدف آن ایجاد یک جریان هماهنگ میان سرویس‌ها و اجزای مختلف است.

AI Agent Orchestration

Agent Orchestration زیرمجموعه‌ای از AI Orchestration است که بر هماهنگی موجودیت‌های خودمختار یا نیمه‌خودمختار تمرکز دارد.

این ایجنت‌ها می‌توانند:

• تصمیم بگیرند؛
• برنامه‌ریزی کنند؛
• ابزار انتخاب کنند؛
• وظایف را واگذار کنند؛
• بر اساس شرایط مسیر خود را تغییر دهند.

Multi-Agent Orchestration

Multi-Agent Orchestration به‌طور مشخص به مدیریت همکاری چند AI Agent می‌پردازد و موضوعاتی مانند موارد زیر را پوشش می‌دهد:

• تخصیص نقش؛
• ارتباط بین ایجنت‌ها؛
• مدیریت تعارض؛
• Context مشترک؛
• ترتیب اجرا؛
• اجماع و رأی‌گیری؛
• مدیریت وابستگی‌ها.

تفاوت Workflow Automation و Agent Orchestration

در اتوماسیون سنتی، مراحل معمولا از پیش مشخص هستند.

برای مثال:

اگر فرم ارسال شد:
اطلاعات را در CRM ثبت کن
ایمیل تأیید بفرست
یک Task برای تیم فروش بساز

در Agent Orchestration مسیر اجرا می‌تواند بر اساس شرایط تغییر کند:

هدف کاربر را تشخیص بده
اطلاعات ناقص را جمع‌آوری کن
ایجنت مناسب را انتخاب کن
در صورت نیاز از ابزار خارجی استفاده کن
نتیجه را ارزیابی کن
در صورت خطا مسیر جایگزین را اجرا کن

بنابراین، تفاوت اصلی در میزان پویایی و قدرت تصمیم‌گیری است.

بااین‌حال، هر فرایندی به AI Agent نیاز ندارد. در مستندات Microsoft Agent Framework توصیه شده است که برای فرایندهای کاملا مشخص و قطعی از Workflow استفاده شود و Agent بیشتر برای وظایف باز، مکالمه‌ای یا نیازمند برنامه‌ریزی و استفاده پویا از ابزارها به کار رود.

مراحل پیاده‌سازی ارکستراسیون ایجنت‌های AI

پیاده‌سازی موفق Agent Orchestration فقط به انتخاب یک فریم‌ورک وابسته نیست. ابتدا باید مسئله، وظایف، داده‌ها و معیارهای موفقیت به‌درستی تعریف شوند.

مرحله اول: ارزیابی و برنامه‌ریزی

ابتدا فرایندی را انتخاب کنید که واقعا از معماری ایجنتی سود می‌برد.

سؤال‌های مهم عبارت‌اند از:

• هدف نهایی سیستم چیست؟
• آیا وظیفه واقعا به تصمیم‌گیری پویا نیاز دارد؟
• آیا یک Workflow ساده کافی است؟
• چه بخش‌هایی می‌توانند خودکار شوند؟
• چه اقداماتی باید به تأیید انسان وابسته باشند؟
• چه داده‌هایی موردنیاز است؟
• ریسک خطای سیستم چقدر است؟
• معیار موفقیت چگونه اندازه‌گیری می‌شود؟

بهتر است کار را با یک فرایند محدود، قابل‌اندازه‌گیری و کم‌ریسک شروع کنید.

مرحله دوم: شکستن فرایند به وظایف تخصصی

هدف اصلی باید به چند وظیفه کوچک‌تر تقسیم شود.

برای مثال، فرایند پاسخ‌گویی به یک درخواست فروش می‌تواند شامل موارد زیر باشد:

1. تشخیص نوع مشتری؛
2. استخراج نیازها؛
3. بررسی CRM؛
4. پیشنهاد محصول؛
5. محاسبه قیمت؛
6. تهیه پاسخ؛
7. ثبت فعالیت؛
8. زمان‌بندی پیگیری.

