دوران چتباکسهای ساده که فقط به پرامپتهای شما پاسخ میدادند، به پایان رسیده است. امروز ما در عصر ایجنتهای هوش مصنوعی (AI Agents) زندگی میکنیم؛ موجودیتهای هوشمندی که نهتنها حرف میزنند، بلکه میتوانند استدلال کنند، تصمیم بگیرند، ابزارهای مختلف را به کار بگیرند و یک پروژهٔ واقعی را از صفر تا صد اجرا کنند.
تا انتهای این راهنمای عملی و گامبهگام، شما اولین ایجنت کاربردی خود را خواهید ساخت. فرقی نمیکند یک توسعهدهندهٔ مسلط به پایتون باشید یا یک مدیر کسبوکار بدون دانش برنامهنویسی؛ در این مقاله دو مسیر موازی (با کد و بدون کد) را بررسی میکنیم تا دقیقاً بر اساس نیاز خود پیش بروید. پیش از شروع، اگر هنوز با مفاهیم اولیه آشنا نیستید، پیشنهاد میکنیم مقالهٔ ایجنت هوش مصنوعی چیست را مطالعه کنید تا با معماری کلی این سیستمها آشنا شوید.
قبل از شروع — دقیقاً چه چیزی میسازیم؟
برای اینکه از فضای تئوری دور شویم، در این مقاله تمام مراحل را روی یک پروژهٔ واقعی و سرتاسری پیاده میکنیم: «ایجنت پژوهشگر» (Research Agent).
وظیفهٔ این ایجنت ساده اما فوقالعاده کاربردی است:
۱. یک موضوع یا سؤال پژوهشی را از کاربر دریافت میکند.
۲. با استفاده از ابزار دسترسی به اینترنت، منابع معتبر را جستجو میکند.
۳. اطلاعات متناقض یا تکراری را فیلتر میکند.
۴. در نهایت، یک گزارش خلاصهشده، ساختاریافته و مستند تحویل میدهد.
در پایان این مقاله، شما یک ایجنت واقعی و کارآمد خواهید داشت که همین چرخه را به صورت خودکار اجرا میکند.
پیشنیازهای ساخت یک ایجنت
قبل از دستبهکار شدن، باید زیرساختهای لازم یا همان نیازمندیهای ساخت ایجنت را آماده کنید. این پیشنیازها به دو دستهٔ فنی و منطقی تقسیم میشوند:
- کلید API مدل زبانی (LLM API Key): مغز متفکر ایجنت شما یک مدل زبانی بزرگ است. برای این کار به API پلتفرمهایی مثل OpenAI (برای GPT-4o)، آنتروپیک (برای Claude 3.5 Sonnet) یا یک مدل محلی و رایگان مثل Llama 3 روی سیستم خودتان (از طریق Ollama) نیاز دارید.
- دسترسی به ابزارهای جانبی: برای اینکه ایجنت بتواند کاری فراتر از تولید متن انجام دهد، باید به اینترنت یا دیتابیس متصل شود. در این راهنما از APIهای جستجو مثل Tavily یا DuckDuckGo استفاده میکنیم.
- محیط توسعه (برای مسیر کد): نصب بودن پایتون (نسخهٔ ۳.۱۰ یا بالاتر) و یک ویرایشگر کد مانند VS Code.
- حساب کاربری پلتفرم No-Code (برای مسیر بدون کد): دسترسی به ابزارهایی مثل n8n، Dify یا Flowise.
- داشتن یک هدف (Objective) صریح: ایجنتها بدون وظیفهٔ مشخص در یک حلقهٔ بیانتها (Infinite Loop) گیر میافتند یا خروجیهای بیربط تولید میکنند. هدف ما در اینجا کاملاً روشن است: جستجو و خلاصهسازی اخبار یک حوزهٔ خاص.
