I picked up this book right after setting up my first AI assistant—Leila—right
here on the Blog . She’s an AI assistant and thinking partner I trained using
Jotform’s no-code AI agent platform. Once I had Leila as my thinking partner, I
felt compelled to dive deeper into the world of AI agents—and that’s when this
remarkable book came into my hands. Although it’s written in Chinese, it offers
rich insights into American technology and deployment strategies, with a strong
focus on OpenAI’s LLMs. Let’s explore it together!
I tried to link between the book and Jotform no-code AI agent to support
Non-technical business to build their own agent and solve any business problem
they experienced in their daily work life. Jotform no code AI agent is not
mentioned in the book, I just tried to bridge between no-code AI agent and the
book.
A Practical Guide to AI Agents: From Concept to Multi-Agent Systems
Introduction
The dawn of large language models (LLMs) has ushered in a new era of artificial
intelligence, moving beyond simple question-answering chatbots to the creation
of autonomous, problem-solving "Agents." This book serves as a
comprehensive, project-based guide for anyone looking to understand and build
these powerful AI systems. Written in an engaging, accessible style, it
demystifies complex concepts through a narrative dialogue between Xiao Xue (小雪) and
Brother Ka (咖哥 offer clear, hands-on approach.
The book's central idea is that AI Agents, powered by LLMs, are not just a
novelty but a fundamental shift in how we interact with technology. They can
plan, remember, use tools, and take action, acting as digital teammates that
automate complex workflows. However, the book's approach, while excellent for
learning, is heavily tied to the OpenAI ecosystem, a choice that presents both
strengths and limitations for business users.
Book Summary:
The book is structured into three main parts, guiding the reader from foundational
theory to advanced, multi-agent collaboration.
Part 1: Foundations and Theory (Chapters 1-3)
The journey begins by defining what an AI Agent is and why it matters,
positioning it within the context of the "Life 3.0" concept—a
technological life form that can design its own software and hardware. Key
characteristics like autonomy, adaptability, and interactivity are introduced.
The book
then builds the core technical architecture, breaking an Agent down into four
essential components: Planning, Memory, Tools, and Action. It introduces the
critical ReAct (Reasoning and Acting) framework, where an agent alternates
between thinking about a task and taking concrete steps to solve it. The final
foundational chapter provides an overview of the three primary development
tools used throughout the book: the OpenAI API, the LangChain framework, and
the LlamaIndex framework.
Part 2: Practical Agent Development (Chapters 4-8)
This is the heart of the book, presenting a series of sevenp progressively complex,
hands-on Agent projects.
· Agent 1 (Chapter 4): Automated Office Work uses the OpenAI Assistants API and
DALL-E 3 to automatically create a PowerPoint presentation from sales data.
· Agent 2 (Chapter 5): Versatile Selection Engine focuses on OpenAI's Function
Calling, enabling an agent to intelligently choose and execute custom
functions.
· Agent 3 (Chapter 6): Synergizing Reasoning and Action implements a ReAct
Agent using LangChain to automatically research prices and calculate markups.
· Agent 4 (Chapter 7): Decoupling Planning and Execution introduces a
"Plan-and-Execute" framework in LangChain for handling complex,
multi-step tasks like inventory management.
· Agent 5 (Chapter 8): Knowledge Extraction and Integration builds a
Retrieval-Augmented Generation (RAG) agent using LlamaIndex to answer questions
based on private financial documents.
Part 3: Advanced Agents and Future Directions (Chapters 9-10 & Appendix)
The final part explores the broader ecosystem and future of Agent technology.
· Agent 6 (Chapter 9): GitHub's Star Projects surveys influential open-source
projects like AutoGPT, BabyAGI, and CAMEL, each demonstrating different
paradigms of autonomous and multi-agent collaboration.
· Agent 7 (Chapter 10): Multi-Agent Frameworks delves into advanced frameworks
like Microsoft's AutoGen and MetaGPT, which enable the creation of systems of
multiple, specialized Agents working together to simulate complex
organizations.
· The Appendix looks ahead to the research frontier, discussing concepts like
multi-modal Agents, human-AI collaboration, and embodied AI.
