پشت پرده AI Agentها | قسمت 10: Agentic Loop چیست؟ چرخه تصمیم‌گیری و اقدام در AI Agentها

در قسمت قبل مجموعه «پشت پرده AI Agentها» درباره Reflection صحبت کردیم؛ اینکه Agent بعد از انجام یک کار، نتیجه را بررسی می‌کند و اگر مشکلی وجود داشته باشد، می‌تواند آن را اصلاح کند.

اما اگر این روند فقط یک‌بار انجام نشود و Agent چند بار بین تصمیم‌گیری، اقدام و بررسی نتیجه جابه‌جا شود چه اتفاقی می‌افتد؟

اینجاست که مفهوم Agentic Loop مطرح می‌شود.

Agentic Loop را می‌توان به‌صورت ساده چرخه‌ای دانست که در آن Agent بارها وضعیت فعلی را بررسی می‌کند، تصمیم می‌گیرد، اقدامی انجام می‌دهد، نتیجه را می‌بیند و براساس نتیجه مشخص می‌کند باید ادامه دهد، مسیر را اصلاح کند یا کار را تمام کند.

به زبان ساده:

تکرار چرخه تصمیم‌گیری و اقدام تا رسیدن به هدف = Agentic Loop

Agentic Loop دقیقاً چیست؟

فرض کنید از یک AI Agent بخواهید:

«یک گزارش کامل از فروش ماهانه آماده کن.»

ممکن است Agent در اولین مرحله داده‌های فروش را بررسی کند و یک گزارش اولیه بسازد.

اما بعد از تولید گزارش، متوجه شود بخشی از داده‌ها تحلیل نشده‌اند یا یکی از نمودارهای لازم در خروجی وجود ندارد.

در این حالت کار تمام نمی‌شود.

Agent دوباره به سراغ داده‌ها می‌رود، تحلیل بیشتری انجام می‌دهد، خروجی را اصلاح می‌کند و دوباره نتیجه را بررسی می‌کند.

این رفت‌وبرگشت میان مشاهده، تصمیم، اقدام و ارزیابی نتیجه همان چیزی است که Agentic Loop را شکل می‌دهد.

مراحل Agentic Loop چگونه هستند؟

ساختار Agentic Loop در همه سیستم‌ها یکسان نیست، اما معمولاً می‌توان آن را به چند مرحله اصلی تقسیم کرد:

مشاهده ← تصمیم‌گیری ← اقدام ← بررسی نتیجه ← ادامه یا اصلاح

در مرحله مشاهده، Agent شرایط فعلی و اطلاعات موجود را بررسی می‌کند.

در مرحله تصمیم‌گیری مشخص می‌کند قدم بعدی چه باشد.

سپس یک اقدام انجام می‌دهد؛ مثلاً از ابزاری استفاده می‌کند، فایلی را تحلیل می‌کند یا اطلاعات جدیدی جمع‌آوری می‌کند.

بعد نتیجه اقدام را بررسی می‌کند و تصمیم می‌گیرد آیا باید به مرحله بعد برود یا بخشی از کار را اصلاح کند.

این چرخه ممکن است چند بار تکرار شود.

یک مثال ساده از Agentic Loop

فرض کنید Agent باید یک گزارش فروش تولید کند.

ممکن است فرآیند کار به این صورت باشد:

1. خواندن داده‌های فروش
2. ساخت گزارش اولیه
3. بررسی نتیجه
4. پیدا کردن اطلاعات ناقص
5. تحلیل دوباره داده‌ها
6. اصلاح گزارش
7. بررسی مجدد
8. تولید نسخه نهایی

در این مثال، Agent یک مسیر کاملاً خطی را طی نمی‌کند.

بلکه بعد از هر نتیجه، ممکن است دوباره به یکی از مراحل قبلی برگردد.

همین رفت‌وبرگشت باعث می‌شود فرآیند به یک Loop یا چرخه تبدیل شود.

تفاوت Agentic Loop با یک Workflow ساده چیست؟

یک Workflow معمولی اغلب مسیر مشخص و از پیش تعریف‌شده‌ای دارد.

برای مثال:

دریافت فایل ← تحلیل داده ← تولید گزارش ← پایان

در چنین سیستمی مراحل معمولاً به ترتیب مشخص اجرا می‌شوند.

اما در Agentic Loop، مرحله بعدی می‌تواند براساس نتیجه مرحله قبلی تغییر کند.