با کد بسازیم یا بدون کد؟ (انتخاب مسیر)
هیچ مسیر واحدی برای همه مناسب نیست. انتخاب بین توسعهٔ کدنویسی شده و استفاده از ابزارهای بصری (No-Code)، به هدف نهایی، زمان و مهارتهای فنی شما بستگی دارد. جدول زیر به شما کمک میکند تا در یک نگاه مسیر خود را انتخاب کنید:
| معیار ارزیابی | مسیر بدون کد (No-Code) | مسیر با کد (Python) |
| سرعت راهاندازی | بسیار سریع (چند دقیقه) | متوسط (نیاز به کانفیگ محیط) |
| نیاز به دانش فنی | در حد آشنایی با منطق پرامپتنویسی | تسلط پایه به پایتون و APIها |
| انعطافپذیری و کنترل | محدود به ابزارها و ماژولهای پلتفرم | بینهایت (امکان شخصیسازی کامل منطق) |
| هزینهٔ زیرساخت | وابسته به اشتراک پلتفرم واسط | فقط هزینهٔ مصرف توکن (Token) مدل |
| مناسب برای… | تست سریع ایده، ساخت MVP، اتوماسیونهای اداری | توسعهٔ محصولات تجاری، سیستمهای پیچیده سازمانی |
توصیهٔ صریح ما: اگر برای اولین بار است که با مفهوم ایجنت کار میکنید یا میخواهید یک اتوماسیون شخصی بسازید، از مسیر اول (بدون کد) شروع کنید. اما اگر قصد دارید این ابزار را به هستهٔ اصلی نرمافزار خود تبدیل کنید یا کنترل ۱۰۰٪ روی رفتار آن داشته باشید، مسیر دوم (با کد) برای شما ساخته شده است.
مسیر اول — ساخت ایجنت بدون کد (No-Code)
پلتفرمهای No-Code و Low-Code به شما اجازه میدهند با کنار هم قرار دادن بلوکهای بصری، معماری ایجنت را طراحی کنید.
گام ۱ — انتخاب پلتفرم
ابزارهای قدرتمندی مانند Dify، Flowise و n8n انتخابهای استاندارد بازار هستند. اگر به دنبال یک پلتفرم منبعباز و متمرکز بر اتوماسیون زنجیرهای هستید، n8n فوقالعاده است. اگر پلتفرمی میخواهید که تمرکز کاملی روی مدیریت پیشرفتهٔ ایجنتها و RAG داشته باشد، Dify بهترین گزینه است.
گام ۲ — تعریف هدف و پرامپت سیستمی
در پلتفرم مورد نظر یک Workflow یا Agent جدید ایجاد کنید. در بخش System Prompt یا دستورات اولیه، نقش ایجنت را اینگونه بنویسید:
“تو یک ایجنت پژوهشگر هستید. وظیفه داری سؤال کاربر را بگیری، با ابزار جستجویی که در اختیار داری دقیقترین اطلاعات را پیدا کنی و پاسخ را در قالب نقاط کلیدی (Bullet Points) همراه با ذکر منبع تحویل بدهی.”
گام ۳ — افزودن ابزار و اتصالها (Tools)
در این مرحله، باید دسترسی به دنیای بیرون را به ایجنت بدهید. از منوی ابزارها، بلوک Google Search یا Tavily Search را بکشید و به ایجنت متصل کنید. با این کار، مدل زبانی متوجه میشود که هرگاه اطلاعات بهروزی نیاز داشت، باید یک کوئری به این بلوک بفرستد و خروجی را بخواند.
گام ۴ — تست، اشکالزدایی و انتشار
در پنل چت سمت راست پلتفرم، بنویسید: «آخرین اخبار دربارهٔ مدل GPT-5 چیست؟» مشاهده خواهید کرد که ایجنت ابتدا ابزار جستجو را فراخوانی کرده، نتایج وب را میخواند و سپس یک متن خلاصه به شما تحویل میدهد. در نهایت با کلیک روی دکمهٔ Publish، یک لینک چت اختصاصی یا یک API جهت اتصال به وبسایت خود دریافت میکنید.
مسیر دوم — ساخت ایجنت با کد (پایتون)
اگر تصمیم دارید ایجنت را با کدنویسی خلق کنید، این بخش دستوپنجه نرم کردن با منطق واقعی هوش مصنوعی است. ما از پایتون و فریمورک مدرن و قدرتمند Agno (یا همان Phidata سابق) استفاده میکنیم که برای ساخت ایجنتهای مجهز به ابزار و حافظه بسیار بهینه است.
