ایجنتی یا قطعی؟ جای درست هر کدوم تو یه سیستم AI
هوش مصنوعیClaude Opus 5خلاصهٔ کاملتر
تو این مقاله اومده که نویسنده تو SAP روی MCP server کار میکنه، یعنی همون سرویسی که ابزارها رو در اختیار ایجنتها میذاره، و از این زاویه خوب میبینه ایجنتها کجا میدرخشن و کجا گیر میکنن. حرف اصلیش اینه: سیستم قطعی (deterministic) مثل خط تولیده، مرحلهها ثابتن و خروجی همیشه به ورودی قابل ردیابیه؛ سیستم ایجنتی ولی خودش تصمیم میگیره چه قدمی برداره و با توجه به چیزی که پیدا میکنه مسیرشو عوض میکنه.
مثالش یه شرکت پیمانکاره که برای یه مشتری دارویی سیستمی ساخته بود تا تغییر درآمد رو تشخیص بده و براش راهکار پیشنهاد بده. اولش هر مرحله از LLM رد میشد و نتیجه بیثبات بود: گزارشها هر بار فرق میکرد، بعضی ریشهها اصلاً پیدا نمیشد و پیشنهادها اون دقتی که مشتری میخواست رو نداشت.
نقطهعطف اونجا بود که تیم دید منطق تشخیص ناهنجاری همیشه یکیه و سیگنالهاش عوض نمیشن. پس اون تیکه رو با یه pipeline قطعی عوض کردن: داده فروش از Databricks، گروهبندی بر اساس منطقه، رتبهبندی منطقهها، مقایسه با همون ماه سال قبل و امتیاز ۱ تا ۱۰ (۵ یعنی بدون تغییر، ۱۰ رشد قوی، ۱ افت). نتیجهش میره سراغ ایجنت تا روش استدلال کنه. قبلش ایجنت ممکن بود یه قدمو بپره یا هر بار جور دیگهای مقایسه کنه.
بعد همین نگاه رو به مرحله بررسی ریشه هم بردن، چون اون هم همیشه از یه مجموعه منبع ثابت داده میگیره: تعداد اشتراکها، یارانه دارو و تعداد نسخه به ازای هر بیمار. نویسنده میگه خلاق بودن تو انتخاب منبع داده هیچ ارزشی نداره چون خود دامنه کار محدودش کرده؛ ایجنت باید روی داده جمعشده فکر کنه، نه اینکه تصمیم بگیره چه دادهای بیاره.
حرف پایانی نویسنده اینه که از هر سر طیف میشه شروع کرد. کاملاً ایجنتی شروع کن و هر جا بیثبات بود با ابزار قطعی سفتش کن، یا کاملاً قطعی شروع کن و هر جا قانون ثابت خیلی خشک بود ایجنت بیار وسط. به گفتهٔ نویسنده سوال اول یه پروژه AI این نیست که «ایجنت بذاریم یا نه»، اینه که «کدوم قسمت واقعاً باید ایجنتی باشه»، و درست درآوردن این تعادل از همون اول استثناست نه قاعده.
نکات کلیدی:
- سیستم قطعی خروجی قابلردیابی میده، سیستم ایجنتی خودش قدم بعدی رو انتخاب میکنه
- تو پروژه دارویی، اجرای همه مرحلهها با LLM باعث گزارش بیثبات و ریشههای جاافتاده شد
- pipeline قطعی: داده Databricks، گروهبندی منطقهای، مقایسه سالبهسال و امتیاز ۱ تا ۱۰
- ابزارهای ثابت برای جمعآوری داده مثل تعداد اشتراک، یارانه دارو و نسخه هر بیمار
- نویسنده تو SAP روی MCP serverها کار میکنه و همین تجربه رو اونجا هم داره