هر مرحله می‌تواند توسط ابزار، Function یا AI Agent مستقلی انجام شود.

مرحله سوم: انتخاب ایجنت‌های تخصصی

برای هر وظیفه مشخص کنید که آیا به ایجنت جداگانه نیاز است یا خیر.

یک ایجنت باید حداقل موارد زیر را داشته باشد:

• نقش روشن؛
• هدف مشخص؛
• ورودی تعریف‌شده؛
• خروجی ساختاریافته؛
• ابزارهای محدود و مرتبط؛
• سطح دسترسی مشخص؛
• معیار ارزیابی؛
• رفتار تعریف‌شده در زمان خطا.

از ساخت تعداد زیادی ایجنت بدون مرزبندی روشن خودداری کنید. ایجنت‌هایی با نقش‌های هم‌پوشان می‌توانند باعث افزایش هزینه و تعارض شوند.

مرحله چهارم: انتخاب مدل مناسب برای هر ایجنت

لازم نیست تمام ایجنت‌ها از گران‌ترین یا قدرتمندترین مدل استفاده کنند.

برای انتخاب مدل باید عوامل زیر را در نظر گرفت:

• کیفیت Reasoning؛
• سرعت پاسخ؛
• هزینه Token؛
• پشتیبانی از Tool Calling؛
• اندازه Context Window؛
• قابلیت Structured Output؛
• توانایی پردازش تصویر یا فایل؛
• دقت در زبان فارسی؛
• پایداری API.

یک Router می‌تواند بر اساس پیچیدگی درخواست، مدل مناسب را به‌صورت پویا انتخاب کند.

مرحله پنجم: طراحی Workflow

در این مرحله ترتیب اجرا و ارتباط ایجنت‌ها تعریف می‌شود.

برای هر مرحله باید مشخص باشد:

• چه چیزی باعث شروع مرحله می‌شود؟
• ورودی مرحله چیست؟
• خروجی باید چه ساختاری داشته باشد؟
• مرحله بعدی کدام است؟
• در صورت خطا چه اتفاقی می‌افتد؟
• چند بار Retry مجاز است؟
• Timeout چقدر است؟
• آیا اجرای موازی امکان‌پذیر است؟
• آیا تأیید انسان موردنیاز است؟

مرحله ششم: اتصال APIها و ابزارها

ایجنت‌ها باید فقط به ابزارهایی دسترسی داشته باشند که برای نقش آن‌ها ضروری است.

نمونه یک تعریف ساده Tool:

{
  "name": "get_customer_invoice",
  "description": "دریافت آخرین صورتحساب مشتری",
  "parameters": {
    "type": "object",
    "properties": {
      "customer_id": {
        "type": "string"
      }
    },
    "required": [
      "customer_id"
    ]
  }
}

تعریف واضح نام، توضیح و Schema ابزار باعث می‌شود مدل با احتمال بیشتری Tool مناسب را انتخاب کند.

مرحله هفتم: طراحی Context و حافظه

ارسال تمام تاریخچه و داده‌های موجود به همه ایجنت‌ها انتخاب مناسبی نیست.

برای هر ایجنت فقط Context مرتبط را ارسال کنید.

روش‌های رایج مدیریت Context عبارت‌اند از:

• خلاصه‌سازی تاریخچه؛
• استفاده از حافظه ساختاریافته؛
• ذخیره State در پایگاه داده؛
• بازیابی اطلاعات با RAG؛
• استفاده از Vector Database؛
• محدودکردن Context بر اساس نقش؛
• حذف اطلاعات حساس؛
• استفاده از شناسه مشترک برای Trace.

مرحله هشتم: تعریف Guardrailها

قبل از اجرای Production باید محدودیت‌های سیستم مشخص شوند.

نمونه Guardrail:

• حداکثر تعداد مراحل؛
• محدودیت مصرف Token؛
• سقف هزینه هر Workflow؛
• فهرست ابزارهای مجاز؛
• جلوگیری از اجرای تکراری عملیات؛
• نیاز به تأیید انسانی؛
• اعتبارسنجی Structured Output؛
• جلوگیری از ارسال اطلاعات حساس؛
• محدودکردن دسترسی هر Agent.