گام ۱ — انتخاب فریمورک
فریمورکهای مختلفی مثل LangGraph، CrewAI و Agno وجود دارند. برای این راهنمای گامبهگام، ما Agno را انتخاب میکنیم چون برخلاف لنگچین، پیچیدگی بویلرپلیت (کدهای تکراری) ندارد و یادگیری آن سریع است.
گام ۲ — راهاندازی محیط و اتصال مدل زبانی
ابتدا ترمینال خود را باز کنید، یک محیط مجازی بسازید و پکیجهای مورد نیاز را نصب کنید:
Bash
pip install agno openai duckduckgo-search
سپس، کلید API خود را در محیط سیستم (Environment Variables) تعریف کنید:
Bash
export OPENAI_API_KEY="your-openai-api-key-here"
گام ۳ — نوشتن پرامپت سیستمی و تعریف نقش ایجنت
یک فایل به نام research_agent.py بسازید. در این گام ساختار اولیه ایجنت و دستورالعمل سیستمی آن را مشخص میکنیم:
Python
from agno.agent import Agent
from agno.models.openai import OpenAIChat
agent = Agent(
model=OpenAIChat(id="gpt-4o"),
description="تو یک پژوهشگر ارشد هستی که اطلاعات دقیق را از وب استخراج میکند.",
instructions=[
"همیشه منابع اطلاعات خود را ذکر کن.",
"اگر اطلاعات کافی پیدا نکردی، حدس نزن؛ صراحتاً بگو که پیدا نشد.",
"خروجی را با فرمت مارکداون تمیز ارسال کن."
],
markdown=True
)
گام ۴ — افزودن ابزار با Function Calling
برای اینکه ایجنت توانایی جستجو داشته باشد، ابزار DuckDuckGo را به آن اضافه میکنیم. این فرآیند پشت صحنه از قابلیت Function Calling مدلهای زبانی استفاده میکند. برای درک عمیقتر این سازوکار، مقالهٔ افزودن ابزار به ایجنت با Function Calling را بخوانید.
Python
from agno.tools.duckduckgo import DuckDuckGoTools
agent.tools = [DuckDuckGoTools()]
گام ۵ — افزودن حافظه (Memory)
بدون حافظه، ایجنت پیام قبلی شما را فراموش میکند. با اضافه کردن یک افزونهٔ حافظه، ایجنت تاریخچهٔ گفتگو را در خود نگه میدارد. اطلاعات کاملتر در مقالهٔ حافظهٔ ایجنت هوش مصنوعی موجود است. در پلتفرم Agno، حافظه به طور پیشفرض در جلسات چت فعال است، اما میتوان آن را به دیتابیس نیز متصل کرد.
گام ۶ — اجرای حلقهٔ ایجنت و تست خروجی
حالا زمان آن رسیده که متد اجرای چت را فراخوانی کنیم تا حلقهٔ استدلال (Reasoning Loop) آغاز شود:
Python
agent.print_response("آخرین دستاوردهای هوش مصنوعی در پزشکی در سال ۲۰۲۶ چیست؟")
مثال کامل — «ایجنت پژوهشگر» را قدمبهقدم بسازیم
در این بخش، تمام قطعهکدهای بالا را در یک قالب یکپارچه، تمیز و کاملاً عملیاتی جمعآوری کردهایم. شما میتوانید این کد را کپی کرده و مستقیماً اجرا کنید.
Python
import os
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.duckduckgo import DuckDuckGoTools
# ۱. اطمینان از وجود API Key
if not os.environ.get("OPENAI_API_KEY"):
raise ValueError("لطفاً ابتدا OPENAI_API_KEY را در Environment Variables تنظیم کنید.")
# ۲. پیکربندی و ساخت ایجنت سرتاسری
research_agent = Agent(
model=OpenAIChat(id="gpt-4o"),
description="تو یک ایجنت پژوهشگر هوشمند هستی که وظیفه داری وب را برای یافتن پاسخهای مستند جستجو کنی.",
instructions=[
"برای پاسخ به سؤالات کاربر، ابتدا ساختار کوئری جستجو را بهینه کن.",
"حداقل ۳ منبع معتبر را بررسی کن و نتایج آنها را تلفیق کن.",
"در پایان متن، لینک منابع اصلی را قرار بده.",
"پاسخها را به زبان فارسی روان بنویس."
