به‌زودی
agent harness چیست و چرا پشتیبانی WhatsApp به آن نیاز دارد
بیشتر هوش مصنوعی در پیام‌رسانی با مشتری، یک پرسش و یک پاسخ است. agent harness یک مدل زبانی را به چیزی تبدیل می‌کند که می‌تواند یک پرونده را پیش ببرد: برنامه‌ریزی کند، از ابزارها استفاده کند، کار خود را بررسی کند و به خاطر بسپارد. در ادامه می‌خوانید این یعنی چه، امروز چه harnessهایی وجود دارند و چگونه به MonoChat می‌آیند.
یا با 150 دلار اعتبار شروع کنید، کافی برای ماه اول پلن Growth
منتشر شده:
در سال گذشته، گفتگو درباره هوش مصنوعی بی‌سروصدا از خود مدل‌ها به آنچه پیرامون آن‌هاست منتقل شده است. یک مدل یکسان می‌تواند یک چت‌بات باشد که به یک پیام پاسخ می‌دهد، یا یک عامل که مشکل تحویل را در سه سیستم و طی دو روز حل می‌کند. تفاوت در مدل نیست. در harness است.
این مقاله مفهوم را به زبان ساده توضیح می‌دهد، harnessهایی را که امروز می‌توانید استفاده کنید مقایسه می‌کند و نشان می‌دهد در MonoChat چه می‌سازیم تا کسب‌وکارها بتوانند یکی از آن‌ها را در WhatsApp، Instagram، چت وب و هر کانال دیگر صندوق ورودی خود اجرا کنند.
agent harness چیست؟
agent harness لایه نرم‌افزاری‌ای است که دور یک مدل زبانی بزرگ را می‌پوشاند و به آن امکان می‌دهد عمل کند، نه فقط پاسخ دهد. مدل استدلال می‌کند و تصمیم می‌گیرد گام بعدی چیست. harness آن تصمیم را اجرا می‌کند، نتیجه را به مدل برمی‌گرداند و تا پایان کار تکرار می‌کند. به طور خلاصه: عامل = مدل + harness.
این اصطلاح زمانی رایج شد که تیم‌ها متوجه شدند قابلیت اتکای عامل‌های کدنویسی مانند Claude Code و Codex بیش از آنکه به خود مدل مربوط باشد، به این لایه پیرامونی مدیون است. Anthropic، OpenAI، Google و Microsoft اکنون harnessهای خود را به‌صورت محصولاتی عرضه می‌کنند که توسعه‌دهندگان می‌توانند روی آن‌ها بسازند.
harness از چه ساخته شده است
- حلقه: استدلال، اقدام، مشاهده، تکرار. harness ادامه می‌دهد تا کار تمام شود یا به یک فرد نیاز پیدا کند.
- ابزارها: توابعی که مدل می‌تواند فراخوانی کند: بررسی سفارش، یافتن رزرو، صدور بازپرداخت، جست‌وجو در پایگاه دانش. اغلب از طریق MCP متصل می‌شوند.
- حافظه و وضعیت: آنچه پیش‌تر در این پرونده رخ داده، ترجیحات مشتری و آنچه تاکنون امتحان شده، که در طول پیام‌ها و نشست‌ها نگه داشته می‌شود.
- مدیریت زمینه: تصمیم‌گیری درباره اینکه مدل در هر گام چه می‌بیند و خلاصه‌سازی (فشرده‌سازی) تاریخچه‌های طولانی تا بخش‌های مهم در دید بمانند.
- حفاظ‌ها و تأییدها: مجوزها، سیاست‌ها و نقاط بازبینی انسانی برای اقداماتی که هزینه دارند یا قابل بازگشت نیستند.
- سندباکس و فایل‌ها: فضای کاری ایزوله‌ای که عامل می‌تواند در آن کد اجرا کند، سند آماده کند یا قیمت‌گذاری را محاسبه کند، بی‌آنکه به سیستم‌های زنده دست بزند.
