7076
API, یادگیری ماشینی

استانداردهای ارتباطی میان عوامل هوش مصنوعی و APIها را چطور می‌توان با هم مقایسه کرد؟

توسط . ارسال شده در

هوش مصنوعی عاملی (Agentic AI) در سال ۲۰۲۵ همه‌جا حضور داشته است. شرکت Forrester آن را یکی از فناوری‌های نوظهور برتر ۲۰۲۵ نامیده است. مجله Forbes از آن به‌عنوان «دستاورد بزرگ بعدی که در حال دگرگون‌کردن کسب‌وکار و فناوری است» یاد کرده است. مجله BizTech نیز دربارهٔ هوش مصنوعی عاملی گفته است که این فناوری «در حال متحول کردن کسب‌وکار و زندگی روزمره» است.

به نظر می‌رسد هوش مصنوعی عاملی به‌سرعت در حال گسترش است. بر اساس گزارش اخیر Cloudera با عنوان آیندهٔ عوامل هوش مصنوعی سازمانی، ۵۷ درصد از شرکت‌های مورد بررسی پیش‌تر این فناوری را پیاده‌سازی کرده‌اند. افزون بر آن، ۹۶ درصد از پاسخ‌دهندگان قصد دارند در ۱۲ ماه آینده استفاده از هوش مصنوعی عاملی را گسترش دهند.

افزایش سریع محبوبیت هوش مصنوعی عاملی باعث شده است تا توسعه‌دهندگان و طراحان متعددی مجموعه‌ای از استانداردهای تازه برای برقراری ارتباط مستقیم میان عوامل AI و API ها ایجاد کنند. این استانداردها همگی در رقابت نیستند؛ برخی از آن‌ها مکمل یکدیگرند.

برای درک بهتر این چشم‌انداز، در اینجا هفت استاندارد نوظهور ارتباطی میان عامل هوش مصنوعی و API را بررسی کرده‌ایم تا بتوانید تصمیم بگیرید کدام‌یک برای شما مناسب‌تر است.

آنتروپیک MCP

MCP که مخفف Model Context Protocol است، راهکار شرکت Anthropic برای استانداردسازی چگونگی ارائهٔ داده و ابزارها به یک ابزار AI مانند مدل زبانی بزرگ (LLM) است. هدف اصلی آن گسترش قابلیت‌های LLM از طریق اتصال برنامه‌ها، اسناد، API ها و دیگر منابع داده برای افزودن زمینه از طریق یک رابط مشترک است. هدف کلیدی این پروتکل فراهم‌کردن داده‌های مرتبط برای ابزارهایی مانند Claude for Desktop یا Cursor به‌منظور اجرای وظایف خاص است.

نمونهٔ سرور MCP:

{
"mcpServers": {
"brave-search": {
"command": "docker",
"args": [
"run",
"-i",
"--rm",
"-e",
"BRAVE_API_KEY",
"mcp/brave-search"
],
"env": {
"BRAVE_API_KEY": "YOUR_API_KEY_HERE"
}
}
}
}

استفاده‌کنندگان MCP:

Block (قبلاً Square)
Replit
Apollo
Microsoft
Asana

گوگل A2A

A2A که مخفف Agent2Agent است، پروتکلی از Google برای برقراری ارتباط میان دو یا چند عامل هوش مصنوعی غیرشفاف (opaque) است. به جای یک چارچوب یکسان برای تمام موقعیت‌ها، A2A به عوامل اجازه می‌دهد وظایف را در مرزهای گوناگون به یکدیگر واگذار کنند. هدف اصلی آن این است که عوامل بتوانند با یکدیگر تعامل و ارتباط برقرار کنند؛ این کار با استفاده از «کارت‌های عامل» (Agent Cards) برای توصیف قابلیت‌های هر عامل انجام می‌شود.

