هوش مصنوعی دیگر فقط برای تولید متن یا پاسخ دادن به سؤال‌ها استفاده نمی‌شود. با کمک ایجنت‌های هوش مصنوعی می‌توان سیستم‌هایی ساخت که علاوه بر درک درخواست کاربر، اطلاعات موردنیاز خود را از ابزارهای مختلف دریافت کنند و بر اساس نتیجه، مراحل بعدی کار را انجام دهند.
در این آموزش از CMSNevis یاد می‌گیریم AI Agent در n8n چیست، چه تفاوتی با یک مدل زبانی ساده دارد و چگونه یک ایجنت هوش مصنوعی بسازیم که بتواند به سؤال‌ها پاسخ دهد و از ابزارهای متصل به خود استفاده کند.
برای انجام این پروژه به برنامه‌نویسی پیشرفته نیاز ندارید؛ اما آشنایی مقدماتی با Workflow و Nodeهای n8n به شما کمک می‌کند مراحل را راحت‌تر دنبال کنید.
AI Agent چیست؟
AI Agent یا ایجنت هوش مصنوعی سیستمی است که با استفاده از یک مدل هوش مصنوعی، درخواست را تحلیل می‌کند و بر اساس هدف، دستورالعمل‌ها و ابزارهای در دسترس خود تصمیم می‌گیرد چه کاری انجام دهد.
برای مثال، یک دستیار هوش مصنوعی معمولی ممکن است بتواند درباره قیمت یک محصول توضیح بدهد؛ اما یک ایجنت مجهز به ابزار می‌تواند در صورت فراهم بودن دسترسی‌ها:
- اطلاعات محصول را از یک API دریافت کند.
- یک محاسبه را با ابزار محاسباتی انجام دهد.
- اطلاعات موردنیاز را از یک منبع مشخص بخواند.
- نتیجه را به زبان قابل فهم به کاربر ارائه کند.
- در صورت نیاز، یک عملیات مجاز را از طریق ابزار متصل انجام دهد.
البته ایجنت به‌صورت خودکار به تمام اطلاعات یا سرویس‌ها دسترسی ندارد. هر ابزار باید به Workflow متصل باشد، دسترسی‌های لازم را داشته باشد و محدودیت‌های امنیتی آن مشخص شده باشد.
تفاوت AI Agent با مدل زبانی معمولی چیست؟
مدل زبانی یا LLM، ورودی را دریافت می‌کند و بر اساس آموزش و زمینه‌ای که در اختیارش قرار گرفته، پاسخ تولید می‌کند. اما AI Agent می‌تواند علاوه بر استفاده از مدل زبانی، ابزارهای تعریف‌شده را نیز به کار بگیرد.
| قابلیت | مدل زبانی ساده | AI Agent مجهز به ابزار |
|---|---|---|
| تولید پاسخ متنی | بله | بله |
| تحلیل درخواست | بله | بله |
| استفاده از ابزارهای متصل | به‌صورت مستقیم در حالت معمول خیر | بله |
| دریافت اطلاعات زنده از API | نیازمند اتصال و پیاده‌سازی جداگانه | با ابزار مناسب امکان‌پذیر است |
| انجام عملیات خارجی | به‌تنهایی خیر | در صورت اتصال ابزار و مجوز مناسب |
| نیاز به کنترل و نظارت | بله | بله، به‌خصوص برای عملیات حساس |
نکته مهم این است که AI Agent لزوماً دقیق‌تر از یک مدل زبانی ساده نیست. استفاده از ابزارها قابلیت‌های بیشتری فراهم می‌کند، اما همچنان ممکن است پاسخ اشتباه تولید کند یا ابزار نامناسبی را انتخاب کند.
اجزای اصلی AI Agent در n8n
برای ساخت یک ایجنت در n8n معمولاً با چند بخش اصلی سروکار داریم.
۱. AI Agent Node
این Node نقش اصلی ایجنت را بر عهده دارد. درخواست را دریافت می‌کند و با استفاده از مدل زبانی و ابزارهای متصل، فرایند پاسخ‌گویی یا انجام کار را مدیریت می‌کند.
۲. Chat Model
مدل زبانی وظیفه تحلیل ورودی و تولید پاسخ را بر عهده دارد. برای استفاده از آن باید یک ارائه‌دهنده مدل و اعتبارنامه معتبر در n8n تنظیم کنید.
بسته به ارائه‌دهنده و تنظیمات، ممکن است هزینه استفاده از API نیز داشته باشید.