A Critical Perspective for the Business User
While the book is an excellent resource for learning the concepts and getting
hands-on with code, it is crucial for business developers to recognize its
limitations. The most significant is its almost exclusive focus on the OpenAI
ecosystem. This creates several challenges:
· Cost Barrier: Every experiment requires paying for OpenAI API calls, which
can become expensive, discouraging iterative exploration.
· Vendor Lock-in: The book's approach ties you to a single provider, creating a
dependency that could be risky if OpenAI changes its pricing, policies, or
suffers outages.
· Rapid Obsolescence: The code examples and specific API usages are likely to
become outdated quickly as the technology evolves.
The book can help you build solid knowledge about AI agents. But, it is heavily
focus on coding and programming skills. Therefore, I understand that some
business developers may lack programming and coding skills. Therefore, I tried
to implement some knowledge in the book using no code AI agent platform. In
this context, however, as a business developer, you can leverage the book's
core concepts and avoid these pitfalls by using user-friendly platforms like
Jotform, which abstract away the technical complexity and cost concerns,
allowing you to focus purely on business value.
Key Concepts Explained simply:
To build and understand AI Agents, you need to grasp a few fundamental
concepts. Here’s a breakdown of the most essential ideas from the book.
1. The Core Architecture of an AI Agent
An AI Agent is a system that can autonomously perform tasks, make decisions,
and interact with its environment. It is built on four key components.
A. Planning:
This is the Agent's ability to think ahead and break down a complex goal into
smaller, manageable steps. For example, if you ask it to "research
competitors and write a report," the Agent will plan to first search for
competitors, then analyze their websites, then compare them to your company,
and finally write up the findings.
B.Memory:
Agents need to remember things.
· Short-Term Memory: This is the memory of the ongoing conversation. It allows
the Agent to maintain a coherent back-and-forth dialogue with you, just like
your Jotform Agent remembers the history of a chat with a lead.
· Long-Term Memory: This is a persistent store of information, like a knowledge
base. Your Jotform Agent uses your uploaded documents (FAQs, product
information) as its long-term memory.
C.Tools:
This is what makes Agents powerful. A language model by itself can only
generate text. Tools allow an Agent to take action in the real world. Tools can
include a calculator, a search engine, a calendar, or an API to your CRM. Your
Jotform Agent (I used myself because I am neither a programmer nor a
developer) uses tools through
integrations to schedule meetings, send emails, or update your CRM.
D.Action:
This is the final step of the cycle where the Agent executes a decision. It
might be sending a response, updating a database, calling a function, or any
other concrete output based on its planning and use of tools.
2. The ReAct Framework (Reasoning + Acting)
ReAct is one of the most important cognitive frameworks for how Agents work. It
stands for Reasoning and Acting, and it describes a cycle where the Agent
alternates between these two modes.
The cycle has three key steps:
1. Thought: The Agent considers the current situation and decides what to do
next. This is the reasoning part.
2. Action: The Agent does something. This might be calling a tool, sending a
message, or making a decision.
3. Observation: The Agent looks at what happened as a result of its action.
This could be the response from a tool or the user's reply.
This Thought-Action-Observation cycle continues until the Agent achieves its
goal. This framework allows the Agent to be flexible and adapt to new
information, much like how a human solves a problem.
3. RAG (Retrieval-Augmented Generation)
RAG is a technique that solves a fundamental limitation of LLMs: they don't know
your specific business data. RAG works in two steps:
1. Retrieval: When a user asks a question, the Agent first searches your
private knowledge base (like internal documents, manuals, or FAQs) to find the
most relevant information.
2. Generation: The Agent then takes this retrieved information and feeds it to
the LLM along with the user's question. The LLM generates a final, accurate
answer based on the provided context.
RAG is a cost-effective and powerful way to give an Agent "expertise"
in your business, as it doesn't require retraining the expensive LLM. This is
the exact technology your Jotform Agent uses when it answers questions from
your Knowledge Base.
4. The AI Maturity Curve
This concept describes how an organization's ability to use AI evolves over
time. It's a useful framework for planning your AI strategy.
· Awareness: Learning about AI.
· Experimentation: Running small, isolated pilot projects.
· Adoption: Using AI in regular, recurring business processes.
· Integration: Connecting AI to core business systems (CRM, ERP, etc.).
· Transformation: Redesigning business models and operations around AI, where
AI agents automate complex workflows.