نمونه‌ای از A2A:

{
"name": "GeoSpatial Route Planner Agent",
"description": "Provides advanced route planning, traffic analysis, and custom map generation services. This agent can calculate optimal routes, estimate travel times considering real-time traffic, and create personalized maps with points of interest.",
"url": "https://georoute-agent.example.com/a2a/v1",
"provider": {
"organization": "Example Geo Services Inc.",
"url": "https://www.examplegeoservices.com"
},
"version": "۱.۲.۰",
"documentationUrl": "https://docs.examplegeoservices.com/georoute-agent/api",
"capabilities": {
"streaming": true,
"pushNotifications": true,
"stateTransitionHistory": false
},
"authentication": {
"schemes": ["OAuth2"],
"credentials": "{\"authorizationUrl\": \"https://auth.examplegeoservices.com/authorize\", \"tokenUrl\": \"https://auth.examplegeoservices.com/token\", \"scopes\": {\"route:plan\": \"Allows planning new routes.\", \"map:custom\": \"Allows creating and managing custom maps.\"}}"
},
"defaultInputModes": ["application/json", "text/plain"],
"defaultOutputModes": ["application/json", "image/png"],
"skills": [
{
"id": "route-optimizer-traffic",
"name": "Traffic-Aware Route Optimizer",
"description": "Calculates the optimal driving route between two or more locations, taking into account real-time traffic conditions, road closures, and user preferences (e.g., avoid tolls, prefer highways).",
"tags": ["maps", "routing", "navigation", "directions", "traffic"],
"examples": [
"Plan a route from '1600 Amphitheatre Parkway, Mountain View, CA' to 'San Francisco International Airport' avoiding tolls.",
"{\"origin\": {\"lat\": 37.422, \"lng\": -122.084}, \"destination\": {\"lat\": 37.7749, \"lng\": -122.4194}, \"preferences\": [\"avoid_ferries\"]}"
],
"inputModes": ["application/json", "text/plain"],
"outputModes": [
"application/json",
"application/vnd.geo+json",
"text/html"
]
},
{
"id": "custom-map-generator",
"name": "Personalized Map Generator",
"description": "Creates custom map images or interactive map views based on user-defined points of interest, routes, and style preferences. Can overlay data layers.",
"tags": ["maps", "customization", "visualization", "cartography"],
"examples": [
"Generate a map of my upcoming road trip with all planned stops highlighted.",
"Show me a map visualizing all coffee shops within a 1-mile radius of my current location."
],
"inputModes": ["application/json"],
"outputModes": [
"image/png",
"image/jpeg",
"application/json",
"text/html"
]
}
]
}

استفاده‌کنندگان A2A:

Google
Salesforce
Atlassian
MongoDB
PayPal
Cisco

پروتکل‌های Cisco AGNTCY (ACP و AGP)

پروتکل Agent Connect Protocol (ACP) و Agent Gateway Protocol (AGP) هر دو از سوی ابتکار AGNTCY طراحی شده‌اند؛ استانداردی باز که با همکاری Cisco، LangChain، Galileo و دیگران ایجاد شده است. این دو فراتر از یک مجموعه مشخصات API هستند — هدف آن‌ها ایجاد «اینترنتی از عوامل» است: اکوسیستمی باز که در آن عوامل خودمختار، خدمات هوش مصنوعی و نرم‌افزارهای سنتی بتوانند با یکدیگر تعامل داشته باشند.

Agent Connect Protocol (ACP) برای توصیف یک عامل منفرد طراحی شده است تا آن را قابل کشف‌تر و خودکارسازی آن را آسان‌تر کند.

نمونه مشخصات ACP:

{
"metadata": {
"name": "org.agntcy.mailcomposer",
"version": "۰.۰.۱",
"description": "Compose email for campaigns"
},
"capabilities": {
"threads": false,
"interrupts": false,
"callbacks": false
},
"input": {
"$defs": {
"Message": {
"properties": {
"type": {
"$ref": "#/$defs/Type",
"description": "Indicates the originator of the message, a human or an assistant"
},
"content": {
"description": "The content of the message",
"title": "Content",
"type": "string"
}
},
"required": ["type", "content"],
"title": "Message",
"type": "object"
},
"Type": {
"enum": ["human", "assistant", "ai"],
"title": "Type",
"type": "string"
}
},
"properties": {
"messages": {
"anyOf": [
{
"items": {
"$ref": "#/$defs/Message"
},
"type": "array"
},
{
"type": "null"
}
],
"default": null,
"title": "Messages"
}
},
"required": ["messages"],
"type": "object"
}
}

Agent Gateway Protocol (AGP) نسخهٔ گسترش‌یافتهٔ ACP است که یک لایهٔ مسیریابی و شتاب‌دهی در سطح بالاتر اضافه می‌کند. به‌طور کلی، AGP در نقش یک درگاه (gateway) برای ACP عمل می‌کند و همهٔ عوامل سازگار با ACP را از طریق یک نقطهٔ دسترسی واحد در دسترس قرار می‌دهد. این پروتکل امکان فهرست‌سازی و فیلتر عوامل موجود به روش‌های گوناگون را فراهم می‌کند.

