تصور کنید چند هوش مصنوعی به‌جای شما با یکدیگر کار کنند! فرض کنید می‌خواهید یک گزارش تخصصی تولید کنید. یک هوش مصنوعی وظیفه تحقیق را بر عهده بگیرد، Agent دیگری اطلاعات را تحلیل کند، یک Agent نویسنده متن را آماده کند و در نهایت یک Agent دیگر نتیجه را بررسی و ایرادات آن را پیدا کند.

در حالت عادی باید همه این کارها را با چندین درخواست جداگانه انجام دهید؛ اما مفهوم Multi-Agent AI یا هوش مصنوعی چندعاملی دقیقاً برای حل چنین مسئله‌ای ایجاد شده است.

یکی از پروژه‌های شناخته‌شده در این زمینه AutoGen است؛ فریم‌ورکی متن‌باز که توسط Microsoft Research توسعه داده شد و امکان ساخت سیستم‌هایی را فراهم می‌کرد که در آن چند Agent هوش مصنوعی با یکدیگر ارتباط برقرار کرده و برای رسیدن به یک هدف مشترک همکاری می‌کنند.

در این مقاله می‌بینیم AutoGen چیست، چگونه کار می‌کند، چطور چند AI Agent بسازیم و چگونه آن‌ها را به یک تیم هوشمند تبدیل کنیم.

نکته مهم برای سال ۲۰۲۶: AutoGen برای یادگیری معماری Multi-Agent و پروژه‌های موجود همچنان ارزشمند است، اما مخزن رسمی آن اکنون Maintenance Mode را اعلام کرده و کاربران جدید را به Microsoft Agent Framework هدایت می‌کند. بنابراین اگر قصد شروع یک پروژه کاملاً جدید و بلندمدت دارید، بهتر است وضعیت Microsoft Agent Framework را نیز بررسی کنید.

AutoGen چیست؟

AutoGen یک فریم‌ورک برای ساخت برنامه‌های مبتنی بر Agentهای هوش مصنوعی است.

ایده اصلی بسیار ساده است:

به‌جای اینکه یک مدل هوش مصنوعی را مجبور کنیم تمام کار را انجام دهد، چند Agent با نقش‌های مختلف ایجاد می‌کنیم و اجازه می‌دهیم با یکدیگر همکاری کنند.

برای مثال می‌توانیم تیمی مانند این داشته باشیم:

• Research Agent: پیدا کردن و جمع‌آوری اطلاعات

• Analyst Agent: تحلیل اطلاعات

• Writer Agent: نوشتن خروجی

• Reviewer Agent: بررسی و اصلاح نتیجه

• Manager Agent: مدیریت روند کار

هر Agent می‌تواند دستورالعمل، ابزار و وظیفه مخصوص خودش را داشته باشد.

AutoGen در نسخه ۰.۴ معماری خود را به شکل ماژولار بازطراحی کرد و لایه‌هایی مانند Core، AgentChat و Extensions را ارائه داد. AgentChat نیز API سطح بالاتری برای ساخت Agentها و تیم‌های چندعاملی فراهم می‌کند.

چرا به چند AI Agent نیاز داریم؟

شاید این سؤال برایتان پیش بیاید که چرا از یک ChatGPT یا مدل زبانی قدرتمند استفاده نکنیم؟

برای بسیاری از کارهای ساده، اتفاقاً همین روش بهتر است.

اما وقتی مسئله پیچیده می‌شود، تقسیم وظایف می‌تواند مزیت بزرگی ایجاد کند.

برای مثال، فرض کنید قصد دارید یک محصول نرم‌افزاری جدید طراحی کنید.

یک Agent می‌تواند بازار را بررسی کند، Agent دوم رقبا را تحلیل کند، Agent سوم ویژگی‌های محصول را پیشنهاد دهد و Agent چهارم نتیجه را نقد کند.

در چنین معماری، هر Agent روی یک وظیفه مشخص تمرکز دارد.

در نتیجه به‌جای یک هوش مصنوعی که «همه‌کاره» است، یک تیم تخصصی از Agentها خواهیم داشت.

البته چندعاملی بودن همیشه بهتر نیست. مستندات AutoGen نیز توصیه می‌کند برای مسائل ساده ابتدا از یک Agent استفاده شود و فقط زمانی سراغ Team برویم که یک Agent به‌تنهایی کافی نباشد.

مقاله مرتبط: Humane AI Pin چیست؟ بررسی کامل دستیار هوش مصنوعی پوشیدنی که می‌خواهد جای گوشی را تغییر دهد

AutoGen چگونه کار می‌کند؟

ساختار کلی را می‌توان این‌گونه تصور کرد:

کاربر → Manager → Research Agent → Analyst Agent → Writer Agent → Reviewer Agent → نتیجه نهایی

هر Agent پیام دریافت می‌کند، وظیفه خود را انجام می‌دهد و نتیجه را در اختیار تیم قرار می‌دهد.