5. Function Calling
Function Calling is a specific tool that allows an Agent to bridge the gap between
understanding natural language and executing code. Instead of the Agent
generating a text response, it can generate a structured JSON object that
describes which function to call and with what parameters. This allows a
developer to write the actual code for the function (e.g.,
get_inventory(product_id)) and have the Agent call it automatically, making the
Agent capable of performing concrete actions.
6. The Gartner Hype Cycle for Technology
This is a well-known model for understanding how expectations for a new
technology change over time. Understanding it helps you remain realistic about
AI Agents.
1. Innovation Trigger: The technology is born (e.g., release of ChatGPT).
2. Peak of Inflated Expectations: Media buzz and hype are at a maximum.
3. Trough of Disillusionment: The technology fails to meet the high
expectations, and interest wanes.
4. Slope of Enlightenment: People begin to understand the technology's true,
practical use cases.
5. Plateau of Productivity: The technology becomes mainstream and integrated
into society.
Case Studies & Business Applications
The book provides seven detailed case studies (called "Agents") that
demonstrate the application of these concepts. Here, we break them down and
connect them to practical business uses, including how you can build them with
both code (as per the book) and without code (using platforms like Jotform).
Agent 1: Automated Office Work — Creating PPTs with Assistants API and
DALL-E 3
· Goal: Automatically generate a professional PowerPoint
presentation from sales data, including visualizations, insights, and a cover
image.
· Technology: OpenAI Assistants API, GPT-4, DALL-E 3, Code
Interpreter.
· Key Concepts: Multi-modal generation (text + images),
AI-powered data analysis, automated workflow.
· Step-by-Step Workflow:
1. Load sales data (CSV).
2. Create an Assistant with the Code Interpreter tool.
3. Send a message to the Assistant to calculate quarterly sales and
generate a line chart.
4. Run the Assistant and retrieve the generated chart image.
5. Ask the Assistant for insights and a compelling title for the PPT.
6. Use DALL-E 3 to generate a cover image based on a prompt.
7. Assemble the slides (title and content) into a .pptx file using a
Python library.
· Business Application:
Streamlines
the creation of reports, monthly business reviews, and investor presentations.
Saves hours of manual data analysis and slide creation.
· Jotform Integration:
You could trigger this workflow through a
Jotform submission. For example, when a sales rep submits a quarterly report
form, a Jotform integration (like Zapier or Make) could trigger a custom Python
script (using the same Assistants API) to generate and email the presentation.
Agent 2: A Versatile Selection Engine — Calling Functions with Function Calling
· Goal: Enable an Agent to intelligently choose and call a custom
function to provide a personalized response.
· Technology: OpenAI Function Calling.
· Key Concepts: Tool metadata, structured output (requires_action
state).
· Step-by-Step Workflow:
1. Define a custom Python function (e.g., get_encouragement(name,
mood)).
2. Create an Assistant with the function defined as a tool (JSON
schema).
3. User sends a message (e.g., "Please cheer up sad Xiao
Xue.").
4. The Run enters a requires_action state, providing the function name
and arguments.
5. Your code executes the local Python function and submits the output
back.
6. The Run completes, and the Assistant provides the final, empathetic
response.
· Business Application:
This pattern
is crucial for building advanced decision-making agents. For example, an agent
could decide to check inventory, look up a customer's account balance, or
escalate a complex issue to a human based on the user's intent. It bridges the
gap between conversation and action.
· Jotform Integration: In Jotform, this is analogous to using
conditional logic or an Agent's ability to decide which integration to call.
For example, if a lead is "hot," the Agent can trigger a
high-priority email. If the lead is "warm," it can schedule a
follow-up task.
Agent 3: Synergizing Reasoning and Action — Automatic Pricing with LangChain's
ReAct
· Goal: Build an Agent that can answer a multi-step question by
using reasoning and external tools.
· Technology: LangChain ReAct Agent, SerpAPI (web search),
llm-math (calculator).
· Key Concepts: ReAct framework, Agent Executor,
Thought-Action-Observation loop.
· Step-by-Step Workflow:
1. Define tools: "serpapi" for search, "llm-math"
for calculations.
2. Create a ReAct prompt template guiding the Agent to use Thought,
Action, Action Input, Observation.
