تسلط به عامل های هوش مصنوعی با OpenAI Agents SDK

آنچه یاد خواهید گرفت:

• طراحی یک مدل ذهنی واضح از هوش مصنوعی عاملی و توضیح تفاوت آن با رویکردهای کد محور و رویکردهای صرفاً مبتنی بر LLM
• ساخت عاملهای کاربردی با استفاده از OpenAI عاملs SDK: پیکربندی مدل‌ها، ابزارها، handoffها، hookها، گاردریل‌ها و زمینه/حافظه
• پیاده‌سازی حلقه عامل (مشاهده → فکر/برنامه‌ریزی → اقدام → بازتاب) و محدود کردن آن برای رفتار قابل اعتماد و قابل ممیزی
• ایجاد ابزارهای واقعی (توابع Python) برای سیستم‌های خارجی و اطمینان از اینکه عامل فقط از طریق ابزارها کارهای دارای عوارض جانبی را انجام می‌دهد.
• هماهنگ‌سازی گردش‌کارهای چند-عامل (دسته‌بندی → متخصصان)، شامل hookهای handoff برای انتقال امن استیت
• افزودن چارچوب‌های ارزیابی (eval) که مسیریابی، استفاده از ابزار، تأییدیه‌ها و ایمنی را تأیید می‌کنند و پسرفت‌ها را به طور خودکار می‌گیرند.
• اجرای عاملها هم با مدل‌های میزبانی‌شده توسط OpenAI و هم با backends محلی/سازگار با OpenAI (مثلاً vLLM/Qwen در Colab) و تعویض اندپوینت ها بدون تغییر کد
• ارائه یک فرانت اند کوچک (Gradio) و قابلیت مشاهده‌پذیری اولیه (traceها/logها) و تبدیل یک نمونه اولیه نوت‌بوک به یک اپلیکیشن آماده برای دمو

پیش‌نیازهای دوره

• مبانی Python
• مبانی LLM

توضیحات دوره

عامل های هوش مصنوعی بسازید که نه فقط حرف می‌زنند - عمل می‌کنند.

بیشتر تیم‌ها در همان «ChatGPT داخل یک رابط کاربری» متوقف می‌شوند. آن یک عامل نیست.

این دوره به شما یاد می‌دهد که چگونه با استفاده از OpenAI عاملs SDK، عاملهای واقعی هوش مصنوعی را طراحی، بسازید و ارزیابی کنید. یاد خواهید گرفت که چگونه به مدل‌ها ابزار، حافظه، مرزهای سیاست‌گذاری و توانایی مسیریابی کار بدهید - تا بتوانند مسائل واقعی مانند پشتیبانی مشتری، عملیات و خودکارسازی گردش کار را حل کنند.

به جای اسلایدهای تئوری، ما یک سیستم کامل ابتدا تا انتها را با هم می‌سازیم: یک دستیار پشتیبانی مشتری خطوط هوایی که می‌تواند درخواست‌ها را مسیریابی کند، به سؤالات سیاست‌ها پاسخ دهد، صندلی را تغییر دهد، لغو و تغییر زمان را مدیریت کند، به قوانین تجاری احترام بگذارد و در صورت نیاز موضوع را ارتقا دهد. همچنین یاد خواهید گرفت که چگونه آن را تست کنید، نظارت کنید و به یک رابط کاربری ساده متصل کنید.

آنچه یاد خواهید گرفت

• تفاوت بین خودکارسازی سنتی، «دستیارهای» LLM و سیستم‌های عامل‌محور واقعی - و اینکه هر کدام را چه زمانی باید استفاده کنید.
• چگونه تصمیم بگیرید که آیا مورد استفاده شما واقعاً به یک عامل نیاز دارد؟ (یا یک فراخوانی ساده LLM کافی است)
• حلقه عامل چگونه کار می‌کند (مشاهده → فکر/برنامه‌ریزی → اقدام → بازتاب) و چگونه مدل را مجبور کنید گام به گام عمل کند به جای اینکه خیال پردازی کند؟
• چگونه ابزارهای واقعی (توابع Python / APIها) را در معرض دید مدل قرار دهید تا بتواند داده‌ها را جستجو کند، اقدام انجام دهد و سیستم‌ها را - به صورت ایمن - بروزرسانی کند؟
• چگونه سیستم‌های چند-عامل را با triage و handoff بسازید (مثلاً: عامل پرسش‌های متداول، عامل رزرو صندلی، عامل لغو و رزرو مجدد).
• چگونه guardrailها را برای سیاست، تأیید و ایمنی متصل کنید؟
• چگونه زمینه و حافظه را در نوبت‌های مختلف گفتگو حفظ کنید؟
• چگونه رفتار عامل را به طور خودکار ارزیابی کنید؟ - مسیریابی، استفاده از ابزار، ارتقاء و دروازه‌های تأیید - با استفاده از یک چارچوب ارزیابی سبک JSONL است.
• چگونه عامل خود را هم در برابر مدل‌های OpenAI و هم مدل‌های محلی سازگار با OpenAI (مثلاً endpointهای خودمیزبانی / vLLM / سبک Qwen) اجرا کنید؟
• چگونه آن را در یک فرانت اند (Gradio) بپیچید تا ذی‌نفعان بتوانند آن را مانند یک دستیار پشتیبانی واقعی امتحان کنند؟