نمونه مشخصات AGP:

{
"type": "agp/task/start",
"task": {
"id": "task-12345",
"title": "Generate Weekly Report",
"description": "Compile and summarize weekly sales data.",
"context": [
{
"type": "text/plain",
"content": "Sales data for the week of May 5-11 is attached."
},
{
"type": "application/json",
"content": {
"sales": [
{"region": "North", "total": ۱۵۰۰۰},
{"region": "South", "total": ۱۲۰۰۰}
]
}
}
]
}
}

استفاده‌کنندگان از ACP و AGP در AGNTCY:

Cisco
LangChain
Galileo
LlamaIndex
Glean

Wildcard (YC W25) – فایل agents.json

استاندارد agents.json که توسط شرکت Wildcard طراحی شده است، یک شمای سبک‌وزن مبتنی بر OpenAPI برای توصیف عوامل در قالبی استاندارد و قابل‌درک است. هر فایل agents.json شامل فراداده (metadata) مربوط به عامل است، از جمله نام، عملکرد، نیازهای احراز هویت و ورودی‌ها و خروجی‌های مورد انتظار آن.

این استاندارد باعث می‌شود ابزارها، رابط‌های کاربری و SDKها بتوانند عامل مناسب را به‌راحتی کشف و پیاده‌سازی کنند. همچنین توسعه‌دهندگان می‌توانند ابزارها و جریان‌های کاری خود را تعریف کرده و به‌سرعت منابع را جابه‌جا کنند. این روش، پلی کارآمد میان ابزارهای مبتنی بر هوش مصنوعی مانند LLMها و APIهاست، بدون اینکه برای هر سرویس ابزار جدیدی ساخته شود.

نمونه فایل agents.json:

[
{
"id": "assistant",
"name": "General Assistant",
"description": "Helps with a wide range of questions and tasks, including summarization, writing, and general reasoning.",
"system_prompt": "You are a helpful assistant capable of performing general-purpose tasks.",
"tools": ["search_web", "summarize_text", "generate_email"]
},
{
"id": "calendar",
"name": "Calendar Bot",
"description": "Manages events and appointments. Can schedule, update, and delete calendar events.",
"system_prompt": "You are an expert in managing personal schedules and calendars.",
"tools": ["create_event", "update_event", "delete_event", "list_events"]
}
]

استفاده‌کنندگان از agents.json:

Resend
Alpaca
Slack
HubSpot
Stripe

پروتکل عامل لانگ‌چِین (LangChain Agent-Protocol)

Agent Protocol در LangChain یک مشخصهٔ مستقل از چارچوب و مبتنی بر REST است که برای استقرار، سازماندهی و نظارت بر عوامل مبتنی بر مدل‌های زبانی بزرگ (LLM) به کار می‌رود. این پروتکل عملکردهای عمومی عوامل مانند برنامه‌ریزی، حافظه، و اجرای گام‌به‌گام را به قالبی یکسان در سطح API تبدیل می‌کند.

این قابلیت به چارچوب‌های عاملی مانند LangGraph، AutoGen، یا CrewAI اجازه می‌دهد حافظه، جریان کاری و اجرای خود را گسترش دهند. Agent Protocol برای استفاده در محیط‌های عملیاتی (production) یا به‌عنوان زیرساختی برای رابط‌های کاربری، موتورهای ارکستریشن یا سیستم‌های ثبت و پایش طراحی شده است. این استاندارد به‌عنوان لایه‌ای انتزاعی، به یکپارچه‌سازی عوامل متن‌باز در یک اکوسیستم منسجم کمک می‌کند.

نمونه‌ای از Agent-Protocol:

"openapi": "۳.۱.۰",
"info": {
"title": "Agent Protocol",
"version": "۰.۱.۶"
},
"tags": [
{
"name": "Runs",
"description": "A run is an invocation of an agent, optionally, on a thread. If applied to a thread, it updates the state of the thread. Otherwise, it has not state or memory persistence."
}
]

استفاده‌کنندگان از Agent-Protocol:

Cisco
Fetch.AI
Gentoro
Zapier
Cohere

مشخصات عامل شرکت Agile Lab

شرکت Agile نیز مشخصات عامل اختصاصی خود را برای توصیف و استانداردسازی عوامل ایجاد کرده است. برخلاف سایر استانداردهای ارتباط عامل و API در این فهرست، Agent Specification شرکت Agile به‌صورت فایل YAML در دسترس است. این ویژگی آن را برای نصب‌های محلی، محیط‌های تولیدی و یکپارچه‌سازی با زبان‌های برنامه‌نویسی مانند Python ایده‌آل می‌کند.

