عامل هوش مصنوعی در مقابل ربات معاملاتی در مقابل چتبات: معماری که واقعاً مهم است
تفاوت بین عامل هوش مصنوعی، ربات تجاری و چتبات به یک خط خلاصه میشود: چتباتها متن تولید میکنند، رباتهای تجاری منطق سفارش را اجرا میکنند و عوامل هوش مصنوعی یک حلقه چند مرحلهای را اجرا میکنند که میتواند ابزارها را فراخوانی کرده و عوارض جانبی ایجاد کند. هنگامی که یک سیستم میتواند از "متن خارج" به "سفارشات خارج" برود، دیگر یک ویژگی چت نیست و به یک جریان کاری اجرایی تبدیل میشود که نیاز به کنترلهای ریسک سخت دارد.
نکات کلیدی
- تنها تفاوتی که اهمیت دارد، خودمختاری با ابزارهاست: یک چتبات پاسخ میدهد، یک ربات تجاری اجرا میکند و یک عامل هوش مصنوعی برنامهریزی میکند و در یک حلقه به APIها فراخوانی میکند.بیشتر دموهای "عامل هوش مصنوعی"، رابطهای چت LLM شسته شده هستند. آزمایش سریع این است که آیا میتواند ابزارهای خود را فهرست کند، وظایف چند مرحلهای را اجرا کند و چیزی را برای فردا به یاد بیاورد.در معماری تجاری، عامل هوش مصنوعی لایه برنامهریز/عملکننده است و ربات تجاری موتور اجرایی است که با یک API صرافی یا کارگزار صحبت میکند.اگر یک LLM بتواند به یک نقطه سفارش دسترسی پیدا کند، شعاع انفجار پول واقعی است.تجارت کاغذی، تأییدیههای صریح و محدودیتهای سخت، شرطهای اصلی هستند.
- سه سیستم که به نظر مشابه میرسند
- روش تمیز برای تفکیک عامل هوش مصنوعی، ربات تجاری و چتبات این است که سه جعبه بکشید و آنها را بر اساس آنچه که خروجی میدهند، برچسبگذاری کنید: رابط (مکالمه)، مغز (حلقه تصمیمگیری)، دستها (اجرا). بازاریابی اینها را به "عامل هوش مصنوعی در مقابل ربات" کاهش میدهد، اما واقعیت در سطح صفحه سادهتر است. یک چتبات عمدتاً یک سطح مکالمه است. یک ربات تجاری اتوماسیونی است که سفارشات را تولید و یا اجرا میکند.
- یک عامل هوش مصنوعی در وسط نشسته است به عنوان برنامهریز که میتواند نیت را به فراخوانی ابزارها ترجمه کند و تا زمانی که هدف انجام نشود، ادامه دهد.
- طبقهبندی 2026 Quickchat مفید است زیرا "چتبات" را به دو محصول مختلف تقسیم میکند که مردم آنها را اشتباه میگیرند: چتباتهای مبتنی بر قانون (طبقهبندی نیت، استخراج موجودیت، جریانهای اسکریپت شده) و چتباتهای LLM یا کمکرانندهها (فراخوانیهای LLM تکپاسخ بدون استفاده خودکار از ابزار). تنها دسته سوم در آن طبقهبندی یک عامل هوش مصنوعی است: LLM به علاوه ابزارها به علاوه حافظه به علاوه جریانهای کاری چند مرحلهای.
- Hermify همان ایده را به یک آزمایش "فقط خواندنی در مقابل خواندنی و نوشتنی" فشرده میکند: یک چتبات میخواند و پاسخ میدهد، در حالی که یک عامل میخواند، مینویسد و عمل میکند.تجارت یک تله نامگذاری دیگر اضافه میکند. مقایسه "ربات کریپتو در مقابل عامل هوش مصنوعی" اغلب فرض میکند که آنها محصولات رقیب هستند. در یک میز، آنها معمولاً لایههای مختلفی هستند. ربات تجاری بخشی است که انواع سفارشات، محدودیتهای موقعیت و نحوه صحبت با یک API صرافی را میداند. عامل هوش مصنوعی اپراتور زبان طبیعی است که میتواند مراحل را برنامهریزی کند مانند "ترازها را بکشید، قرار گرفتن را بررسی کنید، یک بلیط سفارش پیشنهاد دهید، سپس منتظر تأیید باشید." به همین دلیل است که "آیا عوامل هوش مصنوعی فقط رباتهای تجاری هستند" سوال اشتباهی است. سوال بهتر این است که خودمختاری کجا زندگی میکند و چه مقدار اجازه دارد.این برای عوامل در کریپتو مهم است زیرا الگوی مشابهی در خارج از تجارت ظاهر میشود: "عوامل هوش مصنوعی در کریپتو چه هستند" معمولاً به سیستمهایی اشاره دارد که میتوانند ابزارهای زنجیرهای و غیرزنجیرهای را فراخوانی کنند، نه فقط به سوالات در مورد یک پروتکل پاسخ دهند.