3. Invoke the Agent with a query (e.g., "What is the wholesale
price of roses, and what is a 5% markup?").
4. The Agent loops: Thought: I need to search for the wholesale price.
-> Action: Search -> Observation: Average price is 25 yuan. -> Thought:
Now I need to calculate the markup. -> Action: Calculator with 25*1.05.
-> Final Answer.
· Business Application:
Automates
research and analysis that combines external data with internal business rules.
Perfect for dynamic pricing, competitive analysis, and market research reports.
· Jotform Integration: A Jotform Agent could use this pattern via
a custom integration or through Jotform's own logic. When a lead asks for a
price, the Agent could automatically check live market prices and apply a markup
before responding, ensuring the quote is always current and competitive.
Agent 4: Decoupling Planning and Execution — Smart Inventory Scheduling with
Plan-and-Execute
· Goal: Enable an Agent to handle complex, multi-step tasks by first creating a
detailed plan and then executing it.
· Technology: LangChain Plan-and-Execute, ReAct Agent (as executor).
· Key Concepts: Task decomposition, separation of concerns.
· Step-by-Step Workflow:
1. Define custom tools: check_inventory, calculate_price, schedule_delivery.
2. The Agent receives a request: "Check rose inventory and give a
shipping plan."
3. Planning Phase: The Planner generates a list of steps (e.g., Step 1:
Check inventory. Step 2: Analyze demand...).
4. Execution Phase: The Executor (a ReAct Agent) carries out each step.
If it lacks data (demand info), it asks for clarification.
5. On receiving a clear request, it executes all steps and provides the
final plan.
· Business Application:
This is crucial for automating complex business workflows
like project management, order processing, supply chain coordination, and lead
qualification. The Agent won't get lost in a long reasoning loop but will
execute a structured plan.
· Jotform Integration
Your Jotform
Agent is a form of a Plan-and-Execute Agent, just without the code. The
"Planning" is your Agent's instructions and conversational flow. The
"Execution" is following that flow to capture lead data, check
conditions, and trigger integrations (tools).
Agent 5: Knowledge Extraction and Integration — Implementing RAG with
LlamaIndex
· Goal: Build a conversational Agent that can answer questions
based on a private, external knowledge base (financial reports).
· Technology: LlamaIndex, ReActAgent, VectorStoreIndex,
QueryEngineTool.
· Key Concepts: RAG, vector embeddings, Agentic RAG.
· Step-by-Step Workflow:
1. Load financial report PDFs.
2. Create searchable indexes (vector stores) for each company.
3. Create Query Engines for each company's index.
4. Wrap these engines in tools, giving them names and descriptions
(e.g., "A_Finance").
5. Create a ReAct Agent with access to these tools.
6. User asks: "Compare the sales revenue of Company A and Company
B."
7. The Agent thinks and calls the "A_Finance" tool, observes
the result, then calls the "B_Finance" tool, and finally synthesizes
the information into a comparative summary.
· Business Application:
Creates a
"copilot" for your business. This can be used for internal knowledge
management (HR policies, employee handbooks), customer support (product FAQs,
troubleshooting), and competitive intelligence (analyzing market reports and
competitor data).
· Jotform Integration:
This is
exactly how your Jotform Agent works. You upload documents to your Knowledge
Base (the vector store), and when a lead asks a question, the Agent searches
the Knowledge Base, retrieves the relevant section, and uses it to generate an
answer. This is the foundation of modern, context-aware AI assistants.
Agent 6: GitHub's Star Projects — AutoGPT, BabyAGI, and CAMEL
· Goal: Explore the broader ecosystem and understand different
paradigms of Agent design.
· Projects: AutoGPT (autonomous, internet-connected agent),
BabyAGI (task-driven, brainstorming agent), CAMEL (role-playing multi-agent
framework).
· Key Concepts: Autonomous task completion, task prioritization, multi-agent
role-playing, "inception prompting."
· Business Application:
These projects are not for immediate production but are
powerful examples of future possibilities. They demonstrate the potential for
agents to act as autonomous researchers, creative brainstorming partners, and
collaborative teams.
· Jotform Integration:
Jotform
provides a more controlled and user-friendly platform. While you can't deploy
AutoGPT directly in Jotform, you can use the concepts—like breaking down tasks
or having agents with different "roles"—to design more sophisticated
Agent workflows using conditional logic and integrations.