- ردیابی و ارزیابی: گزارشی از هر گام و هر فراخوانی ابزار، تا تیم‌ها ببینند عامل چرا آن کار را کرد و آن را در اجراهای متعدد اندازه‌گیری کنند.
استنتاج در برابر harness: تفاوت چیست؟
استنتاج یک فراخوانی واحد به یک مدل است: شما یک پرامپت می‌فرستید، مدل متن برمی‌گرداند و تبادل تمام می‌شود. سریع، ارزان و قابل پیش‌بینی است و برای بسیاری از کارها دقیقاً مناسب است، مانند دسته‌بندی یک پیام، نوشتن پیش‌نویس پاسخ یا خلاصه‌سازی یک مکالمه.
harness فراخوانی‌های استنتاج زیادی را در یک حلقه اجرا می‌کند و هر آنچه پیرامون آن‌هاست را اضافه می‌کند: ابزارها، حافظه، بررسی‌ها و محدودیت‌ها. کندتر است و به ازای هر کار توکن بیشتری مصرف می‌کند، اما می‌تواند کارهایی را تمام کند که به چند گام، داده بیرونی یا تصمیم‌گیری در میانه راه نیاز دارند.
| استنتاج هوش مصنوعی | agent harness | |
|---|---|---|
| چیست | یک درخواست به مدل، یک پاسخ | حلقه‌ای دور مدل که برنامه‌ریزی می‌کند، اقدام می‌کند و بررسی می‌کند |
| گام‌ها در هر کار | یک | به هر تعداد که کار لازم دارد، در محدوده‌ای که شما تعیین می‌کنید |
| ابزارها و سیستم‌ها | اختیاری، معمولاً یک فراخوانی تابع | ابزارهای متعدد، که بر حسب نیاز پرونده فراخوانی و به هم زنجیر می‌شوند |
| حافظه | فقط آنچه در پرامپت است | تاریخچه پرونده و وضعیت که در طول گام‌ها و نشست‌ها نگه داشته می‌شود |
| وقتی چیزی خراب می‌شود | هر چه تولید کرده را برمی‌گرداند | خطا را تشخیص می‌دهد، دوباره تلاش می‌کند یا از یک فرد کمک می‌خواهد |
| مناسب برای | دسته‌بندی، پیش‌نویس، خلاصه‌سازی، پاسخ‌های تک‌مرحله‌ای | حل پرونده‌ها، درخواست‌های چندمرحله‌ای، پیگیری طی چند روز |
| هزینه و سرعت | کمترین هزینه، تقریباً آنی | مصرف توکن بیشتر، چند ثانیه تا چند دقیقه برای هر کار |
در عمل تیم‌های خوب از هر دو استفاده می‌کنند: استنتاج برای گام‌های سریع و کاملاً تعریف‌شده و harness برای جایی که کار واقعاً به چند گام نیاز دارد.
harness چه چیزی را در پشتیبانی مشتری WhatsApp تغییر می‌دهد
پیام‌رسانی با مشتری جایی است که تفاوت بین پاسخ دادن و حل کردن بیش از همه نمایان می‌شود. مشتری می‌نویسد «سفارشم نرسیده» و انتظار دارد مشکل حل شود، نه اینکه توضیح داده شود.
پرونده‌ها حل می‌شوند، نه فقط پاسخ داده می‌شوند
عامل می‌تواند سفارش را پیدا کند، شرکت حمل را بررسی کند، ببیند بسته گیر کرده، شکایت ثبت کند و در همان مکالمه یک جایگزین پیشنهاد دهد.
پیش از قول دادن بررسی می‌کند
موجودی، قیمت‌ها، زمان‌های نوبت و سیاست‌ها در لحظه پاسخ‌گویی در سیستم‌های شما راستی‌آزمایی می‌شوند، به‌جای آنکه از داده‌های آموزشی حدس زده شوند.