۳. Tools
ابزارها قابلیت انجام کارهای مشخص را در اختیار ایجنت قرار می‌دهند. برای مثال، می‌توانید ابزار محاسباتی، ابزار دریافت اطلاعات از API یا ابزار جست‌وجو در یک منبع داده را در اختیار آن قرار دهید.
ایجنت فقط باید به ابزارهایی دسترسی داشته باشد که واقعاً برای وظیفه‌اش نیاز دارد.
۴. Memory
حافظه می‌تواند برای نگهداری بخشی از زمینه گفت‌وگو و حفظ پیوستگی مکالمه استفاده شود. نوع حافظه، نحوه ذخیره‌سازی و ماندگاری اطلاعات به تنظیمات و پیاده‌سازی بستگی دارد.
حافظه به معنای یادگیری دائمی مدل یا نگهداری نامحدود تمام مکالمات نیست.
۵. دستورالعمل یا System Message
با دستورالعمل مشخص می‌کنید ایجنت چه نقشی دارد، چگونه باید پاسخ بدهد، چه محدودیت‌هایی را رعایت کند و در چه شرایطی از ابزارها استفاده کند.
آموزش ساخت اولین AI Agent در n8n
در این پروژه یک دستیار هوش مصنوعی می‌سازیم که از طریق رابط گفت‌وگوی n8n پیام دریافت می‌کند، به کمک مدل زبانی پاسخ می‌دهد و در صورت نیاز از ابزار محاسباتی استفاده می‌کند.
برای نمونه، کاربر می‌تواند بپرسد:
«اگر قیمت هر محصول ۲۵۰ هزار تومان باشد و ۴ عدد بخریم، مبلغ کل چقدر می‌شود؟»
ایجنت می‌تواند از ابزار محاسباتی متصل‌شده استفاده کند و نتیجه را به کاربر توضیح دهد.
مرحله اول: ساخت Workflow جدید
ابتدا وارد محیط n8n شوید.
۱. یک Workflow جدید ایجاد کنید.
۲. یک Node از نوع Chat Trigger به Workflow اضافه کنید.
۳. تنظیمات اولیه آن را بررسی کنید تا بتواند پیام کاربر را از رابط گفت‌وگو دریافت کند.
نام یا محل برخی تنظیمات ممکن است با نسخه n8n شما تفاوت داشته باشد.
Chat Trigger نقطه شروع گفت‌وگو است. در پروژه‌های واقعی می‌توانید به‌جای آن از ورودی‌های دیگری مانند Webhook استفاده کنید؛ برای مثال، اگر قرار است درخواست از سایت اختصاصی شما ارسال شود.
مرحله دوم: اضافه کردن AI Agent
یک Node از نوع AI Agent اضافه کنید و خروجی Chat Trigger را به ورودی آن متصل کنید.
در این ساختار، مسیر اصلی Workflow به شکل زیر است:
Chat Trigger → AI Agent
در این مرحله ایجنت ورودی مکالمه را دریافت می‌کند، اما برای تولید پاسخ به اتصال یک مدل زبانی نیاز دارد.
مرحله سوم: اتصال مدل زبانی
در بخش ورودی مدل یا اتصال مربوط به Chat Model در AI Agent، یک مدل سازگار اضافه کنید. برای مثال می‌توانید از OpenAI Chat Model استفاده کنید.
سپس مراحل زیر را انجام دهید:
۱. در بخش Credentials، اعتبارنامه مربوط به ارائه‌دهنده مدل را انتخاب یا ایجاد کنید.
۲. کلید API معتبر را طبق تنظیمات همان ارائه‌دهنده وارد کنید.
۳. یک مدل پشتیبانی‌شده و در دسترس انتخاب کنید.
۴. تنظیمات را ذخیره کنید و اتصال را بررسی کنید.
نکته امنیتی: کلید API را داخل متن پیام، کد عمومی یا خروجی قابل مشاهده برای کاربر قرار ندهید. از سیستم Credentials خود n8n استفاده کنید و دسترسی آن را محدود نگه دارید.
همچنین داشتن اشتراک یک سرویس هوش مصنوعی لزوماً به معنای داشتن اعتبار API آن نیست. شرایط دسترسی و هزینه را در سرویس ارائه‌دهنده بررسی کنید.
مرحله چهارم: نوشتن دستورالعمل ایجنت
در تنظیمات AI Agent، دستورالعملی برای تعیین نقش و محدودیت‌های دستیار وارد کنید. نام دقیق فیلدها ممکن است در نسخه‌های مختلف متفاوت باشد.