در AutoGen، AgentChat ابزارهای سطح بالایی برای ساخت Agentها و تیم‌های چندعاملی ارائه می‌کند. برای نمونه، AssistantAgent یک Agent آماده است که می‌تواند از مدل زبانی و ابزارها استفاده کند.

همچنین برای مدیریت تیم، الگوهای مختلفی مانند موارد زیر وجود دارد:

• RoundRobinGroupChat

• SelectorGroupChat

• Swarm

• MagenticOneGroupChat

• GraphFlow

هرکدام برای نوع خاصی از همکاری بین Agentها مناسب هستند.

آموزش ساخت اولین تیم AI Agent با AutoGen

برای شروع کار با نسخه‌های جدید AutoGen، محیط Python گزینه مناسبی است.

AutoGen به Python ۳.۱۰ یا بالاتر نیاز دارد.

ابتدا یک محیط مجازی ایجاد کنید:

python -m venv .venv

سپس محیط را فعال کنید.

در ویندوز:

.venv\Scripts\activate

و سپس می‌توانید بسته‌های مورد نیاز AgentChat و Client مدل را نصب کنید.

ساختار پروژه شما می‌تواند چیزی شبیه این باشد:

autogen-project/
│
├── main.py
├── agents/
│   ├── researcher.py
│   ├── analyst.py
│   ├── writer.py
│   └── reviewer.py
│
└── config/
    └── settings.py

این ساختار برای پروژه‌های بزرگ‌تر بسیار مناسب‌تر از قرار دادن تمام Agentها در یک فایل است.

ساخت Agentهای مختلف

حالا فرض کنیم می‌خواهیم یک تیم تولید محتوا ایجاد کنیم.

Agent اول؛ محقق

وظیفه:

اطلاعات مورد نیاز درباره موضوع را پیدا و دسته‌بندی کند.

Agent دوم؛ تحلیلگر

وظیفه:

اطلاعات جمع‌آوری‌شده را بررسی کرده و مهم‌ترین نکات را استخراج کند.

Agent سوم؛ نویسنده

وظیفه:

براساس تحلیل انجام‌شده، مقاله را بنویسد.

Agent چهارم؛ ویراستار

وظیفه:

متن نهایی را بررسی کند و مشکلات آن را اصلاح کند.

در واقع هر Agent یک «شخصیت کاری» متفاوت دارد.

این موضوع یکی از مهم‌ترین مفاهیم در طراحی سیستم‌های Multi-Agent است.

RoundRobinGroupChat چیست؟

یکی از ساده‌ترین روش‌ها برای همکاری Agentها، RoundRobinGroupChat است.

در این مدل Agentها به ترتیب صحبت می‌کنند.

مثلاً:

Researcher
     ↓
Analyst
     ↓
Writer
     ↓
Reviewer
     ↓
Researcher
     ↓
...

مناسب است وقتی که ترتیب همکاری مشخص باشد.

برای مثال:

1. ابتدا تحقیق انجام شود.

2. سپس تحلیل انجام شود.

3. بعد متن نوشته شود.

4. در پایان متن بررسی شود.

مستندات رسمی AutoGen، RoundRobinGroupChat را یکی از روش‌های ساده ساخت Team معرفی می‌کند که Agentها به نوبت پاسخ می‌دهند.

SelectorGroupChat؛ وقتی نمی‌خواهیم Agentها همیشه به ترتیب صحبت کنند

گاهی ترتیب ثابت مناسب نیست.

فرض کنید سه Agent داریم:

• برنامه‌نویس

• تحلیلگر

• تستر

ممکن است در یک مرحله برنامه‌نویس نیاز به کمک تحلیلگر داشته باشد، اما در مرحله بعدی بهتر باشد مستقیماً تستر وارد کار شود.

در این حالت SelectorGroupChat جذاب‌تر است.

در این روش، یک مدل زبانی می‌تواند براساس وضعیت فعلی گفتگو انتخاب کند که کدام Agent باید در مرحله بعد صحبت کند.

بنابراین جریان کار می‌تواند چیزی شبیه این باشد:

User
 ↓
Manager
 ↓
Researcher
 ↓
Analyst
 ↓
Researcher
 ↓
Writer
 ↓
Reviewer
 ↓
Final Answer

در اینجا مسیر گفتگو ثابت نیست و براساس شرایط تغییر می‌کند.

مقاله مرتبط: Framework Laptop چیست؟ بررسی کامل لپ‌تاپ ماژولار که تعمیر و ارتقا را ساده کرده است

آیا می‌توان Agent را به ابزارهای مختلف متصل کرد؟

بله؛ یکی از جذاب‌ترین قسمت‌های معماری Agentic AI همین موضوع است.

