📘 هوش مصنوعی مولد نحوه برخورد سازمان‌ها با مشکلات را انقلابی کرده است و سفر از مفهوم به نمونه اولیه و سپس به راه‌حل را تسریع کرده است. با پیشرفته‌تر شدن مدل‌ها، شاهد ظهور یک الگوی طراحی جدید به نام عامل‌های هوش مصنوعی (AI Agents) هستیم. با ترکیب ابزارها، دانش، حافظه و یادگیری با مدل‌های پیشرفته بنیادین، اکنون می‌توانیم استنتاج‌های مدل‌های مختلف را به‌طور متوالی برای حل مشکلات مبهم و دشوار به‌کار بگیریم. از عامل‌های برنامه‌نویسی گرفته تا عامل‌های تحقیقاتی و تحلیلگرها، شاهد تسریع روندها در تیم‌ها و سازمان‌ها بوده‌ایم. در حالی که این عامل‌ها کارایی را افزایش می‌دهند، اغلب نیاز به برنامه‌ریزی، پیش‌نویس و ویرایش گسترده برای انجام وظایف پیچیده دارند و استقرار آنها همچنان چالشی برای بسیاری از سازمان‌ها به‌ویژه با توجه به توسعه سریع فناوری و تحقیق است.

🚀 این کتاب راهنمای ضروری شما در این چشم‌انداز پیچیده و در حال تغییر سریع است. نویسنده مایکل آلبادا رویکردی عملی و مبتنی بر تحقیق برای طراحی و پیاده‌سازی سیستم‌های تک‌عاملی و چندعاملی ارائه می‌دهد. این کتاب پیچیدگی‌ها را ساده کرده و شما را با ابزارهایی تجهیز می‌کند که از مفهوم تا راه‌حل به‌طور مؤثر حرکت کنید.

💡 این کتاب به شما کمک می‌کند که:

• ویژگی‌های متمایز عامل‌های هوش مصنوعی مبتنی بر مدل‌های بنیادین را درک کنید
• اجزای اصلی و اصول طراحی عامل‌های هوش مصنوعی را کشف کنید
• تعادل‌های طراحی را بررسی کرده و سیستم‌های چندعاملی مؤثر را پیاده‌سازی کنید
• راه‌حل‌های هوش مصنوعی سفارشی طراحی و استقرار دهید که کارایی و نوآوری را در زمینه شما ارتقا دهد

📚 فهرست مطالب

1. معرفی عامل‌ها
2. طراحی سیستم‌های عامل
3. طراحی تجربه کاربری برای سیستم‌های عاملی
4. استفاده از ابزارها
5. ارکستراسیون
6. دانش و حافظه
7. یادگیری در سیستم‌های عاملی
8. از یک عامل به چند عامل
9. اعتبارسنجی و اندازه‌گیری
10. نظارت در تولید
11. حلقه‌های بهبود
12. حفاظت از سیستم‌های عاملی
13. همکاری انسان و عامل

👨‍💻 درباره نویسنده

مایکل آلبادا مهندس یادگیری ماشین است که 9 سال تجربه طراحی، ساخت و استقرار راه‌حل‌های یادگیری ماشین مقیاس بزرگ در شرکت‌هایی مانند Uber، ServiceNow و Microsoft دارد. او تجربه‌هایی در زمینه سیستم‌های توصیه‌گر، مدل‌سازی جغرافیایی، امنیت سایبری، پردازش زبان طبیعی، مدل‌های زبان بزرگ و توسعه سیستم‌های چندعاملی مقیاس بزرگ برای امنیت سایبری دارد. وی مدرک B.A. خود را از دانشگاه استنفورد، M.Phil. خود را از دانشگاه کمبریج و M.S. خود را با تمرکز بر یادگیری ماشین از دانشگاه جورجیا تک دریافت کرده است.

Generative AI has revolutionized how organizations tackle problems, accelerating the journey from concept to prototype to solution. As the models become increasingly capable, we have witnessed a new design pattern emerge: AI agents. By combining tools, knowledge, memory, and learning with advanced foundation models, we can now sequence multiple model inferences together to solve ambiguous and difficult problems. From coding agents to research agents to analyst agents and more, we've already seen agents accelerate teams and organizations. While these agents enhance efficiency, they often require extensive planning, drafting, and revising to complete complex tasks, and deploying them remains a challenge for many organizations, especially as technology and research rapidly develops.

This book is your indispensable guide through this intricate and fast-moving landscape. Author Michael Albada provides a practical and research-based approach to designing and implementing single- and multiagent systems. It simplifies the complexities and equips you with the tools to move from concept to solution efficiently.

• Understand the distinct features of foundation model-enabled AI agents
• Discover the core components and design principles of AI agents
• Explore design trade-offs and implement effective multiagent systems
• Design and deploy tailored AI solutions, enhancing efficiency and innovation in your field

Table of Contents

Chapter 1. Introduction to Agents

Chapter 2. Designing Agent Systems

Chapter 3. User Experience Design for Agentic Systems

Chapter 4. Tool Use

Chapter 5. Orchestration

Chapter 6. Knowledge and Memory

Chapter 7. Learning in Agentic Systems

Chapter 8. From One Agent to Many

Chapter 9. Validation and Measurement

Chapter 10. Monitoring in Production

Chapter 11. Improvement Loops

Chapter 12. Protecting Agentic Systems

Chapter 13. Human-Agent Collaboration

About the Author

Michael Albada is a machine learning engineer with nine years of experience designing, building, and deploying large-scale machine learning solutions at Uber, ServiceNow, and Microsoft, with experience in recommendation systems, geospatial modeling, cybersecurity, natural language processing, large language models, and the development of large scale multi-agent systems for cybersecurity. He received his B.A. from Stanford University, M.Phil. from the University of Cambridge, and M.S. from Georgia Tech with a concentration in machine learning.