Agent 7: Multi-Agent Frameworks — AutoGen and MetaGPT
· Goal: Explore advanced frameworks that orchestrate multiple
Agents working together.
· Frameworks: AutoGen (flexible, customizable agent
conversations), MetaGPT (simulates a software company with SOPs).
· Key Concepts: Multi-agent collaboration, specialized roles
(Product Manager, Engineer, QA), hierarchical and structured workflows.
· Business Application:
This is the
future of business process automation. Imagine an AI team where one agent
researches a lead, another drafts a personalized outreach email, a third
schedules a meeting, and a fourth updates the CRM—all without human
intervention. This can automate entire departments or business units.
· Jotform Integration:
Currently, Jotform Agents are single entities, but the
multi-agent concept is the next frontier. You could potentially design multiple
Jotform forms, each representing a different "agent" or step in a
process, and connect them via integrations to create a similar effect of a
multi-step, collaborative workflow.
Practical Recommendations for Business Developers:
As a business developer, you have a unique advantage: you know what problems to
solve. You don't need to become a software engineer to benefit from this
technology.
· Use No-Code/Low-Code Platforms: This is your most effective path. Build a
functional Agent with Jotform within hours. It handles all the underlying
technical complexity, costs, and vendor management for you.
· Leverage the Concepts: Understand the book's concepts (RAG, ReAct,
Plan-and-Execute) to design better Agent instructions and workflows, even if
you aren't writing code. Your business knowledge is more valuable than your
coding skills.
· Focus on Data: The quality of your Agent is determined by the quality of your
instructions (prompts) and the data in your Knowledge Base. Invest time in creating
excellent, clear content for your Agent to use.
· Start Small, Think Big: Begin with a simple, high-value use case, like a lead
qualification agent. Learn from it, measure its success, and then gradually
increase its complexity and capabilities.
By combining the conceptual knowledge from the book with practical,
user-friendly tools, you can build powerful, business-critical AI Agents today,
without getting lost in the code.
Recommended
Reading mentioned in the book:
https://hai.stanford.edu/news/computational-agents-exhibit-believable-humanlike-behavior
References:
1.ttps://www.dedao.cn/ebook/reviews?id=bxEYR1zAbZMmVzK4p1oxl67XeNaB83OpXGVw92GJERgryYQdDnqjkPLvO5eOZ8Nq
3.Who is the author?
4.https://businessdevelopmentmoment.blogspot.com/2025/08/how-can-you-build-your-first-ai-agent.html
I hope you
enjoy today’s Moment, and looking forward to hearing about what you build next.
Do you have any problem you want to solve? I am eager to hear your Agent story
in the comment below!
لقد طالعت هذا الكتاب
مباشرة بعد إعداد أول مساعدة ذكاء اصطناعي لي — "ليلى" — هنا في
المدونة. إنها مساعدة ذكاء اصطناعي قمت بتدريبها باستخدام منصة
Jotform لوكلاء الذكاء
الاصطناعي دون برمجية (no-code). وبمجرد أن أصبحت ليلى شريكتي في التفكير، شعرت بدافع قوي للغوص بشكل
أعمق في عالم وكلاء الذكاء الاصطناعي (AI Agents) — وهنا وقع هذا الكتاب المتميز بين يدي. ورغم أنه مكتوب باللغة الصينية،
إلا أنه يقدم رؤى غنية حول التكنولوجيا الأمريكية واستراتيجيات النشر، مع تركيز
قوي على النماذج اللغوية الكبيرة (LLMs) من OpenAI. دعونا نستكشفه معاً!
مقدمة الكتاب وملخص
دليل عملي لوكلاء
الذكاء الاصطناعي: من المفهوم إلى الأنظمة متعددة الوكلاء
المقدمة
أحدثت النماذج
اللغوية الكبيرة (LLMs) حقبة جديدة في الذكاء الاصطناعي، متجاوزاً روبوتات الدردشة البسيطة
المخصصة للإجابة على الأسئلة إلى إنشاء "وكلاء" (Agents) مستقلين وقادرين على حل المشكلات. يُعد هذا الكتاب دليلاً شاملاً
وقائماً على المشاريع لكل من يتطلع إلى فهم وبناء هذه الأنظمة القوية للذكاء
الاصطناعي. كُتب الكتاب بأسلوب جذاب وسهل الفهم، ويبسط المفاهيم المعقدة من خلال
حوار سردي بين شياو شيويه (小雪) والأخ كا (咖哥) لتقديم نهج واضح وعملي.