پرونده را به خاطر می‌سپارد
اگر مشتری فردا برگردد، عامل می‌داند چه چیزی قبلاً امتحان شده و چه قولی داده شده، حتی پس از بسته شدن پنجره 24 ساعته WhatsApp.
در طول زمان پیگیری می‌کند
کارهای طولانی‌مدت، مانند انتظار برای تسویه بازپرداخت یا رسیدن یک قطعه، می‌توانند ادامه پیدا کنند و هنگام تغییر وضعیت به مشتری پیام بدهند، با قالب‌های تأییدشده در جاهایی که WhatsApp لازم می‌داند.
کنترل در دست افراد می‌ماند
بازپرداخت‌های بالاتر از یک حد، لغوها یا هر چیز حساس منتظر تأیید یکی از اعضای تیم می‌مانند و انتقال به اپراتور، سابقه کامل را حفظ می‌کند.
هر گام قابل مشاهده است
فراخوانی‌های ابزار و تصمیم‌ها ثبت می‌شوند، تا سرپرستان بتوانند بررسی کنند عامل چرا آن‌طور عمل کرد و دستورالعمل‌ها را بهبود دهند.
یک مثال: مرجوع کردن کالا در WhatsApp
- مشتری عکس یک کالای آسیب‌دیده را می‌فرستد و درخواست مرجوعی می‌کند.
- عامل سفارش را پیدا می‌کند، بررسی می‌کند که در مهلت مرجوعی باشد و عکس را می‌خواند.
- مرجوعی را در سیستم تجارت الکترونیک شما ایجاد می‌کند و برای روز بعد یک پیک برای تحویل گرفتن بسته رزرو می‌کند.
- بازپرداخت بالاتر از سقف خودکار است، پس از یکی از اعضای تیم می‌خواهد آن را درون صندوق ورودی تأیید کند.
- پس از تأیید، به مشتری اطلاع می‌دهد و دو روز بعد، وقتی پیک بسته را اسکن می‌کند، تأییدیه بازپرداخت را ارسال می‌کند.
فقط با استنتاج این یک چت‌بات است که سیاست مرجوعی را توضیح می‌دهد. با harness، خودِ مرجوعی انجام می‌شود.
agent harnessهایی که امروز می‌توانید استفاده کنید
چند شرکت و پروژه متن‌باز اکنون harnessای ارائه می‌دهند که می‌توانید روی آن بسازید. آن‌ها از نظر اینکه چه کسی میزبانی می‌کند، چه مدل‌هایی اجرا می‌کنند و چه چیزهایی به‌صورت پیش‌فرض دارند با هم فرق دارند.
| harness | توسط | میزبانی و مجوز | مدل‌ها | ویژگی‌های برجسته |
|---|---|---|---|---|
| Claude Agent SDK | Anthropic | کتابخانه (Python، TypeScript) | Claude | harness پشت Claude Code: ابزارها، MCP، زیرعامل‌ها، مهارت‌ها، فشرده‌سازی زمینه، مجوزها |
| Claude Managed Agents | Anthropic | API میزبانی‌شده (بتای عمومی از آوریل 2026) | Claude | Anthropic حلقه را اجرا می‌کند: اجرای سندباکس‌شده، نشست‌های طولانی‌مدت، کار چندعاملی، ردیابی |
| OpenAI Agents SDK | OpenAI | متن‌باز، MIT (ابتدا Python) | مدل‌های OpenAI، سایر مدل‌ها از طریق آداپتور | سندباکس از چند ارائه‌دهنده، حافظه، MCP، مهارت‌ها، AGENTS.md، اجراهای قابل ازسرگیری |
| Codex | OpenAI | CLI متن‌باز (Apache 2.0) به‌علاوه ابر | مدل‌های OpenAI | harness عامل کدنویسی با یک SDK برای اجرای آن از سرویس‌های خودتان |
| Agent Development Kit (ADK) | متن‌باز، Apache 2.0 (Python، Java، Go، TypeScript) | به‌صورت پیش‌فرض Gemini، مستقل از مدل | درخت‌های چندعاملی، MCP، پروتکل Agent2Agent (A2A)، ارزیابی داخلی | |