چگونه چتباتها در زیر کاپوت کار میکنند
چتباتهای مبتنی بر قانون با یک مجموعه نیت باریک و یک مدیر گفتوگو شروع میشوند که کاربر را از طریق وضعیتهای از پیش تعریف شده هدایت میکند. Quickchat اجزای کلاسیک را به عنوان طبقهبندی نیت و استخراج موجودیت توصیف میکند که جریانهای گفتوگوی اسکریپت شده را تغذیه میکند. Cognigy نسل مشابهی از سیستمها را به عنوان واکنشی و وابسته به آموزش و نظارت اولیه، با درک محدود زمینهای خارج از دامنه طراحی شده، چارچوببندی میکند.
وقتی این سیستمها شکست میخورند، به روشی قابل پیشبینی شکست میخورند: آنها به عقب برمیگردند، اشتباه مسیر میدهند یا حلقه میزنند.
چتباتهای LLM و کمکرانندهها تولیدکننده پاسخ سختگیر را با یک مدل زبان بزرگ جایگزین میکنند، به همین دلیل است که آنها در صفحه احساس هوشمندی بیشتری میکنند. معماری هنوز عمدتاً یک نوبت در یک زمان است: پیام کاربر وارد میشود، سیستم ممکن است زمینه را از یک پایگاه دانش بازیابی کند، یک فراخوانی LLM یک پاسخ تولید میکند و سیستم تا درخواست بعدی متوقف میشود.
Quickchat به وضوح این را به عنوان نسخهای محدود از یک عامل در نظر میگیرد، که حلقه استفاده خودکار از ابزار را از دست میدهد.
آن "توقف" محدودیت عملیاتی کلیدی است. چارچوببندی Cognigy این است که حتی چتباتهای powered by AI نیز به ورودیهای کاربر برای اقدام وابسته هستند. آنها میتوانند کاربر را از طریق وظایفی مانند سوالات متداول، شناسایی و تأیید، یا جمعآوری مدارک راهنمایی کنند، اما به طور مستقل کارهای چند مرحلهای را کامل نمیکنند مگر اینکه محصول به عنوان یک عامل با ادغامهای پشتیبان ساخته شده باشد.
برای معاملهگران و سازندگان، نکته مهم این است که شعاع انفجار یک چتبات معمولاً یک پیام است. این باعث میشود که استقرار آن ارزان و آزمایش آن آسان باشد. همچنین این باعث میشود که برای هر چیزی که نیاز به تغییرات حالت دارد، مانند تغییر تنظیمات حساب، جابجایی وجوه یا قرار دادن سفارشات، مناسب نباشد.
وقتی یک فروشنده "چتباتی که میتواند تجارت کند" را معرفی میکند، اولین سوال این است که آیا هنوز ورودی متن و خروجی متن است، یا اینکه آیا به فراخوانی ابزارهایی که میتوانند حالت را تغییر دهند، عبور کرده است.
مکانیسم پشت عوامل هوش مصنوعی
یک عامل زمانی عامل میشود که یک حلقه را اجرا کند، نه زمانی که از یک LLM استفاده کند. Quickchat هسته را به عنوان یک چرخه مشاهده-استدلال-عمل-ارزیابی توصیف میکند، که اغلب با الگوی ReAct که در سال 2022 ذکر شده است، مرتبط است. Hermify همان نکته را با کلمات متفاوت بیان میکند: یک عامل هوش مصنوعی یک زمان اجرا است که مدل درون یک برنامهریز به علاوه ابزارها به علاوه حافظه نشسته است و تا زمانی که هدف برآورده نشود یا تسلیم نشود، ادامه میدهد.
