متن
خلاصه خیلی کوتاه
AI یک چتر کلی است. Machine Learning یکی از روشهای ساخت AI است. LLM مدل زبانی است که با متن کار میکند. AI assistant مثل ChatGPT، Claude، DeepSeek یا Gemini برای گفتوگو و پاسخگویی ساخته شده است. AI Agent یک قدم جلوتر میرود: هدف دارد، از ابزار استفاده میکند، نتیجه را بررسی میکند و در یک workflow مشخص جلو میرود.
این مقاله در سطح 1 نقشه راه قرار دارد و نقش یک پل آموزشی را بازی میکند: از فهمیدن مفهومها به سمت ساختن اولین نمونه عملی.
اگر تازه مسیر را شروع کردهای، نقشه راه یادگیری AI Agent را هم ببین تا بدانی این مقاله در کجای مسیر قرار میگیرد. بعد از این مقاله، اولین AI Agent خودم را با چه چیزی بسازم را بخوان تا از فهم مفاهیم به ساختن اولین Agent کوچک برسی.
AI چیست؟
AI یا هوش مصنوعی یعنی سیستمی که کاری را انجام دهد که ما آن را شبیه رفتار هوشمندانه میدانیم. این کار میتواند تشخیص تصویر، پیشبینی، دستهبندی، پیشنهاد دادن، خلاصهسازی یا پاسخگویی باشد.
به زبان ساده، AI قرار نیست حتماً مثل انسان فکر کند. کافی است در یک مسئله مشخص، خروجی مفید و قابلاستفاده بدهد.
Machine Learning چیست؟
Machine Learning یا یادگیری ماشین یکی از روشهای ساخت AI است. در این روش، به جای اینکه برای هر قانون کد دستی بنویسیم، به مدل داده میدهیم تا از الگوها یاد بگیرد.
مثلاً مدل میتواند از روی نمونههای زیاد یاد بگیرد که چه متنی شبیه سؤال است، چه تصویری شبیه گربه است یا چه الگوی رفتاری مهمتر به نظر میرسد. Machine Learning زیرمجموعهای از AI است، نه چیزی جدا از آن.
LLM چیست؟
LLM مخفف Large Language Model است. این مدلها برای کار با زبان ساخته شدهاند. یعنی متن میخوانند، متن تولید میکنند، خلاصه میکنند، بازنویسی میکنند و سؤال جواب میدهند.
LLM معمولاً موتور اصلی بسیاری از AI assistantهاست. اما خود LLM بهتنهایی به معنی Agent کامل نیست. LLM معمولاً «تولیدکننده پاسخ» است، نه الزاماً «اجراکننده هدف».
AI assistant چیست؟
AI assistant مثل ChatGPT، Claude، DeepSeek یا Gemini معمولاً یک رابط گفتگو است که به کاربر کمک میکند با یک مدل زبانی کار کند. کاربر سؤال میپرسد، مدل پاسخ میدهد و گفتوگو ادامه پیدا میکند.
assistantها برای:
- جواب دادن به سؤالها
- خلاصه کردن متن
- بازنویسی
- ایده دادن
- کمک به نوشتن
عالی هستند.
اما معمولاً خودشان بهصورت مستقل یک workflow چندمرحلهای را مدیریت نمیکنند، مگر اینکه ابزارها و منطق اضافی به آنها وصل شده باشد.
AI Agent چیست؟
AI Agent یک قدم جلوتر از assistant است. Agent فقط پاسخ نمیدهد؛ یک هدف دارد، وضعیت را نگه میدارد، از ابزار استفاده میکند، نتیجه را بررسی میکند و بعد قدم بعدی را انتخاب میکند.
برای مثال، یک Agent میتواند:
- یک متن آزمایشی بگیرد
- آن را خلاصه کند
- خروجی را بررسی کند
- اگر لازم بود از یک ابزار دیگر استفاده کند
- در پایان، نتیجه را برای بازبینی انسان آماده کند
پس تفاوت اصلی این است:
- assistant بیشتر برای گفتوگو و پاسخگویی است
- Agent برای انجام دادن یک کار هدفدار در چند مرحله است
تفاوت AI assistant و AI Agent چیست؟
اگر بخواهیم خیلی ساده تفکیک کنیم:
AI assistant
- روی پاسخ دادن تمرکز دارد
- معمولاً کاربر هر مرحله را دستی هدایت میکند
- برای کارهای روزمره و تولید محتوا عالی است
AI Agent
- روی انجام دادن یک هدف تمرکز دارد
- میتواند tool calling داشته باشد
- میتواند workflow را مرحلهبهمرحله جلو ببرد
- معمولاً به کنترل، بررسی انسانی و محدودیتهای روشن نیاز دارد
این تفاوت مهم است چون خیلی از کاربران تازهکار، هر مدل گفتگو را Agent تصور میکنند. در حالی که Agent واقعی معمولاً نیازمند منطق بیشتر، کنترل بیشتر و تعریف دقیق وظیفه است.