مرحله نهم: تست و ارزیابی

سیستم را فقط با چند مثال موفق ارزیابی نکنید.

مجموعه تست باید شامل موارد زیر باشد:

• درخواست‌های عادی؛
• ورودی ناقص؛
• داده متناقض؛
• خطای API؛
• Timeout؛
• پاسخ نامعتبر مدل؛
• تلاش برای دسترسی غیرمجاز؛
• اجرای تکراری؛
• درخواست خارج از محدوده؛
• حجم بالای درخواست.

معیارهای مهم عبارت‌اند از:

• نرخ موفقیت کامل Workflow؛
• دقت انتخاب ایجنت؛
• دقت انتخاب ابزار؛
• میانگین زمان اجرا؛
• هزینه متوسط؛
• تعداد Retry؛
• نرخ ارجاع به انسان؛
• درصد خروجی‌های نامعتبر؛
• میزان رضایت کاربر.

مرحله دهم: مانیتورینگ و بهینه‌سازی مداوم

پس از انتشار، عملکرد ایجنت‌ها باید به‌طور مداوم بررسی شود.

Orchestrator می‌تواند بعضی ناکارآمدی‌ها را به‌صورت خودکار تشخیص دهد، اما اصلاح Prompt، مدل، Policy و ساختار Workflow همچنان به نظارت انسانی نیاز دارد.

ابزارها و فریم‌ورک‌های Agent Orchestration

برای ساخت سیستم‌های ایجنتی می‌توان از فریم‌ورک‌های مختلفی استفاده کرد.

LangGraph

LangGraph برای طراحی Workflowهای Stateful و مبتنی بر Graph استفاده می‌شود.

در LangGraph هر Agent، Tool یا Function می‌تواند به‌عنوان یک Node تعریف شود و مسیرهای اجرای سیستم با Edgeهای مشخص یا شرطی کنترل شوند.

این ابزار برای پروژه‌هایی مناسب است که به موارد زیر نیاز دارند:

• کنترل دقیق جریان اجرا؛
• State Management؛
• Workflowهای حلقه‌ای؛
• Human-in-the-Loop؛
• Checkpoint؛
• اجرای قابل‌بازیابی؛
• مسیرهای شرطی.

OpenAI Agents SDK

OpenAI Agents SDK برای ساخت ایجنت‌هایی با Instruction، Tool، Handoff، Guardrail و Trace طراحی شده است.

دو الگوی مهم آن عبارت‌اند از:

• Agents as Tools: یک Manager Agent ایجنت‌های تخصصی را مانند ابزار فراخوانی می‌کند.
• Handoffs: یک ایجنت کنترل مکالمه یا وظیفه را به ایجنت دیگری واگذار می‌کند.

این SDK امکان ترکیب تصمیم‌گیری LLM با منطق قطعی برنامه را فراهم می‌کند.

CrewAI

CrewAI بر تعریف Agentها، Taskها و Crewهای نقش‌محور تمرکز دارد.

این فریم‌ورک برای نمونه‌سازی تیم‌هایی از ایجنت‌های تخصصی مانند محقق، نویسنده، تحلیلگر و مدیر مناسب است.

Google Agent Development Kit

Google ADK مجموعه‌ای برای توسعه و هماهنگ‌سازی ایجنت‌ها است و امکان ساخت Workflowهای چندایجنتی، استفاده از Tool و اتصال به سرویس‌های خارجی را فراهم می‌کند.

Microsoft Agent Framework

Microsoft Agent Framework قابلیت ساخت Agentهای مستقل و Workflowهای Graph-Based را ارائه می‌کند.

Workflowهای آن از قابلیت‌هایی مانند موارد زیر پشتیبانی می‌کنند:

• Routing نوع‌مند؛
• Checkpoint؛
• State Management؛
• Human-in-the-Loop؛
• اجرای ترتیبی، هم‌زمان و شاخه‌ای؛
• اتصال به MCP Serverها.