یک Agent فقط نباید متن تولید کند.

می‌توان آن را به ابزارهایی مانند موارد زیر متصل کرد:

• API

• پایگاه داده

• موتور جستجو

• فایل‌ها

• سیستم‌های داخلی شرکت

• ابزارهای محاسباتی

• اجرای کد

• سرویس‌های خارجی

در نتیجه Agent می‌تواند علاوه بر «فکر کردن»، عمل هم انجام دهد.

مثلاً یک Data Analyst Agent می‌تواند داده‌ها را دریافت کند، تحلیل انجام دهد و نتیجه را برای Agent نویسنده ارسال کند.

یک مثال واقعی برای درک بهتر AutoGen

فرض کنید می‌خواهیم سیستمی برای تولید مقاله بسازیم.

کاربر فقط می‌گوید:

«یک مقاله درباره آینده هوش مصنوعی بنویس.»

سیستم می‌تواند چنین فرآیندی داشته باشد:

مرحله اول: Research Agent

موضوع را بررسی می‌کند و اطلاعات لازم را جمع‌آوری می‌کند.

مرحله دوم: SEO Agent

کلمات کلیدی و ساختار مناسب مقاله را پیشنهاد می‌دهد.

مرحله سوم: Writer Agent

براساس اطلاعات قبلی مقاله را می‌نویسد.

مرحله چهارم: Fact Checker

ادعاهای مهم را بررسی می‌کند.

مرحله پنجم: Editor

اشتباهات نگارشی و ساختاری را اصلاح می‌کند.

مرحله ششم: Finalizer

نسخه نهایی را آماده می‌کند.

در این حالت کاربر فقط یک درخواست می‌دهد، اما پشت صحنه چند Agent روی آن کار می‌کنند.

این دقیقاً همان جایی است که معماری Multi-Agent می‌تواند بسیار قدرتمند شود.

AutoGen Studio چیست؟

اگر با برنامه‌نویسی زیاد راحت نیستید، AutoGen Studio نیز یکی از ابزارهای مهم اکوسیستم AutoGen بوده است.

Studio یک محیط Low-Code برای ساخت و آزمایش سیستم‌های چندعاملی ارائه می‌کرد و امکاناتی مانند نمایش جریان پیام‌ها، ساخت تیم Agentها و کنترل اجرای آن‌ها را در اختیار توسعه‌دهنده قرار می‌داد.

بنابراین AutoGen فقط برای کسانی که می‌خواهند همه چیز را از صفر با کد بنویسند جذاب نیست؛ ابزارهای بصری آن نیز برای نمونه‌سازی و آزمایش معماری‌های Agentic AI کاربرد دارند.

AutoGen برای چه کارهایی مناسب است؟

کاربردهای Multi-Agent بسیار گسترده هستند.

تولید محتوا

ساخت تیم تحقیق، نویسنده، ویراستار و بررسی‌کننده.

برنامه‌نویسی

یک Agent کد می‌نویسد، Agent دیگر آن را بررسی می‌کند و Agent سوم تست انجام می‌دهد.

تحلیل داده

Agentها می‌توانند داده‌ها را بررسی، تحلیل و گزارش کنند.

اتوماسیون کسب‌وکار

فرآیندهای چندمرحله‌ای شرکت‌ها می‌توانند بین Agentهای مختلف تقسیم شوند.

تحقیق و پژوهش

یک Agent منابع را بررسی می‌کند و Agent دیگری اطلاعات را دسته‌بندی و تحلیل می‌کند.

پشتیبانی مشتری

یک Agent درخواست را دریافت می‌کند و در صورت نیاز آن را به Agent متخصص مربوطه منتقل می‌کند.

توسعه نرم‌افزار

می‌توان تیمی متشکل از Product Manager، Developer، Tester و Reviewer ساخت.

مزایای AutoGen چیست؟

مهم‌ترین مزیت AutoGen این است که توسعه‌دهنده را از ساخت تمام منطق ارتباط بین Agentها از صفر بی‌نیاز می‌کند.

مزایای مهم آن عبارت‌اند از:

تقسیم وظایف:
هر Agent روی یک کار مشخص تمرکز می‌کند.

قابلیت توسعه:
می‌توان Agentهای جدید به سیستم اضافه کرد.

انعطاف‌پذیری:
الگوهای مختلف همکاری مانند Group Chat و Workflow در دسترس هستند.

قابلیت استفاده از ابزارها:
Agentها می‌توانند با ابزارها و سرویس‌های مختلف کار کنند.

مدیریت وضعیت:
در AgentChat امکان ذخیره و بازیابی وضعیت تیم وجود دارد.

Human-in-the-Loop:
در صورت نیاز می‌توان انسان را نیز وارد فرآیند کرد تا قبل از ادامه کار تأیید یا اصلاح انجام دهد.

