‏Managed Deep Agents لنگ‌چین: ایجنتی که از اشتباهاتش یاد می‌گیره

تو این مقاله اومده که harness engineering (یعنی بهتر کردن همه چیزِ دور مدل، نه خود مدل) حالا از دنیای ایجنت‌های کدنویسی به ایجنت‌های پروداکشن هم رسیده. منظور از harness همون system prompt، ساب‌ایجنت‌ها، ابزارها و قانون‌هاییه که ایجنت باهاشون کار می‌کنه. نویسنده می‌گه چون هر دو نوع ایجنت الان با فایل‌های مارک‌داون ساخته می‌شن، این تکنیک تقریباً مستقیم قابل انتقاله.

قبلاً برای هر ابزار و هر guardrail باید یه تابع پایتون یا TypeScript می‌نوشتی و هر تغییری یعنی یه دیپلوی جدید. تو Managed Deep Agents لنگ‌چین، دستورها توی یه فایل instructions.md تو ریشهٔ پوشهٔ ایجنت هستن، شبیه claude.md یا agents.md. مهارت‌ها (skills) هم تو یه پوشهٔ skills به شکل workflowهای مارک‌داونی هستن. تو دمویی که نشون داده شده، کل تعریف ایجنت حدوداً ۳۰ خط پایتون بوده و پلتفرم بقیهٔ فایل‌ها رو موقع اجرا خودش به هم وصل می‌کنه.

نگاشت مفاهیم تقریباً یک‌به‌یکه: rules نقش system prompt رو دارن، sub-agentها برای تقسیم کار هستن، ابزارهای MCP اتصال به بیرون رو می‌دن و hooks (یعنی کدهایی که قبل یا بعد از هر مکالمه یا هر صدا زدن ابزار اجرا می‌شن) نقش guardrail رو بازی می‌کنن. نتیجه‌ش اینه که برای عوض کردن رفتار ایجنت معمولاً فقط یه فایل متنی رو ویرایش می‌کنی.

حلقهٔ اول، حلقهٔ حافظه هست. وقتی ایجنت مطمئن نیست، نه کلاً جواب نمی‌ده و نه با اعتمادبه‌نفس حدس می‌زنه. بهترین جوابش رو می‌ده، عدم اطمینانش رو اعلام می‌کنه و کیس رو به یه inbox تیمی می‌فرسته. یه آدم جواب درست رو می‌ده و ایجنت اون درس رو هم تو حافظهٔ خصوصی همون کاربر و هم تو یه فایل مشترک «cases» می‌نویسه. تو دمو، کاربر دوم یه سؤال مرتبط ولی نه دقیقاً یکسان پرسید و ایجنت بدون escalation جواب درست داد. یعنی فقط سؤال‌های تکراری رو جواب نمی‌ده و درس‌ها رو تعمیم می‌ده.

حلقهٔ دوم، حلقهٔ بهبود harness هست که روی ترِیس‌های LangSmith کار می‌کنه. یه موتور ترِیس مکالمه‌های واقعی رو بررسی می‌کنه و برای هر الگوی خرابی سه چیز نشون می‌ده: توضیح مشکل، لینک به ترِیس دقیقِ همون مکالمه و یه پیشنهاد اصلاح برای instructions یا skills. یعنی دیگه لازم نیست کسی دستی لاگ‌ها رو زیر و رو کنه.

نویسنده معتقده این الگو مخصوص لنگ‌چین نیست و با هر فریم‌ورکی می‌شه ساختش، ولی باید خودت لاگ ترِیس، صف بررسی و حافظه با جداسازی کاربرها رو راه بندازی. پلتفرم مدیریت‌شده این زیرساخت رو آماده می‌ده و در عوض بیشتر به قراردادهای اون پلتفرم وابسته می‌شی.

نکات کلیدی:

• تعریف ایجنت تو دموی Managed Deep Agents حدود ۳۰ خط پایتون بوده و بقیه‌ش فایل مارک‌داونه.
• دستورهای ایجنت تو instructions.md و مهارت‌ها تو پوشهٔ skills نگه داشته می‌شن.
• حافظهٔ هر کاربر خصوصیه و guardrailها جلوی دیده شدنش توسط بقیه رو می‌گیرن؛ درس‌های عمومی تو فایل مشترک cases می‌رن.
• ایجنت موقع شک هم جواب می‌ده ولی کیس رو به inbox انسانی می‌فرسته.
• پیشنهادهای اصلاح harness همراه با لینک به ترِیس LangSmith همون مکالمه میان.