برای مثال، می‌توانید از متن زیر استفاده کنید:
«تو یک دستیار فارسی‌زبان هستی. به سؤال‌های کاربر به زبان فارسی، شفاف و مختصر پاسخ بده. اگر برای انجام محاسبه به ابزار محاسباتی نیاز داشتی، از آن استفاده کن. اطلاعاتی را که در اختیار نداری، به‌عنوان واقعیت قطعی بیان نکن. بدون تأیید صریح کاربر هیچ عملیات خارجی یا تغییر اطلاعاتی انجام نده.»
این دستورالعمل، رفتار مورد انتظار ایجنت را مشخص می‌کند. با این حال، دستورالعمل به‌تنهایی جایگزین کنترل‌های امنیتی در سطح ابزار و سرور نیست.
مرحله پنجم: اتصال ابزار محاسباتی
حالا یک ابزار محاسباتی مانند Calculator را به ورودی Tools در AI Agent متصل کنید؛ در صورتی که این ابزار در نسخه و پیکربندی شما موجود باشد.
ساختار کلی Workflow تا این مرحله چنین است:
Chat Trigger: دریافت پیامAI Agent: تحلیل درخواست و مدیریت فرایندOpenAI Chat Model: تولید پاسخ و تصمیم‌گیری درباره استفاده از ابزارCalculator: انجام محاسبات ریاضی
اتصال مدل و ابزار به AI Agent از طریق ورودی‌های مخصوص مربوط به آن‌ها انجام می‌شود؛ لازم نیست ابزار را مانند یک Node معمولی در مسیر اصلی پس از AI Agent قرار دهید.
اکنون ایجنت می‌تواند در صورت نیاز از ابزار محاسباتی استفاده کند. البته انتخاب ابزار به تشخیص مدل و نوع درخواست وابسته است و باید آن را با نمونه‌های مختلف آزمایش کنید.
مرحله ششم: آزمایش ایجنت
Workflow را ذخیره کنید و رابط گفت‌وگو یا روش اجرای آزمایشی در دسترس را باز کنید.
چند سؤال مختلف بپرسید:
آزمایش اول: سؤال عمومی
«AI Agent چیست؟»
انتظار داریم مدل بدون نیاز به ابزار محاسباتی، پاسخ متنی ارائه کند.
آزمایش دوم: محاسبه
«اگر قیمت هر محصول ۲۵۰ هزار تومان باشد، قیمت ۴ محصول چقدر است؟»
انتظار داریم ایجنت در صورت تشخیص نیاز، از ابزار Calculator استفاده کند و حاصل ۱۰۰۰ هزار تومان، یعنی یک میلیون تومان، را گزارش دهد.
آزمایش سوم: اطلاعات ناموجود
«موجودی فعلی محصول X در انبار من چقدر است؟»
اگر هنوز ابزار یا منبع اطلاعات انبار را متصل نکرده‌اید، ایجنت نباید ادعا کند موجودی واقعی را بررسی کرده است. دستورالعمل مناسبی بنویسید تا در این وضعیت محدودیت دسترسی را اعلام کند.
مرحله هفتم: بررسی اجرای Workflow
پس از اجرای آزمایشی، جزئیات Execution را در n8n بررسی کنید.
به این موارد توجه کنید:
- آیا Chat Trigger ورودی مورد انتظار را دریافت کرده است؟
- آیا AI Agent اجرا شده است؟
- آیا مدل زبانی پاسخ داده است؟
- آیا ابزار محاسباتی در صورت نیاز فراخوانی شده است؟
- آیا خروجی نهایی با درخواست کاربر مطابقت دارد؟
- آیا خطایی در Credentials یا اتصال Nodeها وجود دارد؟
اگر ایجنت به سؤال پاسخ داده ولی ابزار را اجرا نکرده است، لزوماً به معنای خرابی Workflow نیست. ممکن است مدل تشخیص داده باشد که برای پاسخ نیازی به ابزار ندارد. برای بررسی دقیق، درخواست و Execution را با هم ارزیابی کنید.
چگونه به AI Agent حافظه اضافه کنیم؟
اگر می‌خواهید ایجنت در چند پیام مرتبط، زمینه مکالمه را حفظ کند، می‌توانید از قابلیت Memory استفاده کنید.
برای مثال، کاربر ابتدا می‌گوید:
«اسم فروشگاه من آریاست.»
سپس می‌پرسد:
«اسم فروشگاه من چه بود؟»
بدون حافظه یا انتقال صریح زمینه قبلی، نباید انتظار داشته باشید که ایجنت همیشه اطلاعات پیام قبلی را به خاطر داشته باشد. با پیکربندی حافظه مناسب، می‌توان امکان حفظ بخشی از زمینه مکالمه را فراهم کرد.
برای اضافه کردن حافظه:
۱. تنظیمات AI Agent را باز کنید.
