‏اپ ایجنتی یا چت‌بات؟ وقتی workflow فرمون رو دست می‌گیره

تو این پست از وبلاگ MindStudio، نویسنده دو مدل ساخت ابزار هوش مصنوعی رو مقایسه می‌کنه. اولی چت‌بات ایجنتیه: یه ایجنت پشت یه پنجرهٔ چت که درخواست رو می‌گیره، فکر می‌کنه و جواب می‌ده. دومی اپ ایجنتی (agentic app) هست، یعنی یه اپلیکیشن کامل که دور یه نتیجهٔ کاری مشخص ساخته شده و ایجنت‌ها فقط یه ابزار داخل workflowهای ثابت‌ش هستن. تو چت‌بات، مدل کل تعامل رو دست داره؛ تو اپ ایجنتی، workflow رئیسه و مدل فقط جایی صدا زده می‌شه که ارزش اضافه کنه.

به گفتهٔ نویسنده، مشکل اصلی اینه که تیم‌ها معمولاً می‌پرسن «با ایجنت چی رو می‌شه خودکار کرد؟» به جای اینکه بپرسن «دنبال چه نتیجه‌ای هستیم؟». شروع از ایجنت به پروژه‌هایی می‌رسه که تو دمو قشنگن ولی به کار واقعی آدم‌ها نمی‌خورن. وقتی خود ایجنت کل اپ باشه، همهٔ خروجی‌ها احتمالاتی‌ان؛ برای یه دستیار کدنویسی شخصی اوکیه، ولی برای فرایندی که باید ثابت، قابل‌ردیابی یا مطابق قوانین باشه نه.

تو اپ ایجنتی، هر بخش صفحه (یه خلاصه، یه نمودار، یه دکمهٔ «ایمیل پیگیری بفرست») پشتش یه workflow خودش رو داره. این workflow یه اسکلت deterministic هست، یعنی هر بار دقیقاً همون مسیر رو می‌ره: context رو لود می‌کنه، شرط‌ها رو چک می‌کنه، با code node خروجی رو فرمت می‌کنه و فقط تو یه قدم مشخص LLM رو صدا می‌زنه. پیشنهاد مقاله اینه که اول workflow رو بسازی، خروجی JSON خامش رو جدا تست کنی و بعد به UI وصلش کنی. چت هم حذف نمی‌شه، فقط کنار بقیهٔ اجزا می‌شینه.

یه نکتهٔ جالب مقاله جایگزین کردن RAG (یعنی بازیابی تیکه‌هایی از سند و خلاصه کردنشون موقع سؤال) با policyهاست. RAG معمولاً درسته ولی تضمینی نداره، و برای چیزی مثل قانون مرخصی تو دفترچهٔ HR «معمولاً درست» کافی نیست. تو Oracle AI Agent Studio، که مقاله به‌عنوان نمونه ازش استفاده کرده، سند آپلود می‌شه و قوانینش به تابع‌هایی با کد، تست‌کیس و ورودی/خروجی دقیق تبدیل می‌شن. ایجنت به جای گشتن تو سند، این تابع‌ها رو صدا می‌زنه و هر بار همون جواب رو می‌گیره.

امنیت هم تو دو لایه اعمال می‌شه: تو سطح ایجنت، policyها مشخص می‌کنن دقیقاً چه تابع‌هایی رو با چه ورودی‌هایی می‌تونه صدا بزنه؛ تو سطح workflow هم معلومه کی اجازهٔ اجراش رو داره و با چه هویتی اجرا می‌شه. یعنی مرز دسترسی ساختاریه، نه فقط یه دستور تو پرامپت. workflowها می‌تونن با رویدادهایی مثل رسیدن یه ایمیل هم اجرا بشن. نویسنده اضافه می‌کنه که خروجی بصری مثل داشبورد، PDF یا اسلاید خیلی راحت‌تر از یه دیوار متن چت خونده می‌شه.

جمع‌بندی مقاله اینه که برای ابزار شخصی و اتوماسیون سبک، همون چت‌بات کافیه و سریع‌تر ساخته می‌شه. ولی وقتی خروجی باید هر بار درست باشه، چند نفر با دسترسی‌های مختلف ازش استفاده می‌کنن یا فرایند چند قدم جدا داره، ساختار workflow-محور از نظر اطمینان و کنترل می‌ارزه.

نکات کلیدی:

• تو اپ ایجنتی، workflow ثابت کنترل رو داره و LLM فقط یه قدم از اونه.
• ساخت از نتیجهٔ کاری شروع می‌شه، نه از اینکه ایجنت چه کاری بلده.
• برای اطلاعات حساس، قوانین سند به تابع‌های تست‌شده با ورودی/خروجی دقیق تبدیل می‌شن به جای RAG.
• دسترسی تو دو سطح کنترل می‌شه: تابع‌های مجاز ایجنت، و اینکه کی workflow رو اجرا می‌کنه و با چه هویتی.
• نمونهٔ مقایسه با Oracle AI Agent Studio ساخته شده.