Microsoft Agent Framework به‌عنوان مسیر تکامل مستقیم مفاهیم AutoGen و Semantic Kernel معرفی شده است.

LlamaIndex Workflows

LlamaIndex Workflows برای ساخت جریان‌های Event-Driven و سیستم‌هایی مناسب است که تعامل گسترده‌ای با داده، اسناد و RAG دارند.

انتخاب فریم‌ورک مناسب

فریم‌ورک مناسب به نوع مسئله بستگی دارد.

هیچ فریم‌ورکی به‌تنهایی تمام مشکلات Production را حل نمی‌کند. مدیریت Queue، پایگاه داده، احراز هویت، Observability، Rate Limit، هزینه و Failover معمولا باید در لایه‌های زیرساختی نیز پیاده‌سازی شود.

مزایای ارکستراسیون AI Agent

افزایش بهره‌وری

تقسیم یک فرایند پیچیده میان چند ایجنت تخصصی می‌تواند اجرای وظایف را سریع‌تر و منظم‌تر کند.

وظایف مستقل نیز می‌توانند به‌صورت موازی اجرا شوند.

تخصصی‌شدن ایجنت‌ها

هر ایجنت می‌تواند Prompt، مدل، ابزار و داده متناسب با وظیفه خود داشته باشد.

این روش معمولا از ساخت یک ایجنت بسیار بزرگ با ده‌ها ابزار و دستورالعمل پیچیده، قابل‌کنترل‌تر است.

انعطاف‌پذیری

Orchestrator می‌تواند بر اساس نوع درخواست، شرایط سیستم یا نتیجه مراحل قبلی، مسیر اجرا را تغییر دهد.

تجربه بهتر کاربران

ترکیب ایجنت‌های تخصصی می‌تواند پاسخ‌هایی دقیق‌تر و متناسب‌تر با Context ایجاد کند.

برای مثال، در پشتیبانی مشتری، اطلاعات حساب، صورتحساب و سوابق مکالمه می‌توانند با رعایت سطح دسترسی در یک پاسخ یکپارچه استفاده شوند.

تحمل خطا

در یک سیستم طراحی‌شده به‌درستی، شکست یک ایجنت لزوما باعث شکست کل فرایند نمی‌شود.

Orchestrator می‌تواند:

• Retry انجام دهد؛
• مدل دیگری انتخاب کند؛
• ایجنت جایگزین را فراخوانی کند؛
• مرحله را از Checkpoint ادامه دهد؛
• درخواست را به انسان ارجاع دهد.

مقیاس‌پذیری

وظایف و ایجنت‌ها را می‌توان روی Workerهای مختلف اجرا کرد و منابع را بر اساس بار هر بخش افزایش داد.

قابلیت مشاهده و کنترل

وجود لایه Orchestration امکان ثبت و بررسی کل مسیر تصمیم‌گیری را فراهم می‌کند.

این ویژگی برای سیستم‌های سازمانی، مالی و حساس اهمیت زیادی دارد.

کنترل هزینه

Orchestrator می‌تواند:

• مدل اقتصادی‌تر انتخاب کند؛
• تعداد Retry را محدود کند؛
• برای هر Workflow سقف Token تعیین کند؛
• پاسخ‌ها را Cache کند؛
• مراحل غیرضروری را حذف کند؛
• وظایف ساده را به مدل‌های سریع‌تر بسپارد.

چالش‌های ارکستراسیون ایجنت‌های AI

وابستگی میان ایجنت‌ها

اگر خروجی یک ایجنت برای مرحله بعدی ضروری باشد، خطای آن می‌تواند کل Workflow را متوقف کند.

برای کاهش این مشکل باید از موارد زیر استفاده شود:

• Validation؛
• Retry محدود؛
• Fallback؛
• Checkpoint؛
• Timeout؛
• خروجی ساختاریافته؛
• ایجنت یا مدل جایگزین.