مثلاً Agent ممکن است بعد از تحلیل داده‌ها تشخیص دهد اطلاعات کافی نیست و لازم است دوباره داده جدید جمع‌آوری کند.

بنابراین Agentic Loop معمولاً انعطاف‌پذیرتر از یک Workflow کاملاً ثابت است.

Agentic Loop چه ارتباطی با Reasoning دارد؟

Reasoning نقش مهمی در Agentic Loop دارد.

در هر دور از چرخه، Agent باید تصمیم بگیرد:

«با توجه به وضعیت فعلی، قدم بعدی چیست؟»

ممکن است چند گزینه وجود داشته باشد.

برای مثال Agent باید انتخاب کند که آیا:

• داده بیشتری جمع‌آوری کند
• از ابزار دیگری استفاده کند
• نتیجه فعلی را اصلاح کند
• مرحله بعدی را شروع کند
• یا کار را تمام کند

این تصمیم‌گیری همان جایی است که Reasoning وارد عمل می‌شود.

نقش Reflection در Agentic Loop چیست؟

Reflection یکی از مهم‌ترین بخش‌هایی است که باعث می‌شود چرخه ادامه پیدا کند.

بعد از انجام یک اقدام، Agent نتیجه را بررسی می‌کند.

اگر نتیجه مناسب باشد، می‌تواند به مرحله بعدی برود.

اگر نتیجه ناقص یا اشتباه باشد، ممکن است به عقب برگردد و بخشی از کار را دوباره انجام دهد.

بنابراین می‌توان گفت:

Reasoning به Agent کمک می‌کند تصمیم بگیرد چه کاری انجام دهد و Reflection کمک می‌کند بررسی کند آیا آن کار نتیجه مطلوب داشته است یا نه.

این دو قابلیت در کنار هم می‌توانند یک Agentic Loop ایجاد کنند.

ارتباط Planning با Agentic Loop

Planning نیز می‌تواند بخشی از این چرخه باشد.

Agent در ابتدای کار ممکن است برای رسیدن به هدف، یک برنامه اولیه ایجاد کند.

اما اگر در طول اجرا نتیجه‌ای غیرمنتظره به دست بیاید، Agent ممکن است مجبور شود برنامه را تغییر دهد.

در این حالت چرخه می‌تواند شامل Replanning نیز باشد.

برای مثال:

Planning ← اجرا ← مشاهده نتیجه ← Reflection ← Replanning ← اجرای دوباره

پس برنامه اولیه لزوماً ثابت نیست و Agent می‌تواند در طول Loop آن را اصلاح کند.

چرا Agentic Loop مهم است؟

بسیاری از کارهای واقعی با یک اقدام ساده انجام نمی‌شوند.

تحقیق، برنامه‌نویسی، تحلیل داده، تهیه گزارش یا حل یک مسئله پیچیده ممکن است به چندین مرحله و چند بار بررسی نیاز داشته باشند.

Agentic Loop به Agent اجازه می‌دهد:

• نتیجه اقدامات قبلی را ببیند
• تصمیم خود را براساس اطلاعات جدید تغییر دهد
• خطاها را اصلاح کند
• چند بار تلاش کند
• مسیر رسیدن به هدف را در طول اجرا تغییر دهد

این قابلیت یکی از تفاوت‌های مهم بین سیستم‌های Agentic و سیستم‌های ساده‌تر تولید پاسخ است.

مشکل Loop بی‌پایان چیست؟

Agentic Loop اگر کنترل نشود می‌تواند مشکل‌ساز شود.

فرض کنید Agent هر بار نتیجه را ناکافی تشخیص دهد و دوباره همان اقدام را تکرار کند.

در این حالت ممکن است وارد یک Loop بی‌پایان شود.

برای مثال:

Agent داده‌ها را بررسی می‌کند، گزارش می‌سازد، نتیجه را ناکافی می‌داند، دوباره همان داده‌ها را بررسی می‌کند و این روند بدون توقف ادامه پیدا می‌کند.

این وضعیت می‌تواند باعث مصرف بیهوده زمان، منابع پردازشی و هزینه API شود.

Agentic Loop چگونه کنترل می‌شود؟

برای جلوگیری از Loopهای بی‌پایان معمولاً محدودیت‌هایی برای Agent تعریف می‌شود.