جریان دوره چگونه است؟

ذهنیت و معماری

ما با ساختن یک مدل ذهنی از هوش مصنوعی عامل‌محور شروع می‌کنیم. یاد خواهید گرفت که یک عامل هوش مصنوعی در عمل دقیقاً چیست: سیستمی که می‌تواند آنچه در حال رخ دادن است را مشاهده کند، گام بعدی را برنامه‌ریزی کند، برای اقدام ابزارها را فراخوانی کند و بازتاب دهد که آیا کار تمام شده است - نه فقط به صورت متن ساده پاسخ دهد. ما خودکارسازی مبتنی بر کد، LLMهای صرفاً «چت‌بات‌مانند» و طراحی‌های عامل‌محور را مقایسه می‌کنیم.

همچنین یک آزمون 5 سؤالی را مرور می‌کنیم که می‌توانید برای هر ایده جدید از آن استفاده کنید تا تصمیم بگیرید: «آیا این واقعاً یک مورد استفاده برای عامل است، یا من دارم آن را بیش از حد پیچیده می‌کنم؟»

بلوک‌های اصلی ساختمان OpenAI عاملs SDK

به صورت عملی با عناصر اولیه SDK که هر روز از آنها استفاده خواهید کرد آشنا می‌شوید:

• عامل: مغز با دستورالعمل‌ها و نقش
• Runner: موتور اجرایی که نوبت‌ها را پیش می‌برد.
• ابزارها: توابع Python که مدل می‌تواند برای دریافت حقایق یا انجام اقدامات فراخوانی کند.
• Handoffها: چگونه یک عامل می‌تواند به یک عامل تخصصی‌تر واگذار کند.
• Hookها: چگونه استیت را تزریق کنید یا منطق راه‌اندازی را دقیقاً زمانی که یک handoff رخ می‌دهد اجرا کنید؟
• Guardrailها: چگونه ورودی ناامن را مسدود کنید یا سیاست را بر روی خروجی اعمال کنید؟
• زمینه و حافظه: چگونه عامل دانش را در طول مکالمه حمل می‌کند؟
• حلقه عامل (مشاهده → فکر/برنامه‌ریزی → اقدام → بازتاب): چگونه کار چندمرحله‌ای را هماهنگ کنید؟

نسخه‌های حداقلی «hello world» از هر مفهوم را خواهید دید و سپس به تدریج آنها را به چیزی شبیه تولید تبدیل می‌کنید.

پروژه واقعی: عامل پشتیبانی مشتری خطوط هوایی

در ادامه، یک سیستم پشتیبانی چند-عامل کاربردی می‌سازیم. این شامل:

• یک عامل Triage که تصمیم می‌گیرد کاربر چه می‌پرسد و به متخصص مناسب مسیریابی می‌کند.
• یک عامل پرسش‌های متداول (FAQ عامل) که سؤالات سیاست‌ها را از یک پایگاه دانش کنترل‌شده پاسخ می‌دهد.
• یک عامل رزرو صندلی که می‌تواند یک شماره تأیید را بگیرد و صندلی را - از طریق فراخوانی ابزار، نه فقط متن تغییر دهد.
• یک عامل لغو و تغییر زمان که می‌تواند قوانین کرایه را واکشی کند، گزینه‌های رزرو مجدد را ارائه دهد و سیاست لغو را با خیال راحت اعمال کند (با تأیید صریح قبل از انجام هر کار غیرقابل بازگشت).