الفكرة المركزية
للكتاب هي أن وكلاء الذكاء الاصطناعي، المدعومين بالنماذج اللغوية الكبيرة، ليسوا
مجرد صرعة عابرة بل هم تحول جذري في كيفية تفاعلنا مع التكنولوجيا. يمكنهم
التخطيط، والتذكر، واستخدام الأدوات، واتخاذ الإجراءات، ليعملوا كزملاء عمل رقميين
يقومون بأتمتة سير العمل المعقد. ومع ذلك، فإن نهج الكتاب، رغم أنه ممتاز للتعلم،
يرتبط ارتباطاً وثيقاً بمنظومة OpenAI،
وهو خيار يطرح نقاط قوة وحدوداً في الوقت ذاته بالنسبة لمستخدمي الأعمال.
ملخص الكتاب
تم تقسيم الكتاب إلى
ثلاثة أجزاء رئيسية، ليأخذ القارئ في رحلة من النظرية التأسيسية إلى التعاون
المتقدم بين الوكلاء المتعددين.
أولاً: الأسس والنظرية 3-1)
تبدأ الرحلة بتعريف
وكيل الذكاء الاصطناعي وسبب أهميته، ووضعه في سياق مفهوم "الحياة 3.0"
(Life 3.0) — وهو شكل
من أشكال الحياة التكنولوجية التي يمكنها تصميم برمجياتها وعتادها الخاص. ويتم فيه
تقديم الخصائص الرئيسية مثل الاستقلالية، والقدرة على التكيف، والتفاعلية. ثم يبني
الكتاب البنية التقنية الأساسية، حيث يفكك الوكيل إلى أربعة مكونات أساسية:
التخطيط، الذاكرة، الأدوات، والعمل. كما يعرض إطار عمل ReAct (التفكير والعمل) الحاسم، حيث يتناوب الوكيل بين التفكير في المهمة
واتخاذ خطوات ملموسة لحلها. ويقدم الفصل التأسيسي الأخير لمحة عامة عن أدوات
التطوير الثلاث الرئيسية المستخدمة في الكتاب: واجهة برمجة تطبيقات
OpenAI (OpenAI API)، وإطار عمل LangChain،
وإطار عمل LlamaIndex.
ثانياً: التطوير
العملي للوكلاء (الفصول 8-4)
هذا الجزء هو قلب
الكتاب النابض، حيث يعرض سلسلة من سبعة مشاريع عملية لوكلاء تتدرج في الصعوبة
والتعقيد.
الوكيل 1 (الفصل 4): العمل المكتبي المؤتمت — يستخدم واجهة برمجة
تطبيقات المساعدين من OpenAI وDALL-E 3 لإنشاء عرض تقديمي (PowerPoint) تلقائياً من بيانات المبيعات.
الوكيل 2 (الفصل 5): محرك الاختيار متعدد الاستخدامات — يركز على ميزة استدعاء الدوال
(Function Calling) من
OpenAI، مما يمكن الوكيل من اختيار وتنفيذ دوال مخصصة
بذكاء.
الوكيل 3 (الفصل 6): التآزر بين التفكير والعمل — يقوم بتطبيق وكيل
ReAct باستخدام
LangChain للبحث تلقائياً عن
الأسعار وحساب هوامش الربح.
· الوكيل 4 (الفصل 7):
الفصل بين التخطيط والتنفيذ — يقدم إطار عمل "التخطيط والتنفيذ" في
LangChain للتعامل مع المهام
المعقدة والمكونة من خطوات متعددة مثل إدارة المخزون.
· الوكيل 5 (الفصل 8):
استخراج المعرفة ودمجها — يبني وكيل توليد مدعم بالاسترجاع (RAG) باستخدام LlamaIndex للإجابة على الأسئلة بناءً على مستندات مالية خاصة.
ثالثاً: الوكلاء المتقدمون والاتجاهات المستقبلية
يستكشف الجزء الأخير
المنظومة الأوسع ومستقبل تكنولوجيا الوكلاء.