استفاده از ابزار لولا است. Quickchat فراخوانی عملکرد را به عنوان قراردادی در نظر میگیرد که به مدل اجازه میدهد تا اقدامات خارجی را از طریق پارامترهای ساختاری فراخوانی کند. خط "میخواند، مینویسد و عمل میکند" Hermify اساساً یک بیانیه مجوز است: اگر سیستم بتواند به یک پایگاه داده بنویسد، یک ایمیل ارسال کند یا به یک نقطه سفارش دسترسی پیدا کند، دیگر یک ویژگی چتبات نیست. این یک عامل خودمختار یا حداقل یک نامزد عامل خودمختار است، بسته به اینکه چند دروازه در مقابل آن وجود دارد.
حافظه دومین لولا است که یک دمو را از یک سیستم جدا میکند. Quickchat اشاره میکند که عوامل اغلب لایههای حافظه بلندمدت را اضافه میکنند که در تعاملات حفظ میشوند، در حالی که چتباتها معمولاً در جلسات بدون حالت هستند به جز پنجره زمینه فعلی. Hermify یک آزمایش ساده را پیشنهاد میکند: برگه را ببندید و فردا برگردید، سپس به چیزی خاص اشاره کنید. اگر نتواند بازیابی و ادامه دهد، به یک چتبات نزدیکتر است تا یک عامل.
عاملشویی به اندازهای رایج است که Hermify به ادعای گارتنر اشاره میکند، که به صورت غیرمستقیم در پست خود گزارش شده است، که تنها حدود 130 فروشنده "به طور قابل تأیید عامل" در میان هزاران نفری که از این برچسب استفاده میکنند، وجود دارد. سریعترین آزمایش فروشنده ملموس و خستهکننده است:
1. بپرسید چه ابزارهایی میتواند فراخوانی کند. یک عامل واقعی فهرستی از ادغامها و مجوزها را ارائه میدهد، نه "قابلیتهای" مبهم. 2. از یک وظیفه دو مرحلهای با یک عارضه جانبی بخواهید. یک چتبات توضیح میدهد. یک عامل از طریق ابزارها اجرا میکند. 3. بپرسید که چه چیزی را در جلسات به یاد میآورد. اگر حافظه اختیاری است، بپرسید کجا ذخیره میشود و آیا قابل بازرسی است.
این نمای معماری میز از یک جریان کاری عامل است: یک حلقه که میتواند برنامهریزی کند، ابزارها را فراخوانی کند، نتایج را مشاهده کند و تکرار کند، با حافظهای که حلقه را تغذیه میکند.
جایی که رباتهای تجاری جا میگیرند
یک ربات تجاری اتوماسیون دامنهای است که سیگنالها را تولید و یا سفارشات را با تعامل با یک API کارگزار یا صرافی اجرا میکند. چارچوببندی Alpaca از عوامل هوش مصنوعی تجاری صریح است: آنها میتوانند دستورالعملهای زبان طبیعی را درک کنند و آنها را به اقداماتی مانند اجرای معاملات از طریق یک API تجاری ترجمه کنند و از جریانهای کاری چند مرحلهای که تحلیل را به تصمیمگیری برای تجارت میرسند، پشتیبانی کنند. این تعریف به آرامی "مغز" را از "دستها" جدا میکند. عامل تفسیر و برنامهریزی میکند. سیستم اجرایی سفارش را قرار میدهد.
این جایی است که "عامل خودمختار در مقابل ربات" دیگر معنای صرف نیست و به مهندسی ریسک تبدیل میشود. یک ربات تجاری میتواند کاملاً قطعی باشد و هنوز هم خطرناک باشد، اما حداقل حالتهای شکست آن توسط مسیرهای کد محدود شدهاند. یک عامل مبتنی بر LLM یک کلاس جدید از شکست را معرفی میکند: سوءتعبیر نیت.
Alpaca اشاره میکند که سیستمهای مبتنی بر LLM میتوانند دستورات را اشتباه درک کنند و توصیه میکند که با تجارت کاغذی شروع کنید، تأییدیههای صریح و نردههای حفاظتی اضافه کنید و از سفارشات محدود با اندازههای محدود استفاده کنید.
در یک صفحه، الگوی ایمن به این شکل است: عامل هوش مصنوعی یک بلیط سفارش را پیشنویس میکند، سپس ربات تجاری محدودیتها را اجرا کرده و تنها آنچه را که مجاز است ارسال میکند. بلیط باید صریح باشد، نه مکالمهای. اگر سیستم نتواند نماد، سمت، اندازه، نوع سفارش، قیمت محدود و زمان در اعتبار را قبل از اینکه به API برسد، دوباره بیان کند، برای نقاط پایانی زنده آماده نیست.