خطاهای مشترک مدل‌ها

اگر تمام ایجنت‌ها از یک مدل یا Prompt مشابه استفاده کنند، ممکن است همگی دچار خطای مشابه شوند.

تنوع مدل به‌تنهایی تضمین‌کننده صحت نیست، اما در بعضی معماری‌ها می‌توان از مدل‌ها یا روش‌های ارزیابی متفاوت برای کاهش خطای مشترک استفاده کرد.

ارتباط و هماهنگی

اگر قرارداد ارتباطی روشنی وجود نداشته باشد، ایجنت‌ها ممکن است خروجی‌های ناسازگار تولید کنند.

استفاده از JSON Schema، پیام‌های نوع‌مند، شناسه Workflow و State مشترک می‌تواند این مشکل را کاهش دهد.

افزایش پیچیدگی

یک سیستم پنج‌ایجنتی لزوما پنج برابر پیچیده‌تر از یک ایجنت نیست؛ تعاملات میان ایجنت‌ها می‌تواند تعداد حالت‌های سیستم را به‌شدت افزایش دهد.

بنابراین، فقط زمانی ایجنت جدید اضافه کنید که نقش مستقلی داشته باشد.

افزایش هزینه و زمان پاسخ

هر مرحله ممکن است به یک یا چند فراخوانی مدل نیاز داشته باشد.

یک Workflow چندایجنتی بدون کنترل ممکن است به‌سرعت Token و هزینه زیادی مصرف کند.

حلقه‌های بی‌پایان

دو ایجنت ممکن است وظیفه را بارها به یکدیگر واگذار کنند یا Supervisor به‌طور مداوم خروجی را رد کند.

برای جلوگیری از این مشکل باید محدودیت‌هایی مانند موارد زیر تعریف شوند:

max_steps = 12
max_handoffs = 4
max_retries_per_agent = 2
max_total_cost = defined_budget

تصمیم‌گیری پیچیده

انتخاب بهترین ایجنت، مدل یا مسیر همیشه ساده نیست.

Router می‌تواند بر اساس قوانین قطعی، Classifier، LLM یا ترکیبی از آن‌ها تصمیم بگیرد.

برای مسیرهای حساس بهتر است بخش‌های مهم تا حد امکان قطعی و قابل‌آزمایش باشند.

Fault Tolerance

باید مشخص باشد در صورت خرابی Orchestrator، Agent، Queue، مدل یا API خارجی چه اتفاقی می‌افتد.

راهکارهای رایج عبارت‌اند از:

• Redundancy؛
• Replication؛
• Dead Letter Queue؛
• Circuit Breaker؛
• Idempotency Key؛
• Checkpoint؛
• Health Check؛
• Failover Provider.

حریم خصوصی و کنترل دسترسی

ایجنت‌ها ممکن است اطلاعات حساس را پردازش کنند.

هر ایجنت باید از اصل حداقل دسترسی یا Least Privilege پیروی کند و فقط به داده‌ها و ابزارهای ضروری دسترسی داشته باشد.

دشواری ارزیابی

ممکن است پاسخ نهایی درست به نظر برسد، اما یکی از مراحل داخلی اشتباه انجام شده باشد.

به همین دلیل باید هم نتیجه نهایی و هم مراحل میانی ارزیابی شوند.

کاربردهای Agent Orchestration

پشتیبانی مشتری

ایجنت‌های مختلف می‌توانند مسئول تشخیص Intent، بازیابی اطلاعات، Billing، Troubleshooting و Escalation باشند.

توسعه نرم‌افزار

یک Workflow توسعه می‌تواند شامل ایجنت‌های زیر باشد:

• تحلیل Requirement؛
• تولید کد؛
• Code Review؛
• اجرای تست؛
• بررسی Dependency؛
• تولید مستندات؛
• آماده‌سازی Pull Request.

GitHub مثالی از Workflow چندایجنتی ارائه می‌کند که در آن Code Review Agent، بررسی سیاست‌ها و مراحل تأیید انسانی با ترتیب کنترل‌شده اجرا می‌شوند.