],
tools=[DuckDuckGoTools()],
markdown=True,
show_tool_calls=True # این گزینه مراحل فکر کردن و استفاده از ابزار را در ترمینال نشان میدهد
)
# ۳. اجرای ایجنت با یک نمونه ورودی واقعی
if __name__ == "__main__":
print("--- آغاز فعالیت ایجنت پژوهشگر ---")
research_agent.print_response(
"وضعیت توسعه خودروهای خودران در سال جاری میلادی به چه صورت است؟ یک خلاصه فنی بده.",
stream=True
)
نمونه خروجی واقعی ایجنت در ترمینال:
Plaintext
🧭 در حال فراخوانی ابزار: DuckDuckGoTools.web_search(query='autonomous vehicles development 2026')
📄 نتیجه ابزار دریافت شد (شامل ۳ لینک و خلاصهای از مقالات تککرانچ و رویترز)
--- پاسخ هوش مصنوعی ---
وضعیت توسعه خودروهای خودران در سال ۲۰۲۶ با تحولات کلیدی زیر همراه بوده است:
۱. تجاریسازی گستردهتر: شرکتهای پیشرو مجوزهای تجاری برای حذف کامل راننده پشتیبان در شهرهای بزرگ را دریافت کردهاند.
۲. ادغام چندحسی (Multi-modal): استفاده از مدلهای بصری بزرگ (VLM) به خودروها اجازه داده تا رفتارهای پیچیده انسانی در چهارراهها را بهتر پیشبینی کنند.
منابع:
- TechCrunch: [لینک]
- Reuters: [لینک]
اشتباهات رایج و نکات بهینهسازی
ساختن یک ایجنت که در محیط آزمایشگاهی کار کند آسان است، اما پایدار نگهداشتن آن در محیط واقعی چالشهای زیادی دارد. در ادامه به چند اشتباه کلیدی که باید از آنها دوری کنید اشاره شده است:
- نداشتن شرط توقف و ایجاد حلقههای بیانتها (Infinite Loops): اگر ایجنت نتواند با ابزار به پاسخ دقیق برسد، ممکن است بارها و بارها ابزار جستجو را صدا بزند. این کار توکنهای شما را مصرف کرده و هزینههای سنگینی روی دستتان میگذارد. همیشه سقف مجدد فراخوانی ابزار (مثلاً حداکثر ۵ بار) را تعیین کنید.
- دادن ابزارهای بیش از حد به یک ایجنت: اگر به یک ایجنت همزمان ابزار دسترسی به دیتابیس، ایمیل، جستجوی وب، ماشینحساب و پاک کردن فایلها را بدهید، مدل گیج شده و ابزارها را به اشتباه فراخوانی میکند. راهکار چیست؟ وظایف را خرد کرده و از معماری چند ایجنتی (Multi-Agent) استفاده کنید.
- پرامپت سیستمی مبهم: دستوراتی مثل “یک ایجنت خوب باش” کارایی ندارند. دستورالعملها باید دقیق، مرزبندیشده و شامل بایدها و نبایدها باشند.
- اعتماد کامل به خروجی (عدم مدیریت توهم یا Hallucination): ایجنتها ممکن است خروجی ابزارها را به اشتباه تفسیر کنند. حتماً سیستم ارزیابی یا فیلتر خروجی برای بررسی صحت دادهها قرار دهید.
قدم بعدی — ایجنتت را عملیاتی و حرفهای کن
وقتی اولین ایجنت پژوهشگر خود را ساختید و تست کردید، زمان آن میرسد که آن را از محیط لوکال و آزمایشگاهی خارج کرده و وارد دنیای واقعی کنید. عملیاتی کردن ایجنت شامل استقرار روی سرورهای ابری، راهاندازی پایگاهداده برای ذخیرهسازی طولانیمدت حافظه و مانیتورینگ دقیق هزینهها و رفتارهای مدل است تا از کارکرد صحیح آن مطمئن شوید. برای یادگیری گامهای فنی این مرحله، راهنمای جامع ما را در مقالهٔ استقرار و مانیتورینگ ایجنت دنبال کنید.
🎯 فرصت ویژه برای کسب وکارها:
اگر میخواهید فرآیند ساخت، مدیریت و استقرار ایجنتهای هوش مصنوعی را برای کسبوکار خود پیادهسازی کنید، ما این مسیر را برای شما ساده کردهایم.
