مقدمه

پیش‌گفتار

نگاه کلی به کالج Agentic AI

قالب کوئرا کالج

سیستم امتیازدهی و گواهی

مبانی Agentic Work و طرز فکر سیستمی

اهداف فصل

تفاوت چهار سطح AI Chat، Copilot، Agent و Multi-Agent

چهار جزء یک Agent: مدل، ابزار، حلقه، حافظه

حلقهٔ کاری: فکر، عمل، مشاهده، تکرار

تشخیص کار مناسب Agent از کار انسان

سناریو: انتخاب اولین کار برای سپردن در پشتیبانی اسنپ

چرا Agentها اشتباه می‌کنند

سناریو: صف کاتالوگ دیجی‌کالا و انتخاب سطح خودمختاری

سناریو: شب طولانی یک agent در تپسی

آزمون فصل ۲: مبانی Agentic Work و طرز فکر سیستمی

انتخاب مدل

خانواده‌های مدل و تفاوت‌هایشان

تعادل هزینه، کیفیت و سرعت

انتخاب مدل بر اساس نوع کار

سناریو: انتخاب خانوادهٔ مدل برای توضیح فیلم در فیلیمو

سناریو: سه‌راهی هزینه، کیفیت و سرعت در اسنپ‌فود

کار با چند مدل و مسیریابی مدل

سناریو: مسیریابی مدل برای بازبینی آگهی در دیوار

آزمون فصل ۳: انتخاب مدل

مدیریت مدل

چرا انتخاب زودهنگام ابزار به شکست می‌انجامد

سناریو: شش هفته ساخت و صفر کاربر در دیجی‌پی

شکستن کار بزرگ به زیرتسک‌های قابل‌واگذاری

نوشتن معیار پذیرش قابل‌سنجش

سناریو: معیار پذیرش برای خلاصهٔ کتاب در فیدیبو

وابستگی‌ها، محدودیت‌ها و ریسک‌ها

ساختار قرارداد کار: ورودی، خروجی، معیار، مرز

سناریو: قرارداد کار برای گزارش قطعی سرویس در شاتل

آزمون فصل ۴: مدیریت مدل

مهندسی پرامپت و دستورِ کار

تفاوت پرامپت چت با دستورِ کارِ Agent

چهار رکن: Role، Goal، Scope و Constraints

خروجی ساختارمند: JSON، جدول، Markdown

سناریو: چهار رکن دستور کار برای بازبینی زیرنویس در نماوا

استدلال گام‌به‌گام پیش از پاسخ

سناریو: خروجی ساختارمند و استدلال گام‌به‌گام در پیندو

System Prompt و ارتفاع درست دستورالعمل

سناریو: از گفت‌وگوی موفق تا دستور کار شکست‌خورده در ایرانسل

آزمون فصل ۵: مهندسی پرامپت و دستورِ کار

Claude Code: محیط، نشست و ابزارها

آشنایی با Claude Code و جایگاهش میان رقبا

نصب، احراز هویت و اولین نشست Claude Code

آناتومی یک نشست: turn، tool call، چرخه

فضای کاری و مسیرهای کاری در Claude Code

سناریو: فضای کاری اشتباه در مخزن بزرگ کافه‌بازار

فایل CLAUDE.md و دانش پروژه

سناریو: فایل CLAUDE.md که هیچ‌کس رعایتش نمی‌کند در مکتب‌خونه

مدیریت context با clear و compact

سناریو: نشست چهارساعته و افت کیفیت در ورزش‌سه

خواندن، نوشتن، ویرایش فایل و جست‌وجو با Glob و Grep

اجرا، رهگیری و ایمنی: Bash، TodoWrite و Plan Mode

آزمون فصل ۶: Claude Code: محیط، نشست و ابزارها

مهندسی Skill: بسته‌بندی تخصص

مفهوم Skill و Progressive Disclosure

سناریو: قواعد ویرایش که در هر نشست هزینه می‌دهند در طاقچه

ساختار پوشهٔ Skill و فایل SKILL.md

نوشتن name و description مؤثر

سناریو: Skillی که هیچ‌وقت فعال نمی‌شود در نوار

نوشتن بدنهٔ SKILL.md: دستور، مثال، محدودیت

فیلد allowed-tools و فایل‌های همراه

فراخوانی، دستور اسلش و توزیع Skill

سناریو: بدنهٔ Skill و مرز ابزارها در ابرآروان

آزمون فصل ۸: مهندسی Skill: بسته‌بندی تخصص

Subagentها و ایزولاسیون Context

چرا یک Agent کافی نیست و ارزش context جدا

تعریف Subagent در .claude/agents

نوشتن description مؤثر برای فعال‌شدن خودکار

مدیریت Subagentها با agents و عامل‌های آماده