تولید محتوا

سیستم می‌تواند تحقیق، نگارش، بررسی منابع، ویرایش، SEO و انتشار را میان چند ایجنت تقسیم کند.

تحلیل داده

ایجنت‌ها می‌توانند مسئول جمع‌آوری داده، پاک‌سازی، تحلیل آماری، ساخت نمودار و تفسیر نتایج باشند.

فروش و CRM

ایجنت‌ها می‌توانند Lead را ارزیابی کنند، اطلاعات CRM را بازیابی کنند، پیشنهاد اولیه بسازند و پیگیری مناسب را زمان‌بندی کنند.

منابع انسانی

غربال اولیه رزومه، پاسخ به سؤال‌های داخلی، برنامه‌ریزی مصاحبه و آماده‌سازی گزارش می‌توانند در یک Workflow هماهنگ شوند.

زنجیره تأمین

چند ایجنت می‌توانند موجودی، سفارش‌ها، حمل‌ونقل، تقاضا و تأمین‌کنندگان را بررسی کنند و نتیجه را به یک Orchestrator ارائه دهند.

چه زمانی از چند ایجنت استفاده نکنیم؟

معماری Multi-Agent همیشه بهترین انتخاب نیست.

از چند ایجنت استفاده نکنید اگر:

• وظیفه با یک Function ساده قابل‌حل است؛
• مراحل کاملا قطعی و ثابت هستند؛
• یک فراخوانی مدل پاسخ مناسب می‌دهد؛
• زمان پاسخ بسیار مهم است؛
• هزینه باید حداقل باشد؛
• امکان مانیتورینگ و عیب‌یابی ندارید؛
• نقش ایجنت‌ها با یکدیگر هم‌پوشانی دارد؛
• داده یا معیار ارزیابی مناسبی در اختیار ندارید.

یک اصل کاربردی این است:

ابتدا مسئله را با ساده‌ترین معماری ممکن حل کنید و فقط در صورت وجود نیاز واقعی، ایجنت‌ها و لایه‌های جدید اضافه کنید.

بهترین روش‌های طراحی Agent Orchestration

نقش هر ایجنت را محدود نگه دارید

هر ایجنت باید مسئولیت مشخص و قابل‌اندازه‌گیری داشته باشد.

خروجی‌ها را ساختاریافته کنید

به‌جای متن آزاد، تا حد امکان از JSON Schema یا مدل داده مشخص استفاده کنید.

مسیرهای حساس را قطعی طراحی کنید

تصمیم‌هایی مانند پرداخت، حذف داده و Deploy نباید بدون Guardrail به مدل واگذار شوند.

از Idempotency استفاده کنید

اجرای دوباره یک مرحله نباید باعث پرداخت، ارسال یا ثبت تکراری شود.

هزینه را در سطح Workflow کنترل کنید

تنها محدودکردن Token هر درخواست کافی نیست. کل هزینه یک Workflow باید سقف داشته باشد.

Context را حداقل نگه دارید

هر ایجنت فقط اطلاعات موردنیاز نقش خود را دریافت کند.

تأیید انسان را در نقاط حساس قرار دهید

Human-in-the-Loop باید بخشی از معماری باشد، نه راهکاری اضطراری پس از انتشار.

تمام مراحل را Trace کنید

بدون Trace، تشخیص علت خطا در سیستم چندایجنتی بسیار دشوار خواهد بود.

مدل‌ها را بر اساس وظیفه انتخاب کنید

استفاده از یک مدل واحد برای تمام مراحل همیشه بهینه نیست.

Fallback تعریف کنید

برای مدل، Provider، Tool و Agent مسیر جایگزین داشته باشید.

نقش API در ارکستراسیون ایجنت‌های هوش مصنوعی

API یکی از مهم‌ترین اجزای معماری Agent Orchestration است.