کریپتو یک لایه برندینگ به این اضافه میکند. محصولات "defai" اغلب یک رابط چت، یک حلقه عامل و قلابهای اجرایی را به پروتکلهای DeFi متصل میکنند. همان مدل سه جعبه هنوز اعمال میشود. سطح چت میتواند شیک باشد. لایه اجرایی جایی است که ضررها اتفاق میافتند. سوال همیشه این است که کدام مؤلفه مجاز به لمس کلیدها، امضای معاملات یا قرار دادن سفارشات است.
این همچنین جایی است که طبقهبندی داخلی برای خوانندگانی که "رباتهای تجاری در مقابل تجارت کپی در مقابل رباتهای هوش مصنوعی" را مقایسه میکنند، اهمیت دارد. تجارت کپی واگذاری به یک استراتژی یا معاملهگر دیگر است. یک ربات تجاری اتوماسیون منطق خود شماست. یک عامل هوش مصنوعی یک لایه کنترل است که میتواند ابزارها، از جمله رباتها را در صورت اجازه کار کند.
انتخاب ابزار مناسب به طور ایمن
قاعده انتخاب یک آزمایش شعاع انفجار است: اگر سیستم بتواند عوارض جانبی ایجاد کند، به تأییدیهها، محدودیتها و یک راهاندازی مرحلهای نیاز دارد. چتباتها زمانی خوب هستند که کار پاسخ به سوالات از یک پایگاه دانش یا راهنمایی کاربر از طریق یک جریان باریک باشد.
Cognigy استدلال میکند که این استقرارهای باریک هنوز میتوانند ROI قابل اندازهگیری تولید کنند و به مورد Lippert اشاره میکند که نرخ نگهداری 37% برای برخی از انواع پرسشها، حدود 180,000 مکالمه خودکار و کاهش هزینه 80% برای پرسشهای پردازش شده دارد.عوامل وقتی درآمد خود را کسب میکنند که کار چند مرحلهای در سراسر سیستمها باشد. Cognigy عوامل هوش مصنوعی را به عنوان قادر به درک نیت، سازگاری با زمینههای در حال تغییر، شخصیسازی پاسخها و اجرای وظایف پیچیده چند مرحلهای توصیف میکند. چارچوببندی Quickchat این است که عامل وظیفه را تجزیه کرده و ابزارها را در زمان اجرا انتخاب میکند، نه اینکه به یک گراف گفتوگوی از پیش ساخته شده تکیه کند.تجارت نسخهای با ریسک بالا از همان تصمیم است. اگر هدف "توضیح تأمین مالی، خلاصه اخبار، پاسخ به سوالات در مورد یک پروتکل" باشد، یک چتبات یا کمکراننده کافی است. اگر هدف "بررسی ترازها، محاسبه قرار گرفتن، پیشنهاد یک سفارش، سپس ارسال آن" باشد، این یک عامل هوش مصنوعی به علاوه یک ربات تجاری است، با رباتی که محدودیتهای سخت را اجرا میکند.
یک نردبان ایمن "کی استفاده از کدام" ساده است:
1. از یک چتبات استفاده کنید زمانی که فقط به خروجی متن نیاز دارید. آن را فقط خواندنی نگه دارید. 2. از یک عامل هوش مصنوعی استفاده کنید زمانی که به یک حلقه استفاده از ابزار چند مرحلهای نیاز دارید، اما با ابزارهای فقط خواندنی مانند پرسشهای داده شروع کنید. 3. لایه اجرایی ربات تجاری را تنها پس از اینکه تجارت کاغذی ثابت کرد که جریان کاری رفتار میکند، اضافه کنید و عامل را پشت تأییدیههای صریح نگه دارید.
نردههای حفاظتی Alpaca به وضوح به این نردبان نقشهبرداری میکنند: تجارت کاغذی اول، تأییدیههای صریح، سفارشات محدود و اندازههای محدود. هدف این نیست که کارها را کند کنید.