واگذاری و انتقال نتیجه بین Agentها

سناریو: یک نشست شلوغ در تیم جست‌وجوی علی‌بابا

سناریو: تعریف عامل بازبین اقامتگاه در جاباما

موازی‌سازی، اولویت scope و دام‌ها

سناریو: چهار عامل موازی و یک فایل مشترک در اتاقک

آزمون فصل ۹: Subagentها و ایزولاسیون Context

الگوهای طراحی Agent

Workflow در برابر Agent: مسیر ثابت یا تصمیم پویا

الگوی Prompt Chaining با Gate کیفیت

سناریو: زنجیرهٔ سه‌مرحله‌ای توصیف کالا در ایمالز

الگوهای Routing و Parallelization

سناریو: workflow یا agent برای دسته‌بندی کالا در ترب

الگوی Orchestrator-Workers

سناریو: هماهنگ‌کننده و کارگرها برای تقویم محتوای دیجی‌استایل

الگوی Evaluator-Optimizer و ReAct/Reflection

آزمون فصل ۱۰: الگوهای طراحی Agent

مهندسی Context و حافظه

پنجرهٔ محدود و بودجهٔ token

جداکردن سیگنال از نویز در context

فشرده‌سازی تاریخچه با خلاصه و Compaction

بازیابی به‌موقع به‌جای انباشت

سناریو: پنجرهٔ پر از لاگ در تیم پخش تلوبیون

حافظهٔ کوتاه‌مدت و بلندمدت با فایل‌های حافظه

سناریو: حافظه‌ای که هر روز از صفر شروع می‌شود در روبیکا

افت کیفیت در context طولانی و مدیریت آن

سناریو: بودجهٔ token برای بازبینی مقالهٔ بلند در ویرگول

آزمون فصل ۱۲: مهندسی Context و حافظه

کار با داده‌ی چندرسانه‌ای

چطور agent تصویر و PDF را می‌فهمد

استخراج داده از PDF و اسناد اسکن‌شده

سناریو: سه نوع فاکتور و یک مسیر استخراج در زرین‌پال

تحلیل تصویر و screenshot در workflow

سناریو: بازبینی شبانهٔ اسکرین‌شات‌ها در آسان‌پرداخت

تولید خروجی چندرسانه‌ای: نمودار، جدول، گزارش

سناریو: گزارش ماهانه برای هیئت‌مدیره در توسن

آزمون فصل ۱۳: کار با داده‌ی چندرسانه‌ای

Workflow، Orchestration و Hooks

تبدیل کار به Pipeline: ترتیبی، موازی، شرطی

سناریو: شکل درست خط لوله برای گزارش هفتگی در بله

دروازهٔ Approval برای نگه‌داشتن انسان در حلقه

سناریو: دروازهٔ تأیید برای پیام همگانی در ایتا

خودکارسازی با Hooks در چرخهٔ حیات

انتخاب لایهٔ درست: Hook، Skill، Subagent یا Prompt

مدیریت خطا: Retry، Fallback و Idempotency

سناریو: ارسال دوبارهٔ اعلان و انتخاب لایه در سروش

زمان‌بندی، اجرای پس‌زمینه و مستندسازی

آزمون فصل ۱۴: Workflow، Orchestration و Hooks

MCP: استفاده و ساخت سرور

مشکلی که MCP حل می‌کند

معماری MCP: server، client، tools، resources

سناریو: سرور MCP که بالا نمی‌آید در پارس‌آنلاین

اتصال و پیکربندی MCP‌های پرکاربرد

دسترسی و امنیت با کمترین‌دسترسی

سناریو: پانزده پل اختصاصی در فناپ

سناریو: کمترین‌دسترسی برای عامل گزارش‌گیری در بانک سامان

ساخت یک MCP server ساده با ابزار سفارشی

آزمون فصل ۱۵: MCP: استفاده و ساخت سرور

الگوهای کاربردی در حوزه‌های مختلف

سناریوی مارکتینگ: از تحقیق تا تقویم محتوا

سناریوی محصول: از بازخورد تا PRD

سناریوی فریلنسر: پروپوزال و پیگیری

سناریوی تحلیل داده: از فایل خام تا گزارش مدیریتی

ترکیب همه‌چیز: یک سیستم زنده

آزمون فصل ۱۷: الگوهای کاربردی در حوزه‌های مختلف

ارزیابی، عیب‌یابی و Observability

چرا ارزیابی خروجی Agent سخت است

ساخت مجموعهٔ تست با موارد لبه Eval Dataset

روبریک و داوری با LLM-as-Judge

عیب‌یابی سیستم‌های Agentic و ردیابی خطا