ایجنت‌ها از طریق API می‌توانند:

• به مدل‌های مختلف متصل شوند؛
• داده دریافت کنند؛
• عملیات واقعی انجام دهند؛
• با نرم‌افزارهای سازمانی ارتباط برقرار کنند؛
• Toolهای تخصصی را فراخوانی کنند؛
• خروجی ایجنت‌های دیگر را دریافت کنند.

در یک سیستم چندایجنتی ممکن است برای هر وظیفه به مدل متفاوتی نیاز باشد. برای مثال، یک مدل برای Reasoning، مدلی دیگر برای Coding و مدل سریع‌تری برای طبقه‌بندی درخواست‌ها انتخاب شود.

استفاده از یک API یکپارچه می‌تواند مدیریت اتصال به مدل‌ها، تغییر مدل، کنترل هزینه و توسعه Agentهای چندمدلی را ساده‌تر کند.

ساخت ایجنت‌های هوش مصنوعی با API درواره

درواره یک API یکپارچه برای دسترسی به مدل‌های مختلف هوش مصنوعی فراهم می‌کند.

توسعه‌دهندگان می‌توانند با استفاده از API درواره، مدل مناسب هر Agent را انتخاب کرده و سیستم‌های زیر را توسعه دهند:

• ایجنت‌های هوش مصنوعی؛
• سیستم‌های Multi-Agent؛
• Agent Router؛
• Workflowهای LangGraph؛
• ایجنت‌های مبتنی بر OpenAI Agents SDK؛
• سیستم‌های RAG؛
• دستیارهای سازمانی؛
• ابزارهای تحلیل، برنامه‌نویسی و تولید محتوا.

Base URL سازگار با OpenAI درواره:

https://api.darvareh.ir/v1

نمونه ساخت Client در پایتون:

from openai import OpenAI

client = OpenAI(
    api_key="DARVAREH_API_KEY",
    base_url="https://api.darvareh.ir/v1"
)

response = client.chat.completions.create(
    model="MODEL_ID",
    messages=[
        {
            "role": "system",
            "content": "شما ایجنت تحلیل درخواست مشتری هستید."
        },
        {
            "role": "user",
            "content": "مبلغ از حساب من کم شده اما اشتراک فعال نیست."
        }
    ]
)

print(response.choices[0].message.content)

در معماری چندایجنتی می‌توان برای هر Agent یک Client، مدل یا تنظیمات جداگانه تعریف کرد و مدیریت جریان اجرا را به فریم‌ورک Orchestration سپرد.

برای مشاهده مدل‌ها، دریافت کلید API و شروع توسعه، به وب‌سایت درواره مراجعه کنید.

جمع‌بندی

ارکستراسیون ایجنت‌های هوش مصنوعی فرایند هماهنگ‌کردن چند ایجنت تخصصی برای اجرای هدفی مشترک است.

در این معماری، Orchestrator وظایف را تقسیم می‌کند، ایجنت مناسب را انتخاب می‌کند، کانتکست را میان اجزای سیستم انتقال می‌دهد و بر ترتیب اجرا، خطاها، هزینه و محدودیت‌ها نظارت دارد.

Agent Orchestration می‌تواند مزایایی مانند تخصصی‌شدن وظایف، مقیاس‌پذیری، انعطاف‌پذیری و تحمل خطا ایجاد کند؛ اما هم‌زمان پیچیدگی، هزینه و نیاز به Observability را افزایش می‌دهد.

برای ساخت یک سیستم موفق بهتر است:

• با یک مسئله محدود شروع کنید؛
• ابتدا ساده‌ترین معماری را آزمایش کنید؛
• نقش ایجنت‌ها را دقیق تعریف کنید؛
• از Structured Output و State Management استفاده کنید؛
• Guardrail و Human-in-the-Loop داشته باشید؛
• هزینه و تعداد مراحل را محدود کنید؛
• تمام تصمیم‌ها و Tool Callها را ثبت کنید؛
• مدل هر ایجنت را متناسب با وظیفه انتخاب کنید.

