انواع ایجنت هوش مصنوعی بر اساس شیوه تصمیم‌گیری، میزان آگاهی از محیط، هدف‌مندی و توان یادگیری دسته‌بندی می‌شوند. پنج گروه شناخته‌شده عبارت‌اند از عامل واکنشی ساده، عامل مدل‌محور، عامل هدفمحور، عامل مطلوبیت‌محور و عامل یادگیرنده. در سامانه‌های امروزی، معماری‌های عامل‌محور مبتنی بر مدل زبانی معمولا چند مورد از این قابلیت‌ها را ترکیب می‌کنند.
شناخت این دسته‌بندی فقط بحث نظری نیست. نوع ایجنت تعیین میکند چه داده‌ای لازم دارید، رفتار چگونه آزموده می‌شود و چه سطحی از کنترل انسانی ضروری است. اگر هنوز با تعریف پایه آشنا نیستید، ابتدا مقاله ایجنت هوش مصنوعی چیست را بخوانید.
۱. عامل واکنشی ساده چیست؟
عامل واکنشی بر اساس وضعیت فعلی و مجموعه‌ای از قواعد «اگر/آنگاه» تصمیم می‌گیرد. حافظه‌ای از گذشته ندارد و آینده را برنامه‌ریزی نمی‌کند. برای کنترل‌های سریع و قابل پیش‌بینی مناسب است؛ مانند مسدودکردن یک درخواست با الگوی خطرناک یا هدایت تیکت بر اساس کلمه کلیدی.
مزیت: سرعت، شفافیت و آزمون‌پذیری بالا. محدودیت: در محیط ناقص یا متغیر، قاعده‌های زیاد و شکننده می‌شوند.
۲. عامل مدل‌محور چگونه تصمیم می‌گیرد؟
عامل مدل‌محور یک نمایش داخلی از محیط نگه می‌دارد. اگر همه واقعیت‌ها در ورودی فعلی دیده نشوند، از وضعیت قبلی برای تکمیل تصویر استفاده میکند. برای مثال، ایجنت رسیدگی به سفارش می‌داند کاربر در گام قبل احراز شده و اکنون پرونده در چه مرحله‌ای است.
این نوع عامل به مدیریت وضعیت و حافظه دقیق نیاز دارد. نگهداری داده قدیمی یا نادرست میتواند تصمیم بعدی را منحرف کند؛ بنابراین سیاست پاک‌سازی و منبع حقیقت اهمیت دارد.
۳. عامل هدفمحور چیست؟
عامل هدفمحور فقط به وضعیت پاسخ نمی‌دهد؛ چند اقدام ممکن را با توجه به مقصد انتخاب میکند. «کاهش موجودی انبار» هدف خوبی نیست، اما «تهیه فهرست اقلام زیر نقطه سفارش و ساخت پیش‌نویس درخواست خرید» هدف قابل اجراست. برنامه‌ریزی، انتخاب ابزار و تشخیص پایان کار در این گروه مهم‌اند.
بسیاری از ایجنت‌های مبتنی بر مدل زبانی در این دسته قرار می‌گیرند. چرخه آن‌ها را در مقاله ایجنت چگونه کار میکند توضیح داده‌ایم.
۴. عامل مطلوبیت‌محور چه تفاوتی دارد؟
گاهی چند نتیجه به هدف می‌رسند، اما کیفیت یکسانی ندارند. عامل مطلوبیت‌محور گزینه‌ها را بر اساس تابع امتیاز مقایسه میکند؛ مثلا سرعت، هزینه، ریسک و رضایت مشتری را هم‌زمان می‌سنجد. این روش برای زمان‌بندی، تخصیص منابع و پیشنهاد گزینه کاربرد دارد.
تابع مطلوبیت باید قابل دفاع باشد. اگر فقط سرعت پاداش بگیرد، ممکن است کیفیت قربانی شود. وزن معیارها، محدودیت‌های قطعی و نحوه حل تعارض باید با مالک فرایند تصویب شوند.