| Agent Framework | Microsoft | متن‌باز، MIT (Python، .NET) | Azure OpenAI، OpenAI، Anthropic و سایر مدل‌ها | harness پایدار از ژوئیه 2026: حلقه ابزار، تاریخچه، فشرده‌سازی، مهارت‌ها، تأییدها، OpenTelemetry |
| Deep Agents | LangChain | متن‌باز، MIT | مستقل از مدل | برنامه‌ریزی، زیرعامل‌ها، سیستم فایل و مهندسی زمینه روی LangGraph |
| Pi | Earendil Works | متن‌باز، MIT | هر ارائه‌دهنده، کلید خودتان را بیاورید | هسته عمداً حداقلی (خواندن، نوشتن، ویرایش، شل) که با مهارت‌های اشتراک‌پذیر گسترش می‌یابد |
| Mastra | Mastra | متن‌باز (TypeScript) | مستقل از مدل | عامل‌هایی با رشته‌های پایدار، تأیید ابزار و یک استودیوی محلی |
| OpenCode | OpenCode | متن‌باز، MIT | مستقل از مدل | برنامه‌ریزی و ساخت عامل‌ها، SDK، ترمینال و دسکتاپ |
جزئیات به‌سرعت تغییر می‌کنند؛ برای وضعیت فعلی مستندات هر پروژه را بررسی کنید. نام‌ها و لوگوهای محصولات متعلق به صاحبان آن‌هاست.
harnessهای مقایسه‌شده در این مقاله
عامل کسب‌وکار خود Meta چه می‌شود؟
در سال 2026 Meta، Meta Business Agent را راه‌اندازی کرد، عامل هوش مصنوعی خودش برای WhatsApp، Instagram و Messenger. این در واقع یک harness است که Meta می‌سازد و اجرا می‌کند: از محتوای شما پاسخ می‌دهد، سیستم‌های متصل را فراخوانی می‌کند و کار را به تیم شما می‌سپارد.
برای بسیاری از کسب‌وکارهای کوچک گزینه خوبی است. در عین حال یک سیستم بسته است: نمی‌توانید مدل را انتخاب کنید، داده‌های مکالمه در Meta می‌ماند، برخی بخش‌ها مانند مالی و سلامت مستثنا هستند و از اوت 2026 به ازای هر توکن صورتحساب می‌شود، طبق برآورد خود Meta تقریباً 4 تا 5 سنت آمریکا به ازای هر پیام.
مقایسه رویکردها
| عامل هوش مصنوعی داخلی یک پلتفرم پیام‌رسانی | Meta Business Agent | harness در MonoChat (به‌زودی) | |
|---|---|---|---|
| انتخاب مدل | معمولاً ثابت یا یک فهرست کوتاه | خیر | بله، هر مدلی که متصل کنید |
| harness خودتان را بیاورید | خیر | خیر | بله: Claude Agent SDK، OpenAI Agents SDK، ADK، Pi و دیگران |
| گزینه میزبانی‌شده، بدون کد | بله | بله | بله |
| ابزارها و API های خودتان | یکپارچه‌سازی‌های محدود | اتصال‌دهنده‌ها | توابع سفارشی، MCP، وب‌هوک و API های شما |
| درون جریان‌ها و برنامه‌های شما | سازنده ربات جداگانه | جدا از جریان‌های شما | یک نود و متدها در جریان‌ها و برنامه‌ها، کنار استنتاج هوش مصنوعی |
| انتقال به تیم شما | بله | بله، با کنترل رشته | صندوق ورودی مشترک با سابقه کامل و تأییدها |
| داده‌ها کجا نگه داشته می‌شوند | پلتفرم فروشنده | Meta | MonoChat به‌علاوه ارائه‌دهندگانی که انتخاب می‌کنید |
بر پایه اطلاعات عمومی محصول در اکتبر 2026. بیشتر پلتفرم‌های پیام‌رسانی که بررسی کردیم یک عامل هوش مصنوعی داخلی دارند؛ پلتفرمی پیدا نکردیم که به کسب‌وکار اجازه دهد یا یک harness میزبانی‌شده اجرا کند یا harness خودش را درون همان صندوق ورودی و جریان‌ها متصل کند.
