Planning در AI Agentها چیست؟ برنامه‌ریزی در ایجنت‌های هوش مصنوعی

در قسمت قبل مجموعه «پشت پرده AI Agentها» درباره Context صحبت کردیم؛ یعنی اطلاعاتی که Agent در همان لحظه برای تصمیم‌گیری و انجام کار در اختیار دارد.

اما وقتی هدف کاربر ساده نباشد و برای رسیدن به آن چند مرحله مختلف لازم باشد، Agent با یک چالش مهم روبه‌رو می‌شود:

از کجا باید شروع کند و چه مراحلی را طی کند؟

اینجاست که مفهوم Planning در AI Agentها مطرح می‌شود.

Planning یا برنامه‌ریزی به این معناست که Agent یک هدف بزرگ و پیچیده را به چند وظیفه کوچک‌تر و قابل انجام تقسیم کند و مشخص کند هر مرحله با چه ترتیبی انجام شود.

به زبان ساده، اگر Goal مشخص کند «قرار است به کجا برسیم»، Planning مشخص می‌کند «چطور باید به آنجا برسیم».

Planning در AI Agent دقیقاً چیست؟

فرض کنید از یک AI Agent بخواهید:

«برای سفر سه‌روزه به شیراز برنامه‌ریزی کن.»

این درخواست از چند بخش مختلف تشکیل شده و پاسخ مناسب به آن فقط با یک اقدام ساده تولید نمی‌شود.

Agent ممکن است هدف را به این مراحل تقسیم کند:

بررسی تاریخ و شرایط سفر
پیدا کردن گزینه‌های رفت‌وآمد
بررسی محل اقامت
انتخاب جاذبه‌های مناسب
ساخت برنامه روزانه
بررسی تداخل‌ها و اصلاح برنامه نهایی

هرکدام از این مراحل می‌توانند شامل چند تصمیم و حتی استفاده از ابزارهای مختلف باشند.

برای مثال، Agent ممکن است برای بررسی آب‌وهوا از ابزار جست‌وجوی وب استفاده کند و برای پیدا کردن برنامه پرواز یا هتل از سرویس‌های دیگری کمک بگیرد.

این تقسیم هدف به مراحل کوچک‌تر همان چیزی است که در Agentها Planning نامیده می‌شود.

چرا AI Agent به Planning نیاز دارد؟

بسیاری از وظایفی که از Agentها انتظار داریم، چندمرحله‌ای هستند.

مثلاً درخواست زیر را در نظر بگیرید:

«فروش سه ماه اخیر را بررسی کن، علت افت فروش را پیدا کن و یک گزارش مدیریتی آماده کن.»

برای انجام این کار، Agent باید چند مرحله را پشت سر بگذارد.

ممکن است ابتدا فایل‌های فروش را پیدا کند، سپس داده‌ها را بررسی کند، میزان فروش ماه‌ها را مقایسه کند، نقاط افت را شناسایی کند، دلایل احتمالی را تحلیل کند و در نهایت گزارش را آماده کند.

اگر Agent بدون برنامه‌ریزی وارد اجرا شود، احتمال دارد بعضی مراحل را فراموش کند، ترتیب مناسبی برای انجام کارها نداشته باشد یا چند بار کارهای تکراری انجام دهد.

Planning کمک می‌کند مسیر انجام وظیفه ساختارمندتر شود.

Planning فقط ساختن یک لیست نیست

ممکن است تصور کنیم Planning یعنی Agent در ابتدای کار یک فهرست از مراحل ایجاد می‌کند و سپس بدون تغییر همان مراحل را انجام می‌دهد.

اما در Agentهای پیشرفته‌تر، برنامه می‌تواند در طول انجام کار تغییر کند.

فرض کنید Agent در حال برنامه‌ریزی سفر است و در مرحله بررسی پروازها متوجه می‌شود در روز موردنظر پرواز مناسبی وجود ندارد.

در این شرایط نباید صرفاً برنامه اولیه را ادامه دهد.

Agent می‌تواند برنامه را اصلاح کند، مثلاً تاریخ سفر را دوباره بررسی کند یا گزینه دیگری برای رفت‌وآمد پیشنهاد دهد.

به این قابلیت گاهی Replanning یا برنامه‌ریزی مجدد گفته می‌شود.

بنابراین Planning یک فرآیند کاملاً ثابت نیست و ممکن است براساس اطلاعات جدید تغییر کند.

Planning چگونه با Tool Calling ارتباط دارد؟

Planning و Tool Calling دو مفهوم جدا اما مرتبط هستند.

Planning مشخص می‌کند:

«قدم بعدی چیست؟»

Tool Calling مشخص می‌کند:

«برای انجام این قدم از چه ابزاری استفاده کنم؟»

برای مثال، Agent ممکن است در برنامه خود به این مرحله برسد:

«بررسی وضعیت آب‌وهوای شیراز در تاریخ سفر»

حالا برای اجرای این مرحله، باید ابزار مناسبی را انتخاب کند؛ مثلاً ابزار جست‌وجوی وب یا سرویس هواشناسی.

بنابراین در یک Agent ممکن است چرخه‌ای شبیه این شکل بگیرد:

تصمیم بعدی → مشاهده نتیجه → اجرای ابزار → انتخاب ابزار → انتخاب مرحله → برنامه‌ریزی → هدف

همین چرخه می‌تواند چندین بار ادامه پیدا کند تا هدف اصلی انجام شود.