۵. عامل یادگیرنده چیست؟
عامل یادگیرنده از بازخورد و تجربه برای بهبود سیاست تصمیم‌گیری استفاده میکند. یادگیری میتواند بهمعنای تنظیم رتبه‌بندی، انتخاب ابزار بهتر یا به‌روزرسانی دانش باشد؛ نه الزاما آموزش دوباره مدل پایه. بازخورد خام نباید مستقیم رفتار تولید را تغییر دهد، زیرا ممکن است اشتباه، آلوده یا جهت‌دار باشد.
چرخه امن شامل جمع‌آوری نمونه، بی‌نام‌سازی، برچسب‌گذاری، ارزیابی آفلاین و انتشار محدود است. برای طراحی معیارها مقاله ارزیابی ایجنت هوش مصنوعی را ببینید.
ایجنت مبتنی بر مدل زبانی در کدام دسته است؟
مدل زبانی یک دسته مستقل کلاسیک نیست. یک سامانه مبتنی بر LLM میتواند هدفمحور باشد، وضعیت نگه دارد، میان گزینه‌ها امتیازدهی کند و از بازخورد یاد بگیرد. چیزی که نوع واقعی را تعیین میکند، معماری پیرامون مدل است: حافظه، ابزار، حلقه برنامه‌ریزی، سیاست و ارزیابی.
عامل تک‌ایجنتی و سیستم چندایجنتی
در معماری تک‌ایجنتی، یک عامل جریان کار را مدیریت میکند. در سیستم چندایجنتی، نقش‌های تخصصی مانند پژوهش، برنامه‌ریزی و بازبینی میان چند عامل تقسیم می‌شود. چندعامل همیشه بهتر نیست؛ برای کارهای متوالی، هماهنگی میتواند هزینه و خطا را زیاد کند. راهنمای سیستم چندایجنتی چیست معیارهای انتخاب را بررسی میکند.
جدول انتخاب نوع ایجنت
| نوع مساله | انتخاب مناسب | کنترل کلیدی |
|---|---|---|
| شرط‌های ثابت و سریع | واکنشی | پوشش قواعد |
| نیاز به وضعیت گذشته | مدل‌محور | صحت و انقضای حافظه |
| کار چندمرحله‌ای | هدفمحور | معیار پایان و سقف گام |
| چند گزینه با هزینه و ریسک متفاوت | مطلوبیت‌محور | تابع امتیاز شفاف |
| بهبود با بازخورد معتبر | یادگیرنده | ارزیابی قبل از انتشار |
پیش از انتخاب این پرسش‌ها را پاسخ دهید
- محیط ثابت است یا در طول کار تغییر میکند؟
- آیا وضعیت گذشته بر تصمیم فعلی اثر دارد؟
- یک پاسخ درست وجود دارد یا باید میان چند گزینه موازنه کرد؟
- اقدام برگشت‌پذیر است یا تایید انسانی می‌خواهد؟
- معیار موفقیت و داده آزمون در دسترس‌اند؟
سوالات متداول
ساده‌ترین نوع ایجنت هوش مصنوعی کدام است؟
عامل واکنشی ساده؛ چون فقط بر اساس ورودی فعلی و قواعد از پیش تعیین‌شده عمل میکند.
پیشرفتهترین نوع ایجنت کدام است؟
«پیشرفتهترین» همیشه بهمعنای مناسبترین نیست. عامل یادگیرنده قابلیت سازگاری بیشتری دارد، اما هزینه ارزیابی و ریسک آن نیز بالاتر است.
برای کسبوکار از کدام نوع شروع کنیم؟
از کمپیچیدگیترین معماری که مساله را حل میکند. اغلب ترکیب قواعد قطعی با یک عامل هدفمحور محدود، نقطه شروع بهتری از خودمختاری کامل است.
آیا چند ایجنت دقت را بیشتر میکند؟
فقط وقتی نقشها مستقل یا قابل موازیسازی باشند و پروتکل هماهنگی روشن باشد؛ در غیر این صورت سربار ارتباط میتواند کیفیت را کاهش دهد.
منبع طبقه‌بندی
این دسته‌بندی بر مبنای ادبیات رایج عامل‌های هوشمند و توضیح آموزشی انواع AI Agent تنظیم شده و برای تصمیم‌های اجرایی بسط داده شده است.