· الوكيل 6 (الفصل 9):
مشاريع GitHub المتميزة — يستعرض المشاريع مفتوحة المصدر المؤثرة مثل
AutoGPT وBabyAGI وCAMEL،
حيث يستعرض كل منها نماذج مختلفة للاستقلالية والتعاون متعدد الوكلاء.
· الوكيل 7 (الفصل 10):
أطر العمل متعددة الوكلاء — يتعمق في أطر العمل المتقدمة مثل AutoGen من مايكروسوفت وMetaGPT، والتي تمكن من إنشاء أنظمة من وكلاء متعددين
ومتخصصين يعملون معاً لمحاكاة المؤسسات المعقدة.
· الملحق — يتطلع إلى
آفاق الأبحاث المستقبلية، ويناقش مفاهيم مثل الوكلاء متعددي الوسائط
(Multi-modal Agents)، والتعاون بين البشر والذكاء الاصطناعي،
والذكاء الاصطناعي المجسد (Embodied AI).
نظرة نقدية لمستخدم الأعمال
في حين أن هذا الكتاب
يعد مصدراً ممتازاً لتعلم المفاهيم والتعامل المباشر مع الكود، إلا أنه من الأهمية
بمكان لمطوري الأعمال إدراك حدوده. وأبرز هذه الحدود هو تركيزه الحصري تقريباً على
منظومة OpenAI، مما يخلق عدة تحديات:
· حاجز التكلفة: تتطلب
كل تجربة الدفع مقابل استدعاءات واجهة برمجة تطبيقات OpenAI،
الأمر الذي قد يصبح مكلفاً ويحبط عمليات الاستكشاف المتكررة.
· الارتباط بمورد واحد
(Vendor Lock-in): يربطك
نهج الكتاب بمزود واحد، مما يخلق تبعية قد تكون محفوفة بالمخاطر إذا قامت
OpenAI بتغيير أسعارها أو
سياساتها، أو إذا واجهت انقطاعات في الخدمة.
· التقادم السريع: من
المرجح أن تصبح أمثلة الكود والاستخدامات المحددة لواجهة برمجة التطبيقات قديمة
بسرعة مع تطور التكنولوجيا
.
يفتقد الكتاب إلى
مناقشة متوازنة لهذه العوامل الحاسمة، بالإضافة إلى النصائح العملية بشأن توجيه
النماذج (Model)، والاستضافة الذاتية -
والنشر القوي بيئات الإنتاج الفعلية
الإنتاج الفعلية. ومع ذلك، بصفتك مطور أعمال، يمكنك الاستفادة من المفاهيم
الأساسية للكتاب وتجنب هذه الفخاخ باستخدام منصات سهلة الاستخدام مثل
Jotform، والتي تختزل التعقيد التقني ومخاوف التكلفة،
مما يتيح لك التركيز كلياً على قيمة الأعمال.
مفاهيم أساسية مشروحة
ببساطة
لبناء وكلاء الذكاء
الاصطناعي وفهمهم، تحتاج إلى استيعاب بضعة مفاهيم أساسية. إليك تفصيلاً لأهم
الأفكار الواردة في الكتاب:
❶ البنية الأساسية
لوكيل الذكاء الاصطناعي
وكيل الذكاء
الاصطناعي هو نظام يمكنه تنفيذ المهام بشكل مستقل، واتخاذ القرارات، والتفاعل مع
بيئته. وهو مبني على أربعة مكونات رئيسية:
· التخطيط
(Planning): وهي قدرة الوكيل على
التفكير المسبق وتفكيك الهدف المعقد إلى خطوات أصغر يمكن إدارتها. على سبيل
المثال، إذا طلبت منه "البحث عن المنافسين وكتابة تقرير"، فسوف يخطط
الوكيل أولاً للبحث عن المنافسين، ثم تحليل مواقعهم الإلكترونية، ثم مقارنتهم
بشركتك، وأخيراً كتابة النتائج.
· الذاكرة
(Memory): يحتاج الوكلاء إلى
تذكر الأشياء.
· الذاكرة قصيرة المدى:
وهي ذاكرة المحادثة الجارية. وتسمح للوكيل بالحفاظ على حوار متسق ومتبادل معك،
تماماً كما يتذكر وكيل Jotform الخاص بك تاريخ الدردشة مع أحد العملاء المحتملين.