آنچه در MonoChat می‌سازیم
MonoChat همین حالا به شما اجازه می‌دهد مدل زبانی و پایگاه داده برداری خود را انتخاب کنید: از مواردی که ما ارائه می‌دهیم استفاده کنید یا مورد خودتان را متصل کنید. harnessها هم همین‌طور کار خواهند کرد.
در کنار نود و متدهای استنتاج هوش مصنوعی که امروز استفاده می‌کنید، MonoChat یک نود harness و متدهای harness خواهد داشت. نود را در یک جریان قرار دهید یا متدها را از یک برنامه فراخوانی کنید، و مکالمه به عاملی سپرده می‌شود که می‌تواند برنامه‌ریزی کند، از ابزارهای شما استفاده کند و گزارش بدهد.
- از harnessای که ما میزبانی می‌کنیم بدون کد استفاده کنید و مدل و ابزارهایی را که می‌تواند به کار ببرد انتخاب کنید
- یا harness خودتان را متصل کنید، ساخته‌شده با Claude Agent SDK، OpenAI Agents SDK، Google ADK، Microsoft Agent Framework، Deep Agents، Pi یا کد خودتان
- ابزارهای خودتان را به آن بدهید: توابع سفارشی، سرورهای MCP، وب‌هوک‌ها و داده‌های MonoChat
- آن را در جریان‌ها و برنامه‌ها اجرا کنید، در WhatsApp، Instagram، Messenger، Telegram، TikTok، چت وب و SMS
- قوانین تأیید و انتقال به اپراتور را تنظیم کنید، با ثبت هر گام در مکالمه
- با استنتاج ترکیب کنید: گام‌های سریع روی یک فراخوانی واحد، پرونده‌های پیچیده روی harness
چه زمانی از استنتاج و چه زمانی از harness استفاده کنیم
- از استنتاج برای کارهای تک‌مرحله‌ای استفاده کنید: برچسب‌گذاری، ارجاع، ترجمه، نوشتن پیش‌نویس پاسخ، خلاصه‌سازی یک گفتگو.
- زمانی از harness استفاده کنید که درخواست مشتری به چند گام، داده از سیستم‌های شما یا تصمیم‌گیری در میانه راه نیاز دارد.
- کوچک شروع کنید: به harness دو یا سه ابزار و یک قانون تأیید بدهید، اندازه‌گیری کنید و سپس دامنه کارهایی را که می‌تواند انجام دهد گسترش دهید.
به‌زودی در MonoChat
نودها و متدهای harness در دست توسعه هستند و ابتدا برای حساب‌های MonoChat عرضه خواهند شد. همین امروز یک حساب رایگان بسازید تا کانال‌های خود را متصل کنید، جریان‌های استنتاج هوش مصنوعی را راه‌اندازی کنید و روزی که harness برسد برای فعال کردن آن آماده باشید.
برای agent harnessها در WhatsApp آماده باشید
منابع و مطالعه بیشتر
- Databricks: What is an AI agent harness?
- Anthropic: Claude Agent SDK overview
- Anthropic: Claude Managed Agents overview
- OpenAI: The next evolution of the Agents SDK
- Google: Agent Development Kit
- Microsoft: Agent Framework documentation
- LangChain: Deep Agents
- WhatsApp Business: Introducing Meta Business Agent
- Meta: WhatsApp Business Platform pricing