جمعه ۲۱ فروردین ۰۵ ۱۵:۵۶ ۵ بازديد
ایجنتهای جدید دیگر فقط پاسخ نمینویسند؛ بلکه هدف را تحلیل، برنامهریزی، و خوداصلاح میکنند.
در واقع ما به سمت معماریهای Self‑improving Agents رفتهایم.
ساختار سلسلهای
۱. Planner Agent
هدف کلی را تجزیه میکند به sub‑goals.
۲. Executor Agents
هر زیرهدف را با استفاده از ابزارها اجرا میکند (مثل API، SQL یا Python).
۳. Evaluator Agent
عملکرد را ارزیابی میکند، خطا را تشخیص میدهد و چرخه را اصلاح میکند.
چرخه یادگیری خودگردان
Goal → Plan → Execute → Evaluate → Reflect → Replan
مؤلفه کلیدی: Memory
ایجنتهای خودگردان معمولاً چند نوع حافظه دارند:
- Episodic Memory: تجربههای اخیر
- Semantic Memory: دانش پایدار
- Vector Memory: بازنمایی embeddingها
- Reflective Memory: درک متا از عملکرد خود
سیستمهایی مثل AutoGPT، BabyAGI، و OpenDevin نمونههای اولیه این نوع معماری هستند.
برای کارهای Enterprise، ایجنتها میتوانند وظایفی مثل تحلیل گزارشات روزانه، ساخت داشبورد، یا اجرای کوئریهای پیچیدهی SQL را بدون نظارت انسانی انجام دهند.
- ۰ ۰
- ۰ نظر