در دنیای پویای توسعه نرمافزار، مفهوم «هوش مصنوعی عاملی» (Agentic AI) به سرعت در حال گسترش است. اما فراتر از یک اصطلاح ترند، هوش مصنوعی عاملی سوالات مهمی را درباره نحوه تعامل عوامل با یکدیگر، حفظ حافظه و اشتراک دانش مطرح میکند. پاسخ این سوالات در «پایگاه دانش» (Knowledge Base) برای عوامل هوش مصنوعی نهفته است؛ که به نوعی یک سیستم اعلان متا (Meta Prompt System) محسوب میشود که تمامی عوامل میتوانند به آن دسترسی داشته باشند. طبق گفته کریسٹین پوستا، مدیر ارشد فناوری جهانی در شرکت Cloud Operations Software، پایگاه دانش به عنوان روشی برای تنظیم و بهروزرسانی عامل عمل میکند.
با افزایش تعداد عوامل و پیچیدهتر شدن رفتارها، یک پایگاه دانش مشترک (یا نمودار دانش) آنها را همسو نگه میدارد. جیمز ارکوارت، مدیر ارشد فناوری و مبلغ فناوری در شرکت Distributed AI Orchestration Platform تاکید میکند که هنگامی که عوامل در نقشهای مختلف تخصص دارند، باید زمینه، حافظه و مشاهدات خود را با یکدیگر به اشتراک بگذارند تا به طور موثر به عنوان یک مجموعه عمل کنند. یک پایگاه دانش طراحیشده بهدرستی تضمین میکند که عوامل به دانش سازمانی بهروز و جامع دسترسی داشته باشند. در نهایت، این امر منجر به بهبود ثبات، دقت، پاسخگویی و حاکمیت پاسخها و اقدامات عامل میشود.
فواید واضح هستند، اما ساختار یک مخزن چگونه باید باشد؟ در ادامه به بررسی محتوای اصلی موجود در پایگاه دانش عوامل هوش مصنوعی میپردازیم، رویکردهای پیادهسازی و روشهای بازیابی را بررسی میکنیم و همچنین موانع احتمالی را مورد بحث قرار میدهیم.
**چه چیزی در یک پایگاه دانش عامل قرار دارد؟**
پایگاه دانش برای عوامل هوش مصنوعی میتواند شامل موارد متعددی باشد: مستندات، سیاستها، راهنماهای سبک، نمونه کدها، گردش کارها، قوانین انطباق و غیره. ایگور بنینکا، مدیر علم داده در شرکت Data and AI Services Firm معتقد است که پایگاه دانش برای عوامل هوش مصنوعی طیف کاملی از واقعیت عملی یک شرکت را در بر میگیرد.
به دلیل تنوع گسترده دادههای سازمانی، یک پایگاه دانش باید ترکیبی از دادههای ساختاریافته، نیمهساختاریافته و بدون ساختار باشد. این امر شامل هم قوانین ایستا و هم مکالمات چت پویا میشود. به طور کلی، هر گونه دادهای که بتواند برای آموزش هوش مصنوعی برداری شود (Vectorize) کاندید خواهد بود. با این حال، برخی از انواع محتوای رایج در موارد استفاده عامل برجسته میشوند.
اکثر پایگاههای دانش شامل رویهها و سیاستهایی هستند که عوامل باید آنها را دنبال کنند، مانند راهنماهای سبک، قراردادهای کدنویسی و قوانین انطباق. همچنین ممکن است مسیرهای ارجاع و نحوه پاسخگویی به درخواستهای کاربر مستند شوند.
ایجی ساندر، مدیر ارشد اطلاعات و مدیر ارشد محصول در شرکت AI-Powered Response Management Software تأکید میکند: «محتوا باید شبیه ابزار کیت سنبله یک کارمند ارشد باشد، اما برای مصرف ماشین ساختاردهی شود.» دادههای ساختاریافته، اغلب با فرمت JSON، YAML یا CSV، شامل پایگاههای داده، نمونه کدها، مستندات API، شماتیکها و توافقنامههای سطح خدمات است. مثال مشخصی یک جدول محصول خواندنی توسط ماشین که قیمتها، بستهها یا پیکربندیها را لیست میکند.