آیا AutoGen برای همه مناسب است؟

خیر.

اگر فقط می‌خواهید از هوش مصنوعی یک سؤال بپرسید، استفاده از یک سیستم چندعاملی احتمالاً اضافه‌کاری است.

اما اگر پروژه شما شامل:

• چند مرحله

• چند تخصص

• ابزارهای مختلف

• تصمیم‌گیری

• بررسی نتیجه

• تکرار فرآیند

• یا همکاری چند Agent

باشد، معماری Multi-Agent می‌تواند ارزش زیادی داشته باشد.

از طرف دیگر، چند Agent معمولاً به معنای پیچیدگی، مصرف بیشتر منابع و هزینه بیشتر مدل‌های زبانی نیز هست.

بنابراین نباید صرفاً به خاطر جذاب بودن مفهوم Agent، همه پروژه‌ها را چندعاملی طراحی کرد.

تفاوت AutoGen با Microsoft Agent Framework در سال ۲۰۲۶

این قسمت برای کسانی که قصد یادگیری AutoGen دارند بسیار مهم است.

AutoGen یکی از پروژه‌های مهم Microsoft در حوزه Multi-Agent بود، اما وضعیت اکوسیستم Microsoft تغییر کرده است.

طبق مخزن رسمی AutoGen، این پروژه اکنون در Maintenance Mode قرار دارد و برای پروژه‌های جدید، Microsoft Agent Framework پیشنهاد می‌شود. Microsoft همچنین اعلام کرده که Agent Framework با هدف ادغام مسیرهای AutoGen و Semantic Kernel ایجاد شده و نسخه ۱.۰ آن در آوریل ۲۰۲۶ به وضعیت GA رسیده است.

پس اگر هدف شما یادگیری مفاهیم Multi-Agent، درک معماری AutoGen یا کار با پروژه‌های قدیمی است، AutoGen هنوز موضوع ارزشمندی برای یادگیری است.

اما اگر قصد دارید یک محصول جدید و بلندمدت در سال ۲۰۲۶ بسازید، بهتر است Microsoft Agent Framework را نیز بررسی کنید.

AutoGen را یاد بگیریم یا نه؟

اگر به دنیای AI Agent، Multi-Agent Systems و Agentic AI علاقه دارید، یادگیری AutoGen همچنان می‌تواند ارزش آموزشی بالایی داشته باشد.

AutoGen به شما کمک می‌کند مفاهیمی مانند:

• Agent

• Team

• Tool

• Message

• Workflow

• Orchestration

• Human-in-the-Loop

• Memory

• Multi-Agent Collaboration

را بهتر درک کنید.

حتی اگر بعداً به Microsoft Agent Framework یا یک فریم‌ورک دیگر مهاجرت کنید، این مفاهیم همچنان کاربرد دارند.

جمع‌بندی؛ آینده متعلق به یک AI تنها نیست!

یکی از مهم‌ترین تغییرات دنیای هوش مصنوعی، حرکت از «یک چت‌بات که به سؤال پاسخ می‌دهد» به سمت سیستم‌هایی متشکل از چند Agent هوشمند است.

در این معماری، هر Agent می‌تواند یک نقش مشخص داشته باشد و با استفاده از ابزارها و اطلاعات موجود، بخشی از یک مسئله بزرگ‌تر را حل کند.

AutoGen یکی از پروژه‌های مهمی بود که این مدل را برای توسعه‌دهندگان ساده‌تر کرد و امکاناتی مانند AgentChat، Teamها، Group Chat، Workflow و Human-in-the-Loop را در اختیار آن‌ها قرار داد.

با این حال، اگر امروز قصد ساخت یک پروژه جدید دارید، باید تغییر مسیر Microsoft به سمت Microsoft Agent Framework را جدی بگیرید.

در واقع، ارزش اصلی یادگیری AutoGen فقط خود ابزار نیست؛ بلکه یادگیری طرز فکر ساخت سیستم‌های چندعاملی هوش مصنوعی است.

اگر بتوانید یک مسئله بزرگ را به چند وظیفه کوچک تقسیم کنید و برای هر وظیفه Agent مناسبی طراحی کنید، می‌توانید سیستم‌هایی بسازید که بسیار فراتر از یک چت‌بات ساده عمل می‌کنند.

برای ساخت پروژه هوش مصنوعی آماده‌اید؟

اگر ایده‌ای برای ساخت وب‌سایت، نرم‌افزار، ابزار هوش مصنوعی، سیستم اتوماسیون یا پروژه دیجیتال دارید، می‌توانید ایده خود را با یک تیم متخصص در میان بگذارید.

برای مشاوره، طراحی و اجرای پروژه‌های وب و دیجیتال، از طریق بخش «تماس با ما» درخواست خود را ارسال کنید.