در نهایت، ارزش واقعی سیستم‌های چندایجنتی نه در تعداد Agentها، بلکه در کیفیت هماهنگی، کنترل و قابلیت ارزیابی آن‌هاست.

پرسش‌های متداول

ارکستراسیون ایجنت هوش مصنوعی چیست؟

AI Agent Orchestration فرایند هماهنگ‌کردن چند ایجنت هوش مصنوعی برای اجرای یک هدف مشترک است. Orchestrator وظایف، ترتیب اجرا، Context، ابزارها و تعاملات میان ایجنت‌ها را مدیریت می‌کند.

تفاوت ایجنت هوش مصنوعی و چت‌بات چیست؟

چت‌بات معمولا به پیام کاربر پاسخ می‌دهد، اما ایجنت می‌تواند برنامه‌ریزی کند، ابزار فراخوانی کند، تصمیم بگیرد و برای رسیدن به هدف چند مرحله را به‌صورت مستقل اجرا کند.

سیستم چندایجنتی چیست؟

Multi-Agent System مجموعه‌ای از چند ایجنت مستقل یا نیمه‌مستقل است که با تقسیم مسئولیت و تبادل اطلاعات برای حل یک مسئله همکاری می‌کنند.

Orchestrator چه وظیفه‌ای دارد؟

Orchestrator مشخص می‌کند کدام Agent اجرا شود، چه Contextی دریافت کند، خروجی به کجا ارسال شود و در صورت خطا یا نیاز به تأیید انسانی چه اقدامی انجام شود.

آیا هر پروژه هوش مصنوعی به چند ایجنت نیاز دارد؟

خیر. برای وظایف ساده، قطعی یا تک‌مرحله‌ای، استفاده از یک مدل، Function یا Workflow معمولی می‌تواند سریع‌تر، ارزان‌تر و قابل‌اعتمادتر باشد.

انواع اصلی Agent Orchestration کدام‌اند؟

معماری‌های اصلی شامل ارکستراسیون متمرکز، غیرمتمرکز، سلسله‌مراتبی و فدرال هستند. بسیاری از سیستم‌های Production ترکیبی از این روش‌ها را استفاده می‌کنند.

بهترین فریم‌ورک Agent Orchestration چیست؟

بهترین انتخاب به نیاز پروژه بستگی دارد. LangGraph برای کنترل Graph و State، OpenAI Agents SDK برای Handoff و Manager Agent، CrewAI برای تیم‌های نقش‌محور و Microsoft Agent Framework برای Workflowهای چندایجنتی در اکوسیستم Microsoft قابل‌استفاده‌اند.

آیا Agent Orchestration هزینه API را افزایش می‌دهد؟

ممکن است افزایش دهد، زیرا هر Workflow شامل چند فراخوانی مدل است. با Model Routing، اجرای موازی، Cache، محدودیت Token و انتخاب مدل اقتصادی‌تر می‌توان هزینه را کنترل کرد.

چگونه از حلقه بی‌پایان ایجنت‌ها جلوگیری کنیم؟

باید تعداد مراحل، Retryها، Handoffها و هزینه کل محدود شود. همچنین هر Agent باید شرط پایان مشخصی داشته باشد و تمام اجراها مانیتور شوند.

آیا می‌توان مدل‌های مختلف را در یک سیستم چندایجنتی استفاده کرد؟

بله. هر ایجنت می‌تواند بر اساس وظیفه خود از مدل متفاوتی استفاده کند. برای مثال، یک مدل Reasoning برای برنامه‌ریزی و یک مدل سریع‌تر برای طبقه‌بندی درخواست‌ها به کار گرفته شود.

آیا API درواره برای ساخت AI Agent قابل‌استفاده است؟

بله. API درواره امکان دسترسی یکپارچه به مدل‌های مختلف هوش مصنوعی را فراهم می‌کند و می‌توان آن را در فریم‌ورک‌هایی مانند LangGraph، OpenAI Agents SDK و سایر ابزارهای سازگار با APIهای OpenAI-Compatible به کار برد.