«یک پایگاه دانش خوب باید کمی شبیه ویکیپدیا باشد – یک کاتالوگ داده ساختاریافته که به راحتی قابل جستجو است»، آنکیت جین، مدیرعامل و بنیانگذار شرکت Developer Workflow Automation Tools میگوید. دادههای نیمهساختاریافته شامل ویکیهای داخلی، راهنماهای گردش کار و دفترچههای اجرایی مفصل است. یک تاکتیک دیگر، گرفتن روابط دادهها با استفاده از نگاشتهای فیلد سفارشی است که شماتیکهایی هستند که مشخص میکنند چگونه دادههای داخلی به فیلدهای خارجی نگاشت میشوند تا عوامل بتوانند این روابط را تفسیر کنند.
سپس دادههای بدون ساختار وجود دارد: متن و رسانه مانند تصاویر، صداها، PDF ها یا ویدیو. یادداشت های جلسه، ضبطها و نمودارهایی که فرآیندهای تصمیمگیری را تجسم میکنند نمونههای رایجی هستند. سرنخهای متنی یا روابط گسترده بین مفاهیم نیز میتوانند دستورالعملهای مفیدی ارائه دهند.
ساندر از Responsive معتقد است: «پایگاههای دانش موفق شامل ‘مثالهای منفی’، آنچه نباید گفته شود یا انجام شود، و درختان تصمیمگیری سیاقتی هستند که به عوامل کمک میکنند موارد خاص را طی کنند.»
در نهایت، حافظه مداوم به عوامل کمک میکند تا زمینه را در طول جلسات حفظ کنند. دسترسی به درخواستهای قبلی، تعاملات مشتری یا بلیطهای پشتیبانی به تداوم کمک کرده و با شناسایی الگوها، تصمیمگیری را بهبود میبخشد – زیرا به عامل اجازه میدهد تا الگوهایی را تشخیص دهد. اما مهمتر از آن، بیشتر کارشناسان معتقدند که باید ارتباطات صریح بین دادهها ایجاد شود، نه اینکه فقط تکههایی از داده خام ذخیره شوند.
**پیادهسازی پایگاه دانش**
در هسته یک پایگاه دانش عامل دو جزء اصلی وجود دارد: یک حافظه شی (Object Store) و یک **پایگاه برداری** برای Embeddings. در حالی که پایگاه برداری برای جستجوی معنایی ضروری است، حافظه شی چندین کار را برای بارهای کاری هوش مصنوعی انجام میدهد: مقیاسپذیری عظیم بدون تنگناهای عملکردی، فراداده غنی برای هر شی و عدم تغییرپذیری برای حسابرسی و انطباق.
علاوه بر این اصول اساسی، سازمانها لزوماً نیازی به خرید برنامههای SaaS جدید یا زیرساخت ندارند. بهترین گزینه گسترش آنچه از قبل دارید است: «رویکرد عملگرایانه ایجاد یک لایه در بالای سیستمهای موجود با کانکتورهای مناسب برای دسترسی عوامل به دادهها است»، روتیم ویس، بنیانگذار و مدیرعامل شرکت Real-time Search Engine for میگوید. با این حال، تجمیع چندین منبع داده ممکن است نیاز به یک لایه انتزاعی داشته باشد.
«موثرترین راهکار ایجاد یک لایه انتزاعی است که از طریق API ها دادهها را از منابع مختلف در اختیار عوامل قرار میدهد»، بنینکا از Indicium بیان میکند. «این امکان می دهد تا کسب و کارها دانش موجود خود را به صورت موثرتری مورد استفاده قرار دهند»
این مطلب از منابع بینالمللی ترجمه و بازنویسی شده است.