هدف این است که جریان کاری عامل خودمختار از تبدیل یک جمله سوءتعبیر شده به یک سفارش غیرقابل برگشت جلوگیری کند.نزدیک به پایان هر تصمیم ساخت یا خرید در مورد عوامل در کریپتو، فروشنده باید بتواند گزارشهایی از فراخوانی ابزارها، مدل مجوز و آنچه که هنگام خروج یک عمل نامعتبر از مدل اتفاق میافتد، نشان دهد. اگر نتوانند، این یک عامل هوش مصنوعی نیست. این یک دمو چت با یک دکمه خطرناک است.نتیجهگیری
من شاهد بودهام که تیمها ابزار "عامل هوش مصنوعی" را خریداری کردهاند که در واقع فقط یک چتبات LLM با یک رابط کاربری زیباتر بود و سپس وقتی نتوانست یک کار دو مرحلهای را بدون کمک انجام دهد، شگفتزده شدند. سریعترین نشانه هرگز نام مدل نبوده است. این است که آیا محصول میتواند ابزارهای خود را فهرست کند، یک حلقه را اجرا کند و چیزی را برای فردا به یاد بیاورد.
من همچنین نسخه گرانقیمت این را در اتوماسیون تجاری دیدهام: لحظهای که یک LLM اجازه پیدا میکند به یک نقطه سفارش دسترسی پیدا کند، حالت شکست دیگر "پاسخ اشتباه" نیست و به "معامله اشتباه" تبدیل میشود. رویکرد تجارت کاغذی اول و تأییدیههای صریح Alpaca پیشفرض درستی است. معماری کل بازی است: چت به عنوان رابط، یک عامل هوش مصنوعی به عنوان برنامهریز و یک ربات تجاری به عنوان دستها با محدودیتهای سخت.
منابع
کیوک چت AI
هرمیفی
کونیگی
آلپاکا
پرسشهای متداول
آیا عاملان هوش مصنوعی فقط رباتهای معاملاتی هستند؟
خیر. یک ربات معاملاتی، خودکارسازی اجرای دستورات است که از طریق یک API صرافی یا کارگزار، دستورات را تولید و یا ارسال میکند. یک عامل هوش مصنوعی لایه برنامهریز یا اپراتور است که میتواند یک حلقه چند مرحلهای را اجرا کند، ابزارها را فراخوانی کند و قصد زبان طبیعی را به اقدامهای ساختاری تبدیل کند که ممکن است شامل کنترل یک ربات معاملاتی باشد.
سریعترین راه برای تشخیص یک عامل هوش مصنوعی از یک چتبات چیست؟
بپرسید چه ابزارهایی میتواند فراخوانی کند، سپس یک وظیفه دو مرحلهای با یک اثر جانبی واقعی به آن بدهید. یک چتبات توضیح خواهد داد که چه کاری باید انجام دهد، در حالی که یک عامل از طریق فراخوانی ابزارها اجرا خواهد کرد. سپس بررسی کنید که آیا میتواند یک جزئیات خاص را در طول جلسات به خاطر بسپارد، که یک قابلیت رایج در عاملان است.
یک عامل خودمختار در مقابل ربات در معاملات چیست؟
یک عامل خودمختار سیستمی است که میتواند با فراخوانی ابزارها، برنامهریزی و از طریق وظایف تکرار کند، احتمالاً بدون نیاز به راهنمایی مرحله به مرحله. یک ربات معاملاتی باریکتر است: آن منطق معاملاتی و اجرای دستورات را خودکار میکند. در بسیاری از تنظیمات، عامل تصمیم میگیرد و ربات محدودیتها را اعمال کرده و دستورات را ارسال میکند.
چرا استفاده از ابزار تفاوت کلیدی بین یک عامل هوش مصنوعی و یک چتبات LLM است؟
چتباتهای LLM معمولاً یک درخواست-پاسخ واحد را اجرا میکنند و در خروجی متنی متوقف میشوند. عاملان هوش مصنوعی دسترسی به ابزار و یک حلقه استدلال اضافه میکنند که میتواند نتایج را مشاهده کند، از طریق API اقدام کند و ادامه دهد تا وظیفه کامل شود. این تغییر، شعاع تأثیر سیستم را از پیامها به تغییرات واقعی در وضعیت دنیای واقعی تغییر میدهد.
آیا میتوانم اجازه دهم یک عامل هوش مصنوعی بهطور ایمن معاملات را انجام دهد؟
میتوان با مرحلهبندی خودمختاری و افزودن کنترلهای سخت، آن را ایمنتر کرد. آلپاکا توصیه میکند که با معاملات کاغذی شروع کنید، نیاز به تأییدهای صریح داشته باشید و از محافظهایی مانند سفارشات محدود و اندازههای معاملاتی محدود استفاده کنید زیرا سیستمهای مبتنی بر LLM ممکن است دستورات را اشتباه تفسیر کنند. کلید این است که تجزیه قصد عامل را از محدودیتهای ریسک لایه اجرایی جدا کنید.
