در جدیدترین قسمت پادکست InfoQ، توماس بتس میزبان کلر لیگوری، مهندس ارشد AWS و رهبر فنی SDK منبعباز Strands Agents بود. این گفتوگو به چگونگی رشد این پروژه از یک SDK ساده پایتون به یک مهار کامل (harness) برای استقرار عوامل هوش مصنوعی در محیط تولید میپردازد. کلر لیگوری درسهای ارزشمندی از ساخت عوامل در مقیاس، تغییر به معماری مبتنی بر مدل و آینده این حوزه با بهبود مدلهای زبانی بزرگ (LLM) به اشتراک میگذارد.
مشکلات چارچوبهای موجود و تولد Strands
کلر لیگوری توضیح میدهد که Strands بهعنوان یک پروژه داخلی در AWS آغاز شد. تیم او در حال ساخت مجموعهای از عوامل برای کمک به کاربران AWS بود و با چالشهای زیادی مواجه شدند. چارچوبهای موجود در آن زمان بار شناختی بالایی برای توسعهدهندگان ایجاد میکردند. این تیم دریافت که رویکرد سادهتر و مبتنی بر مدل میتواند کار را بسیار آسانتر کند. پس از موفقیت داخلی، در می 2024 این پروژه بهصورت منبعباز منتشر شد.
رویکرد مبتنی بر مدل (Model-Driven)
برخلاف بسیاری از چارچوبهای عاملی که بر تعریف جریانکاری (workflow) از پیش تعیینشده تمرکز دارند، رویکرد Strands مبتنی بر مدل است. در این روش، مدل هوش مصنوعی خودش استدلال میکند و مسیر رسیدن به هدف را برنامهریزی میکند. کلر لیگوری میگوید: «ما متوجه شدیم که مدلها در فراخوانی ابزارها و زنجیرهسازی آنها بسیار بهتر شدهاند. بنابراین قدرتمندتر است که اجازه دهیم مدل استدلال را انجام دهد.» این کار باعث کاهش شکنندگی و افزایش انعطافپذیری در مواجهه با ورودیهای پیشبینینشده میشود.
قابلیت هدایت (Steering) و افزایش دقت
یکی از چالشهای اصلی در عوامل هوش مصنوعی، مدیریت جریانهای کاری طولانی و چندمرحلهای است. راهنماهای یکپارچه (monolithic prompts) اغلب برای این کار ناکارآمد هستند. Strands از پارادایم راهنمای مدولار به نام Steering استفاده میکند. قلابهای Steering در نقاط مشخصی از فرآیند، مقدار کمی قطعیت به عامل تزریق میکنند تا دقت افزایش یابد. این روش تعادلی بین انعطافپذیری مدل و کنترل موردنیاز توسعهدهنده ایجاد میکند.
درسهای معماری برای ساخت عوامل
کلر لیگوری تأکید میکند که اصول معماری نرمافزار هنوز هم در کار با عوامل هوش مصنوعی معتبر هستند. او توصیه میکند: «ماژولهای کوچک مانند ابزارهایی که در اختیار عامل قرار میدهید را جداگانه طراحی، پیادهسازی و آزمایش کنید. آزمایشهای جامع و سرتاسری عامل دشوار است، بنابراین بهتر است روی بخشهای کوچک تمرکز کنید.» این رویکرد باعث میشود عوامل قابل اعتمادتر و پایدارتری داشته باشیم.
نکات کلیدی
- Strands Agents یک SDK منبعباز برای ساخت عوامل هوش مصنوعی بدون بار شناختی زیاد است.
- این SDK تنها به سه چیز نیاز دارد: یک راهنمای سیستم (system prompt)، مجموعهای از ابزارها و انتخاب مدل.
- رویکرد Strands بر خلاف چارچوبهای سنتی، مبتنی بر مدل است و از قلابهای هدایت (Steering hooks) برای حفاظها استفاده میکند.
- Steering با تزریق قطعیت کنترلشده، دقت عوامل را در جریانهای کاری چندمرحلهای بهبود میبخشد.
- تست و طراحی ماژولار ابزارها برای عوامل ضروری است.
برای مطالعه کامل گفتوگو و شنیدن پادکست، میتوانید به InfoQ Podcast مراجعه کنید. همچنین اطلاعات بیشتر درباره این SDK منبعباز در وبسایت AWS در دسترس است. با بهبود مدلهای زبانی بزرگ (LLM)، آینده عوامل هوش مصنوعی بسیار امیدوارکننده به نظر میرسد.
اگر بهدنبال راهحلی برای ساخت عوامل هوش مصنوعی قابل اعتماد و مقیاسپذیر هستید، حتماً نگاهی به Strands Agents SDK بیندازید. این پروژه منبعباز نشان داده که رویکرد مبتنی بر مدل میتواند پیچیدگی را کاهش داده و در عین حال دقت و انعطافپذیری را افزایش دهد.