۲. ورودی مربوط به Memory را بررسی کنید.
۳. یکی از گزینه‌های حافظه سازگار با نسخه n8n خود را انتخاب و متصل کنید.
۴. اگر از حافظه‌ای استفاده می‌کنید که به شناسه نشست نیاز دارد، شناسه کاربر یا نشست را به‌صورت پایدار و درست مدیریت کنید.
۵. دو یا چند پیام مرتبط ارسال کنید و بررسی کنید که اطلاعات لازم در پیام‌های بعدی در دسترس ایجنت قرار می‌گیرد یا خیر.
نکته مهم: حافظه کوتاه‌مدت گفت‌وگو با پایگاه دانش تفاوت دارد. اگر می‌خواهید ایجنت به مستندات، فایل‌های آموزشی، اطلاعات محصولات یا اسناد داخلی پاسخ بدهد، باید یک منبع دانش مناسب را نیز به Workflow متصل کنید. صرفاً فعال کردن Memory برای ساخت یک پایگاه دانش کامل کافی نیست.
استفاده از AI Agent در پروژه‌های واقعی
پس از یادگیری ساختار اولیه، می‌توانید ایجنت را برای کاربردهای مختلف توسعه دهید.
۱. دستیار پاسخ‌گویی به مشتریان
ایجنت می‌تواند درخواست مشتری را دریافت کند و از ابزارهای متصل برای یافتن اطلاعات محصول یا پاسخ به پرسش‌های متداول استفاده کند.
۲. دستیار تحلیل اطلاعات
با اتصال ایمن به API یا منابع داده مشخص، ایجنت می‌تواند اطلاعات را دریافت و خلاصه‌ای قابل فهم از آن‌ها ارائه کند.
۳. دستیار داخلی کسب‌وکار
می‌توان ایجنتی طراحی کرد که بر اساس دسترسی‌های مشخص، اطلاعات موردنیاز کارکنان را از سیستم‌های داخلی بازیابی کند.
۴. اتوماسیون وظایف تکراری
با اتصال ابزارهای مناسب، می‌توان بخشی از فرایندهای تکراری را خودکار کرد؛ مانند دسته‌بندی درخواست‌ها یا آماده‌سازی گزارش‌ها.
۵. دستیار هوش مصنوعی متصل به تلگرام
اگر بخواهید ایجنت را در تلگرام در دسترس قرار دهید، می‌توانید آن را به Workflow مربوط به دریافت پیام تلگرام متصل کنید. برای این کار، مقاله‌های «آموزش اتصال تلگرام به OpenAI با n8n» و «آموزش ساخت ربات هوش مصنوعی تلگرام با n8n» نیز مرتبط هستند.
توجه داشته باشید که برای استفاده واقعی از این سناریوها، ابزارهای لازم، احراز هویت، مجوزها و مدیریت خطا باید جداگانه پیاده‌سازی شوند.
نکات امنیتی هنگام ساخت AI Agent
اتصال ایجنت به ابزارها قابلیت‌های زیادی ایجاد می‌کند؛ اما اگر بدون محدودیت طراحی شود، ممکن است باعث افشای اطلاعات یا انجام عملیات ناخواسته شود.
برای ساخت یک سیستم امن، نکات زیر را رعایت کنید:
- حداقل دسترسی: فقط ابزارهایی را در اختیار ایجنت قرار دهید که برای وظیفه‌اش ضروری هستند.
- محدودیت عملیات: برای عملیات حساس مانند حذف اطلاعات، پرداخت یا تغییر سفارش، کنترل‌های صریح و در صورت نیاز تأیید انسانی قرار دهید.
- اعتبارنامه امن: کلیدهای API و رمزهای عبور را در Credentials ذخیره کنید.
- اعتبارسنجی ورودی: ورودی‌های کاربر را قبل از اجرای عملیات حساس بررسی کنید.
- محدودیت منابع: برای طول مکالمه، تعداد فراخوانی ابزارها، زمان اجرا و هزینه مدل محدودیت در نظر بگیرید.
- ثبت و بررسی اجراها: خطاها و عملیات مهم را ثبت کنید، اما از ذخیره غیرضروری رمزها و اطلاعات حساس خودداری کنید.
- کنترل خروجی: نتیجه ایجنت را پیش از استفاده در عملیات حساس اعتبارسنجی کنید.
هرگز فرض نکنید که چون مدل هوش مصنوعی دستورالعمل امنیتی دریافت کرده، دیگر امکان اجرای عملیات ناخواسته وجود ندارد. کنترل اصلی باید در مجوزها و منطق اجرایی Workflow اعمال شود.