این مشخصات از دیگر استانداردهای ذکرشده جزئی‌تر است و فیلدهایی برای توصیف دامنه، ارزش، سطح عاملیت (agency level) و حتی کاربر هدف عامل دارد. چنین جزئیاتی باعث می‌شود اکوسیستم عامل‌محور بتواند سریع‌تر عامل مناسب برای هر وظیفه را بیابد.

نمونه‌ای از Agent Specification:

id: "urn:agent:healthcare:diagnostic_assistant:3"
name: "Diagnostic Assistant"
fullyQualifiedName: "healthcare.ai.diagnostic_assistant"
description: "Autonomous agent supporting medical diagnostics and patient care recommendations."
domain: "healthcare"
version: "۳.۵.۰"
environment: "staging"
agentOwner: "clinical-ai-team@healthcare.org"
status: "ACTIVE"
kind: "Single Agent"
agentGoal: "Provide accurate diagnostic recommendations to clinicians while tracking patient outcomes."
targetUser: customer
valueGeneration: "DecisionMaking"
interactionMode: MultiTurnConversation
runMode: "Reactive"
agencyLevel: "ModelDrivenWorkflow"
toolsUse: true
learningCapability: "Fine Tuning"

نتیجه‌گیری دربارهٔ استانداردهای ارتباط عامل هوش مصنوعی با API

مانند خود هوش مصنوعی، فناوری عامل‌محور نیز در حال پیشرفت است و به این زودی‌ها از میان نمی‌رود. در واقع، با توجه به نیاز روزافزون به خودکارسازی عملیات، این فناوری هر روز فراگیرتر می‌شود. استانداردهای ارتباط عامل با API نقش اساسی در این فرایند دارند، زیرا به عوامل اجازه می‌دهند به‌صورت ایمن، کارآمد و قابل‌اعتماد با یکدیگر تعامل داشته باشند.

هنوز مشخص نیست که همهٔ این استانداردها ماندگار خواهند بود یا خیر؛ همان‌طور که در مورد استاندارد OpenAPI شاهد بودیم، برخی ممکن است در مسیر رشد باقی بمانند و برخی دیگر کنار بروند. بااین‌حال، بسیاری از آن‌ها به دلیل قابلیت همکاری متقابل (interoperability) احتمالاً پایدار خواهند ماند، زیرا می‌توانند با هم ترکیب شده و یک اکوسیستم قدرتمند و کارآمد ایجاد کنند.

به‌عنوان مثال، MCP از هم‌اکنون تأثیر خود را بر چشم‌انداز فناوری گذاشته است، با وجود اینکه لایهٔ کشف‌پذیری (discoverability) ندارد؛ زیرا Anthropic این استاندارد را با فرض آشنایی قبلی کاربر با سرورهای مورد استفاده طراحی کرده است. بنابراین MCP ممکن است زمانی بهترین عملکرد را داشته باشد که همراه با استانداردهایی مانند agents.json شرکت Wildcard یا Agent-Protocol از LangChain استفاده شود.

اگر قصد دارید عوامل هوش مصنوعی را در ابزارهای محلی مانند Claude for Desktop یا Cursor ادغام کنید، استاندارد MCP گزینه‌ای مناسب است. اگر هدف شما طراحی اکوسیستمی چندعاملی است، از A2A گوگل یا استانداردهای ACP و AGP سیسکو استفاده کنید. برای راه‌حل‌های سبک‌وزن و سریع جهت اتصال عوامل به APIهای موجود، استاندارد agents.json وایلدکارد را امتحان کنید. و اگر می‌خواهید عوامل را در محیط توسعهٔ خود ادغام کنید، از Agent Protocol لانگ‌چین یا Agent Specification شرکت Agile بهره ببرید.

قبلیپلتفرم‌های توسعه‌دهنده داخلی (IDPs) چیست و چگونه APIها را تقویت می‌کنند؟
بعدیپروتکل زمینه مدل (MCP) چه تأثیری بر APIها دارد؟

دیدگاهتان را بنویسید

سبد خرید
علاقه‌مندی‌ها
مشاهدات اخیر
دسته بندی ها