یاد خواهید گرفت که عاملها چگونه به یکدیگر واگذاری می‌کنند، چگونه زمینه (مانند شماره تأیید یا شناسه پرواز) را پر می‌کنند و چگونه guardrailها از انجام کارهای غیرمجاز توسط آنها جلوگیری می‌کنند.

قابلیت مشاهده‌پذیری و دموی رابط کاربری

ما یک فرانت اند کوچک در Gradio می‌سازیم تا شما (و ذی‌نفعانتان) بتوانید مانند یک بات پشتیبانی واقعی خطوط هوایی با سیستم چت کنید. همچنین خواهید دید که چگونه فراخوانی ابزارها، handoffها و تصمیمات را برای اشکال‌زدایی و قابلیت ممیزی ثبت کنید.

ارزیابی و ایمنی

در نهایت، یاد خواهید گرفت که چگونه عامل ها را مانند نرم‌افزار تست کنید. ما یک چارچوب ارزیابی کوچک می‌سازیم که:

• پرامپت‌های واقعی مشتری را تغذیه می‌کند.
• بررسی می‌کند که آیا عامل درست کنترل را به دست گرفته است.
• تأیید می‌کند که ابزارهای صحیح فراخوانی شده‌اند. (و ابزارهای ممنوعه فراخوانی نشده‌اند)
• اجرا می‌کند که برخی اقدامات نیاز به تأیید دارند.

یک کارنامه قبول/رد تولید می‌کنیم تا ببینید آیا پس از ایجاد تغییرات، مسیریابی، ایمنی یا سیاست را خراب کرده‌اید. این تفاوت بین «دموی جذاب» و «چیزی است که واقعاً می‌توانید مستقر کنید» است.

این دوره برای چه کسانی است؟

• مهندسان AI/ML و توسعه‌دهندگان LLM که می‌خواهند فراتر از رابط‌های چت بروند.
• مهندسان backend / پلتفرم / عملیات که عاملهای ایمن و قابل خودکارسازی می‌خواهند که با سیستم‌های واقعی در ارتباط باشند.
• مهندسان محصول / بنیان‌گذارانی که copilotهای داخلی و بات‌های پشتیبانی می‌سازند.
• رهبران فنی که نیاز به ارزیابی دارند که آیا «هوش مصنوعی عامل‌محور» واقعی است یا هیاهو

شما باید با Python اولیه راحت باشید. لازم نیست یک محقق یادگیری عمیق باشید.

چرا این موضوع مهم است؟

بیشتر شرکت‌ها در آستانه اتصال LLMها به گردش‌کارهای حیاتی هستند - پشتیبانی، عملیات، نظارت، پذیرش، صورتحساب. انجام ایمن این کار به چیزی بیش از یک پرامپت نیاز دارد. به عاملهایی نیاز دارد که نقش، حافظه، ابزار، guardrail، ارتقاء و ارزیابی داشته باشند.

تا پایان این دوره، خواهید دانست که چگونه آن را بسازید. و با کد کاربردی و قابل بازرسی از دوره خارج خواهید شد که می‌توانید آن را با مورد استفاده خودتان تطبیق دهید.

این دوره برای چه کسانی مناسب است؟

• مهندسان AI/ML و توسعه‌دهندگان LLM که از قبل می‌دانند چگونه یک LLM API (OpenAI، مدل‌های محلی و غیره) را فراخوانی کنند و اکنون می‌خواهند عاملهای چندمرحله‌ای، ابزارمحور و آگاه از سیاست بسازند.
• مهندسان backend / پلتفرم / خودکارسازی که در حال حاضر ابزارهای داخلی یا خودکارسازی عملیات را می‌سازند و می‌خواهند دسته‌بندی هوشمند، تصمیم‌گیری و سلف‌سرویس را روی سیستم‌های موجود لایه‌گذاری کنند.
• بنیان‌گذاران و مهندسان محصول که روی محصولات هوش مصنوعی کار می‌کنند (copilotهای پشتیبانی، دستیارهای نظارت/عملیات، copilotهای داخلی) که باید بدانند چگونه LLMها را به طور ایمن به منطق تجاری، APIها و داده‌ متصل کنند.
• رهبران فنی تیم / معمارانی که ادعاهای «هوش مصنوعی عامل‌محور» را ارزیابی می‌کنند و به دنبال معماری عملی، قابل مشاهده و قابل تست هستند که در تولید از کنترل خارج نشود.