همین حالا برای بررسی نیازهای کسبوکارتان پیام بدهید و اولین ایجنت اختصاصی خود را در کمترین زمان راهاندازی کنید.
سؤالات متداول
۱. برای ساخت یک ایجنت هوش مصنوعی به چه چیزهایی نیاز دارم؟
به طور کلی به یک کلید API از یک مدل زبانی بزرگ (مانند OpenAI یا یک مدل محلی)، یک محیط توسعه پایتون (یا حساب کاربری در پلتفرمهای No-Code) و دسترسی به ابزارهای جانبی مثل API جستجوی وب یا دیتابیس نیاز دارید.
۲. آیا بدون برنامهنویسی میتوان ایجنت هوش مصنوعی ساخت؟
بله، با استفاده از پلتفرمهای بصری و بدون کد (No-Code) مانند Dify، n8n و Flowise میتوانید با کنار هم قرار دادن بلوکهای گرافیکی، کاملاً ماهرانه ایجنتهای پیشرفته بسازید.
۳. بهترین فریمورک برای ساخت ایجنت کدام است؟
انتخاب فریمورک به نیاز شما بستگی دارد. LangGraph برای سیستمهای پیچیده و چرخهای، CrewAI برای مدیریت گروهی از ایجنتها (Multi-Agent)، و Agno برای ساخت سریع ایجنتهای ساده مجهز به ابزار، جزو بهترین گزینهها هستند.
۴. ساخت یک ایجنت چقدر طول میکشد و چه هزینهای دارد؟
ساخت یک نمونهٔ اولیه (MVP) کمتر از یک ساعت زمان میبرد. هزینهٔ آن نیز در ابعاد کوچک بسیار ناچیز است و صرفاً بر اساس میزان توکنهای مصرفی مدل زبانی (مثلاً چند سنت برای هر ۱۰۰ اجرا) محاسبه میشود.
۵. از کدام مدل زبانی برای ایجنت استفاده کنم؟
برای کارهای پیچیده که نیاز به استدلال قوی و فراخوانی دقیق ابزارها (Function Calling) دارند، مدلهای GPT-4o و Claude 3.5 Sonnet بهترین عملکرد را دارند. برای نسخههای محلی و رایگان نیز Llama 3 (8B/70B) گزینهای عالی است.
۶. چطور به ایجنتم ابزار یا حافظه اضافه کنم؟
در مسیر کدنویسی، این کار از طریق متدهای داخلی فریمورکها (مانند ارایه لیستی از توابع به پارامتر tools) انجام میشود. در محیط بدون کد نیز کافی است بلوک حافظه یا API ابزار مورد نظر را با خطوط گرافیکی به هستهٔ ایجنت متصل کنید.
۷. تفاوت ساخت ایجنت با کد و بدون کد چیست؟
مسیر بدون کد سرعت بالایی دارد اما انعطافپذیری آن محدود به امکانات پلتفرم واسط است. در مقابل، مسیر کدنویسی به شما کنترل کامل روی تکتک مراحل استدلال، یکپارچهسازی با سیستمهای داخلی سازمان و سفارشیسازی منطق ایجنت را میدهد.
جمعبندی
ساخت یک ایجنت هوش مصنوعی فراتر از یک پروژهٔ فنی، ابزاری قدرتمند برای دگرگون کردن بهرهوری و اتوماسیون فرآیندهاست. برای موفقیت ایجنت خود، این سه نکته را به خاطر بسپارید: وظیفه را کاملاً شفاف تعریف کنید، ابزارهای محدود و بهینه در اختیارش بگذارید و مراحل فکر کردن آن را مانیتور کنید.
اگر آمادهاید تا ایدهٔ خود را عملی کنید، همین حالا دستبهکار شوید و نسخهٔ اولیهٔ ایجنت پژوهشگر خود را بسازید. در صورتی که برای پیادهسازی سیستمهای پیچیدهتر سازمانی نیاز به مشاوره یا زیرساخت اختصاصی دارید، تیم پشتیبانی و پلتفرم توسعه هوش مصنوعی ما در تمام مراحل طراحی تا استقرار در کنار شماست.