برای مثال:

• حداکثر تعداد مراحل
• حداکثر تعداد دفعات استفاده از یک ابزار
• محدودیت زمانی
• محدودیت هزینه
• شرط مشخص برای پایان کار
• توقف در صورت تکرار یک نتیجه
• درخواست تأیید کاربر در مراحل حساس

این محدودیت‌ها به Agent کمک می‌کنند بداند چه زمانی باید چرخه را متوقف کند.

یک مثال از Agentic Loop در برنامه‌نویسی

Agentهای برنامه‌نویسی مثال خوبی برای درک Agentic Loop هستند.

فرض کنید از Agent بخواهیم:

«این باگ را پیدا کن و برطرفش کن.»

Agent ممکن است چنین چرخه‌ای را طی کند:

بررسی کد ← پیدا کردن علت احتمالی ← اصلاح کد ← اجرای تست ← مشاهده نتیجه ← اصلاح دوباره یا پایان

اگر تست شکست بخورد، Agent دوباره وارد چرخه می‌شود.

اگر تمام تست‌ها موفق باشند، شرط پایان برقرار می‌شود و کار متوقف می‌شود.

Agentic Loop در کارهای سازمانی

در محیط‌های سازمانی نیز این مفهوم کاربرد زیادی دارد.

برای مثال یک Agent تحلیل داده ممکن است:

فایل‌ها را بررسی کند، تحلیل اولیه انجام دهد، نتیجه را ارزیابی کند، داده ناقص را پیدا کند، اطلاعات بیشتری بگیرد و دوباره تحلیل را اجرا کند.

یا یک Agent تحقیقاتی ممکن است چند منبع پیدا کند، آن‌ها را مقایسه کند، متوجه کمبود اطلاعات شود و دوباره سراغ جست‌وجوی منابع جدید برود.

در تمام این نمونه‌ها، فرآیند به‌صورت یک چرخه پویا ادامه پیدا می‌کند.

ارتباط Agentic Loop با اجزای قبلی AI Agent

تا این قسمت از مجموعه «پشت پرده AI Agentها» چند مفهوم مهم را بررسی کرده‌ایم.

Memory اطلاعات مهم را نگهداری می‌کند.

Context اطلاعات فعلی موردنیاز Agent را فراهم می‌کند.

Planning مراحل رسیدن به هدف را مشخص می‌کند.

Reasoning به Agent کمک می‌کند در هر مرحله تصمیم بگیرد.

Tool Calling امکان انجام اقدامات مختلف را فراهم می‌کند.

Reflection نتیجه اقدامات را ارزیابی می‌کند.

و Agentic Loop این مراحل را در یک چرخه تکرارشونده به هم متصل می‌کند.

به همین دلیل Agentic Loop را می‌توان یکی از مفاهیم کلیدی برای درک نحوه کار Agentهای چندمرحله‌ای دانست.

جمع‌بندی

Agentic Loop چرخه‌ای است که در آن AI Agent وضعیت فعلی را مشاهده می‌کند، تصمیم می‌گیرد، اقدام انجام می‌دهد، نتیجه را بررسی می‌کند و سپس مشخص می‌کند باید ادامه دهد، مسیر را اصلاح کند یا کار را تمام کند.

به زبان ساده:

تکرار چرخه تصمیم‌گیری و اقدام تا رسیدن به هدف = Agentic Loop

این چرخه باعث می‌شود Agent بتواند وظایف پیچیده را به‌صورت پویا مدیریت کند و براساس نتایج واقعی اقدامات خود مسیر را تغییر دهد.

اما Agentic Loop باید حتماً کنترل شود؛ چون بدون محدودیت و شرط پایان مناسب، Agent ممکن است وارد Loopهای تکراری و بی‌پایان شود.

درباره فیلاگر

فیلاگر، جامعه هوش مصنوعی ایران، مرجعی برای آموزش و بررسی مفاهیم و فناوری‌های روز AI است. در مجموعه «پشت پرده AI Agentها» تلاش می‌کنیم ایجنت‌های هوش مصنوعی، نحوه کار آن‌ها و کاربردهای واقعی‌شان را با زبانی ساده، دقیق و کاربردی توضیح دهیم.

پشت پرده AI Agentها | قسمت ۱
پشت پرده AI Agentها | قسمت ۲
پشت پرده AI Agentها | قسمت ۳
پشت پرده AI Agentها | قسمت ۴
پشت پرده AI Agentها | قسمت ۵
پشت پرده AI Agentها | قسمت ۶
پشت پرده AI Agentها | قسمت ۷
پشت پرده AI Agentها | قسمت ۸
پشت پرده AI Agentها | قسمت ۹