خطاهای رایج در AI Agent در n8n
خطای اتصال مدل
اگر AI Agent اجرا نمی‌شود یا خطای مدل دریافت می‌کنید، Credentials، اعتبار API، دسترسی شبکه، نام مدل و محدودیت‌های سرویس ارائه‌دهنده را بررسی کنید.
ابزار اجرا نمی‌شود
بررسی کنید ابزار واقعاً به ورودی Tools متصل باشد، تنظیمات آن کامل باشد و مدل بتواند از آن استفاده کند. سپس Execution را بررسی کنید تا مشخص شود ایجنت چه تصمیمی گرفته است.
ایجنت اطلاعات اشتباه ارائه می‌کند
اگر پاسخ باید بر اساس اطلاعات واقعی یا به‌روز باشد، داده‌های موردنیاز را از منبع معتبر دریافت کنید. مدل زبانی به‌تنهایی تضمین نمی‌کند که اطلاعات فعلی و صحیح باشد.
حافظه کار نمی‌کند
شناسه نشست، تنظیمات Memory و نحوه انتقال زمینه میان پیام‌ها را بررسی کنید. همچنین مطمئن شوید پیام‌های مورد آزمایش واقعاً در یک نشست مشترک پردازش می‌شوند.
هزینه اجرای Workflow بالا است
تعداد اجرای Workflow، تعداد فراخوانی‌های مدل و ابزارها، طول ورودی و خروجی و میزان استفاده از حافظه را بررسی کنید. درخواست‌های تکراری و غیرضروری می‌توانند هزینه را افزایش دهند.
سؤالات متداول درباره AI Agent در n8n
آیا برای ساخت AI Agent در n8n باید برنامه‌نویسی بلد باشیم؟
برای ساخت یک ایجنت ساده، معمولاً به برنامه‌نویسی پیشرفته نیاز ندارید. بسیاری از مراحل با اتصال Nodeها و تنظیمات انجام می‌شوند. با این حال، برای اتصال APIهای اختصاصی، اعتبارسنجی داده‌ها و ساخت سیستم‌های پیچیده، آشنایی با مفاهیم فنی مفید است.
آیا AI Agent در n8n رایگان است؟
خود n8n و امکانات در دسترس به روش نصب و نوع مجوز بستگی دارند. هزینه مدل زبانی، APIها و سرویس‌های جانبی نیز ممکن است جداگانه محاسبه شود. بنابراین، رایگان بودن n8n به معنی رایگان بودن همه اجزای یک پروژه هوش مصنوعی نیست.
آیا AI Agent می‌تواند بدون مدل زبانی کار کند؟
AI Agent برای تحلیل درخواست و تصمیم‌گیری به یک مدل سازگار نیاز دارد. ابزارهای عادی n8n می‌توانند بدون AI Agent نیز وظایف مشخص و از پیش تعریف‌شده را اجرا کنند، اما این با رفتار یک ایجنت مبتنی بر مدل زبانی متفاوت است.
آیا می‌توان AI Agent را به تلگرام متصل کرد؟
بله. می‌توانید پیام‌های تلگرام را از طریق Workflow دریافت کنید و به ایجنت بدهید، سپس پاسخ را به تلگرام ارسال کنید. برای این کار باید ورودی، خروجی، دسترسی‌ها و مدیریت خطا را به‌درستی تنظیم کنید.
آیا AI Agent به اطلاعات سایت یا پایگاه داده دسترسی دارد؟
به‌صورت خودکار خیر. باید ابزار یا مسیر مشخصی برای دریافت اطلاعات از سایت، API یا پایگاه داده ایجاد کنید. دسترسی‌ها نیز باید محدود و متناسب با وظیفه ایجنت باشند.
جمع‌بندی
AI Agent در n8n به شما اجازه می‌دهد فراتر از تولید پاسخ متنی بروید و سیستم‌هایی بسازید که با کمک مدل زبانی و ابزارهای متصل، درخواست‌ها را تحلیل کنند و وظایف مشخصی را انجام دهند.
در این آموزش یک ساختار پایه با Chat Trigger، AI Agent، مدل زبانی و ابزار محاسباتی بررسی کردیم. پس از تسلط بر این ساختار می‌توانید حافظه، APIها، منابع دانش و سرویس‌های دیگر را به پروژه اضافه کنید.
برای یادگیری بهتر، پیشنهاد می‌کنیم ابتدا همین Workflow ساده را اجرا کنید، رفتار ایجنت را با چند درخواست مختلف بسنجید و سپس به‌تدریج ابزارهای بیشتری به آن اضافه کنید.