پایش هزینه و تأخیر با Observability

آزمون فصل ۱۸: ارزیابی، عیب‌یابی و Observability

Production: هزینه، امنیت و استقرار

از Prototype تا Production: چه چیزی سیستم را آماده می‌کند؟

کاهش هزینه: چهار اهرم از Prompt Caching تا مسیریابی مدل

تزریق پرامپت و نشت داده: حمله‌ها و دفاع‌ها Prompt Injection

قفس، قفل و قانون: حاکمیت Agent در Production

استقرار و تحویل سیستم به تیم

آزمون فصل ۱۹: Production: هزینه، امنیت و استقرار

# سناریو: صف کاتالوگ دیجی‌کالا و انتخاب سطح خودمختاری

سپیده مسئول تیم محتوای کاتالوگ در دیجی‌کالاست. هر روز حدود ۴۰۰ محصول تازه از فروشندگان ثبت می‌شود و توضیح فنی هرکدام باید پیش از انتشار بازنویسی شود: واحدها یکدست شوند، مشخصات از دل متن آزاد بیرون بیاید و ادعای تبلیغاتی حذف شود. تیم سه‌نفره در بهترین حالت روزی ۱۲۰ محصول را پوشش می‌دهد و بقیه در صف می‌ماند.

| ![لوگوی دیجی‌کالا](/qbox/download/MGzZnNxkp9/digikala.svg) |
| :-: |
| دیجی‌کالا، بزرگ‌ترین فروشگاه اینترنتی ایران؛ سناریوی این پرسش‌ها در تیم محتوای کاتالوگ آن می‌گذرد. |

سه پیشنهاد روی میز سپیده است. در پیشنهاد اول، هر کارشناس متن فروشنده را در یک پنجرهٔ گفت‌وگو می‌گذارد و نسخهٔ بازنویسی‌شده را برمی‌دارد. در پیشنهاد دوم، افزونه‌ای در پنل کاتالوگ همان لحظه پیشنهاد بازنویسی را کنار فیلد نشان می‌دهد و کارشناس با یک کلید می‌پذیرد یا رد می‌کند. در پیشنهاد سوم، سرویسی هر شب کل صف را برمی‌دارد، برای هر محصول مشخصات فروشنده را می‌خواند، در صورت نیاز صفحهٔ سازنده را هم بررسی می‌کند، متن را بازنویسی می‌کند و نتیجه را در وضعیت «آمادهٔ بازبینی» می‌گذارد.

یک قید هم هست که مذاکره‌پذیر نیست: قیمت و مدت گارانتی هرگز نباید از متن استنباط شود و فقط از پایگاه دادهٔ فروشنده می‌آید. سپیده می‌داند اشتباه در این دو عدد یعنی شکایت مشتری و برگشت کالا.

در این آزمون، هر سه پیشنهاد را روی طیف خودمختاری قرار می‌دهید، نقطهٔ کنترل هرکدام را مشخص می‌کنید و تصمیم می‌گیرید قید قیمت و گارانتی را کدام جزء سیستم باید نگه دارد. پاسخ هر پرسش را بر پایهٔ همین سناریو انتخاب کنید.

form

حجم بالا و تکرار روزانه با ساختار مشابه

خروجی پیش از انتشار قابل بازبینی است و اشتباهش برگشت‌پذیر است

قضاوت سلیقه‌ای در آن کم است و قاعده‌های بازنویسی مکتوب‌اند

تصمیم دربارهٔ قیمت نهایی محصول هم در همین کار گرفته می‌شود

حافظه، با ثبت مقدار درست در نشست‌های قبلی

حلقه، با تکرار بیشتر تا رسیدن به مقدار درست

مدل، با یک جملهٔ صریح در *prompt* که این دو را از خودش نسازد

ابزار، با فراهم‌کردن تنها مسیر مجاز خواندن این دو مقدار از پایگاه داده

پیش از هر بار پذیرفتن یا رد کردن پیشنهادِ کنار فیلد

در پایان شب، هنگام بازبینی کل صف

هنگام نوشتن *prompt* اولیه و بعد از آن هیچ‌جا

در پیشنهاد دوم اصلاً نقطهٔ کنترلی وجود ندارد

سطح *AI Chat*، چون کارشناس متن را خودش وارد می‌کند

سطح *Copilot*، چون خروجی پیش از انتشار تأیید می‌شود

سطح *Agent*، چون هدف را می‌گیرد و خودش مراحل خواندن و بازنویسی را انجام می‌دهد

سطح *Multi-Agent*، چون چند محصول را هم‌زمان پردازش می‌کند

چون *Multi-Agent* برای کارهای متنی اصلاً کار نمی‌کند

چون یک کار خطی و مشخص است و افزودن سطح، هزینه و پیچیدگی هماهنگی را بدون سود روشن بالا می‌برد