Prompt و Context یعنی چه؟
Prompt همان چیزی است که به مدل میگویی. میتواند یک سؤال، دستور، مثال یا ترکیبی از اینها باشد.
Context هم اطلاعاتی است که مدل برای پاسخ بهتر در اختیار دارد. این اطلاعات میتواند شامل تاریخچه گفتوگو، متن ورودی، فایل یا دادههای مربوط به کار باشد.
اگر prompt خوب باشد ولی context ضعیف باشد، خروجی هم معمولاً ضعیف میشود.
Workflow چیست؟
Workflow یعنی ترتیب انجام کارها. مثلاً:
- دریافت ورودی
- تحلیل
- انتخاب اقدام
- تولید خروجی
- بررسی انسان
در AI Agent، workflow از خود مدل مهمتر است. اگر workflow روشن نباشد، حتی مدل خوب هم ممکن است خروجی نامطمئن بدهد.
Tool Calling چیست؟
Tool calling یعنی مدل فقط متن تولید نکند، بلکه بتواند یک ابزار را صدا بزند. این ابزار میتواند جستوجو، خواندن فایل، ارسال درخواست API، نوشتن داده یا هر کار کنترلشده دیگری باشد.
Tool calling یکی از مرزهای اصلی بین یک AI assistant ساده و یک AI Agent عملی است.
چرا RAG و Memory را باید اول فقط در حد شناخت اولیه فهمید؟
RAG یعنی مدل برای پاسخ بهتر از منبع بیرونی هم کمک بگیرد. Memory یعنی بعضی اطلاعات مهم را به خاطر بسپارد تا گفتوگو یا workflow بهتر جلو برود.
برای شروع، لازم نیست وارد معماری پیچیده شوی. کافی است بدانی:
- RAG برای آوردن دانش بیرونی است
- Memory برای نگه داشتن اطلاعات مهم بین مراحل است
اگر هنوز مفهومهای پایه را کامل نفهمیدهای، اضافه کردن RAG و Memory زود است و فقط پیچیدگی را بیشتر میکند.
چرا نباید از همان اول سراغ framework و automation برویم؟
چون framework فقط پیچیدگی را پنهان میکند، نه اینکه همیشه آن را حل کند.
اگر هنوز فرق AI، LLM، assistant، Agent، prompt، context و workflow را ندانی، وارد شدن مستقیم به framework ممکن است تو را به این خطاها بکشاند:
- تصور اشتباه از توانایی مدل
- اعتماد بیش از حد به خروجی خودکار
- نبودن human review
- نداشتن مرز روشن برای دادهها و ابزارها
بهتر است اول مسئله را بفهمی، بعد راهحل را انتخاب کنی.
این مسیر برای کاربران ایرانی چه نکتهای دارد؟
برای کاربران ایرانی چند موضوع مهمتر میشود:
- privacy و حساسیت دادهها
- کیفیت پاسخ در زبان فارسی
- محدودیت دسترسی به بعضی سرویسها
- خطر اعتماد کامل به خروجی بدون بررسی
پس از همان اول باید یاد بگیری خروجی را بررسی کنی، داده حساس را بیمحابا وارد نکنی و برای استفاده واقعی همیشه یک لایه انسانی نگه داری.
مسیر پیشنهادی بعد از این مقاله چیست؟
اگر این مقاله را خواندی، مسیر منطقی بعدی این است:
- اول نقشه راه یادگیری AI Agent را مرور کن
- بعد اولین AI Agent خودم را با چه چیزی بسازم را بخوان
- بعد سراغ ساخت اولین Agent کوچک و امن برو
هدف این مرحله این نیست که یک سیستم پیچیده بسازی. هدف این است که قبل از ورود به ابزارها، تصویر درست از مسئله داشته باشی.
قدم بعدی
اگر آمادهای، حالا برو سراغ اولین AI Agent خودم را با چه چیزی بسازم. آن مقاله از فهمیدن مفهومها به ساختن اولین نمونه عملی میرسد.