ارتباط Planning با Context چیست؟

Planning بدون Context مناسب نمی‌تواند عملکرد خوبی داشته باشد.

Agent برای ایجاد یا اصلاح برنامه باید بداند:

کاربر دقیقاً چه چیزی می‌خواهد، چه اطلاعاتی در اختیار دارد، چه اقداماتی قبلاً انجام شده‌اند و نتیجه مراحل قبلی چه بوده است.

تمام این اطلاعات بخشی از Context فعلی Agent هستند.

برای مثال، اگر Agent قبلاً متوجه شده باشد بودجه سفر محدود است، این اطلاعات باید هنگام انتخاب هتل و وسیله رفت‌وآمد در Context وجود داشته باشد.

پس Context اطلاعات موردنیاز برای تصمیم‌گیری را فراهم می‌کند و Planning براساس آن اطلاعات مسیر انجام کار را مشخص می‌کند.

آیا همه Agentها Planning دارند؟

خیر.

بعضی Agentها برای انجام وظایف ساده طراحی شده‌اند و ممکن است نیازی به برنامه‌ریزی چندمرحله‌ای نداشته باشند.

برای مثال، Agentی که فقط وظیفه دارد وضعیت یک سفارش را بررسی کند، ممکن است مستقیماً از یک ابزار استفاده کرده و پاسخ را ارائه دهد.

اما هرچه وظایف پیچیده‌تر شوند، اهمیت Planning بیشتر می‌شود.

Agentهایی که برای تحقیق، برنامه‌نویسی، تحلیل داده، مدیریت پروژه یا انجام فرآیندهای سازمانی طراحی شده‌اند معمولاً بیشتر به قابلیت برنامه‌ریزی نیاز دارند.

Planning در یک مثال سازمانی

فرض کنید مدیر یک شرکت از Agent می‌خواهد:

«عملکرد فروش این فصل را بررسی کن و پیشنهادهایی برای فصل بعد ارائه بده.»

Agent می‌تواند این هدف را به چند مرحله تقسیم کند:

ابتدا داده‌های فروش را جمع‌آوری کند. سپس فروش را براساس محصول، منطقه یا بازه زمانی تحلیل کند. بعد روندهای مثبت و منفی را پیدا کند. عوامل احتمالی افت یا رشد را بررسی کند و در پایان براساس نتایج، پیشنهادهای قابل اجرا ارائه دهد.

هر مرحله نتیجه‌ای تولید می‌کند که می‌تواند روی مرحله بعدی تأثیر بگذارد.

اگر Agent در تحلیل اولیه متوجه افت شدید فروش در یک منطقه خاص شود، ممکن است برنامه خود را تغییر دهد و بررسی بیشتری روی همان منطقه انجام دهد.

این مثال نشان می‌دهد Planning چگونه می‌تواند Agent را از یک سیستم پاسخ‌دهنده به یک سیستم اجرای چندمرحله‌ای تبدیل کند.

Planning چه چالش‌هایی دارد؟

برنامه‌ریزی در AI Agentها همیشه بدون خطا نیست.

گاهی Agent ممکن است:

تعداد زیادی مرحله غیرضروری ایجاد کند
ترتیب مراحل را اشتباه انتخاب کند
یک مرحله مهم را فراموش کند
براساس اطلاعات ناقص برنامه‌ریزی کند
در طول اجرا بیش از حد برنامه را تغییر دهد

به همین دلیل در سیستم‌های واقعی معمولاً محدودیت‌ها، قوانین اجرایی و مکانیزم‌های ارزیابی نیز در کنار Planning قرار می‌گیرند.

در وظایف حساس نیز ممکن است بعضی مراحل نیازمند تأیید انسان باشند.

Planning چه تفاوتی با Reasoning دارد؟

این دو مفهوم به هم نزدیک‌اند اما یکسان نیستند.

Reasoning به فرآیند تحلیل و استدلال برای رسیدن به یک تصمیم مربوط می‌شود.

اما Planning بیشتر درباره ساختن مسیر انجام یک هدف است.

به زبان ساده:

Reasoning کمک می‌کند Agent تصمیم بگیرد چه کاری منطقی‌تر است.

Planning کمک می‌کند مشخص شود چه مراحلی باید به چه ترتیبی انجام شوند.

در یک Agent واقعی معمولاً این دو قابلیت در کنار یکدیگر استفاده می‌شوند.

جمع‌بندی

Planning در AI Agentها یعنی تبدیل یک هدف بزرگ و پیچیده به مجموعه‌ای از قدم‌های کوچک‌تر و قابل انجام.

این قابلیت به Agent کمک می‌کند وظایف چندمرحله‌ای را بهتر مدیریت کند، ترتیب اقدامات را مشخص کند و در صورت تغییر شرایط، برنامه خود را اصلاح کند.

اگر بخواهیم خیلی ساده بگوییم:

Planning = تبدیل یک هدف بزرگ به مجموعه‌ای از قدم‌های قابل انجام

وقتی Planning با قابلیت‌هایی مانند Context، Memory و Tool Calling ترکیب شود، AI Agent می‌تواند وظایف بسیار پیچیده‌تری را نسبت به یک چت‌بات ساده مدیریت کند.

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.