· الذاكرة طويلة المدى:
وهي مخزن دائم للمعلومات، مثل قاعدة المعرفة. يستخدم وكيل Jotform مستنداتك المرفوعة (الأسئلة الشائعة، معلومات المنتج) كذاكرته طويلة
المدى.
· الأدوات
(Tools): هذا هو ما يمنح
الوكلاء قوتهم. فالنموذج اللغوي بمفرده لا يمكنه سوى توليد النصوص. أما الأدوات
فتسمح للوكيل باتخاذ إجراءات في العالم الحقيقي؛ ويمكن أن تشمل الآلة الحاسبة، أو
محرك البحث، أو التقويم، أو واجهة برمجة تطبيقات لربطه بنظام إدارة علاقات العملاء
(CRM). يستخدم وكيل
Jotform الأدوات عبر عمليات
التكامل لجدولة الاجتماعات، أو إرسال رسائل البريد الإلكتروني، أو تحديث نظام الـ
CRM الخاص بك.
· العمل/الإجراء
(Action): وهي الخطوة الأخيرة
في الدورة حيث ينفذ الوكيل القرار. وقد يكون ذلك إرسال رد، أو تحديث قاعدة بيانات،
أو استدعاء دالة، أو أي مخرج ملموس آخر بناءً على تخطيطه واستخدامه للأدوات.
---
❷ إطار عمل
ReAct (التفكير + العمل)
يعد
ReAct أحد أهم الأطر
المعرفية لكيفية عمل الوكلاء. وهو اختصار لـ Reasoning (التفكير) وActing
(العمل)، ويصف دورة
يتناوب فيها الوكيل بين هذين الوضعين.
تتكون الدورة من ثلاث
خطوات رئيسية:
1. الفكرة
(Thought): يدرس الوكيل الوضع
الحالي ويقرر ما يجب فعله بعد ذلك (هذا الجزء الخاص بالتفكير).
2. العمل
(Action): يقوم الوكيل بطلب شيء
ما، مثل استدعاء أداة، أو إرسال رسالة، أو اتخاذ قرار.
3. الملاحظة
(Observation): ينظر
الوكيل في النتيجة التي حدثت بناءً على عمله، وقد تكون هذه النتيجة رداً من أداة
أو استجابة المستخدم.
تستمر دورة
(الفكرة-العمل-الملاحظة) هذه حتى يحقق الوكيل هدفه. يتيح إطار العمل هذا للوكيل أن
يكون مرناً ويتكيف مع المعلومات الجديدة، تماماً مثل الطريقة التي يحل بها الإنسان
المشكلات.
❸ تقنية
RAG (التوليد المدعم
بالاسترجاع)
تعد
RAG تقنية تحل مشكلة
جوهرية في النماذج اللغوية الكبيرة: وهي عدم معرفتها ببيانات عملك الخاصة. تعمل
RAG في خطوتين:
1. الاسترجاع
(Retrieval): عندما
يطرح المستخدم سؤالاً، يبحث الوكيل أولاً في قاعدة معرفتك الخاصة (مثل المستندات
الداخلية، أو الأدلة، أو الأسئلة الشائعة) للعثور على المعلومات الأكثر صلة.
2. التوليد
(Generation): يأخذ
الوكيل هذه المعلومات المسترجعة ويغذي بها النموذج اللغوي الكبير
(LLM) مصحوبة بسؤال
المستخدم. ومن ثم يولد النموذج إجابة نهائية ودقيقة بناءً على السياق المقدم.
تعتبر
RAG طريقة قوية وفعالة من
حيث التكلفة لمنح الوكيل "خبرة" في مجال عملك، لأنها لا تتطلب إعادة
تدريب النموذج اللغوي الكبير المكلف. هذه هي التكنولوجيا الدقيقة التي يستخدمها
وكيل Jotform عندما
يجيب على الأسئلة من قاعدة المعرفة الخاصة بك.
❹ منحنى نضج الذكاء
الاصطناعي (AI Maturity Curve)
يصف هذا المفهوم كيف
تتطور قدرة المؤسسة على استخدام الذكاء الاصطناعي بمرور الوقت. وهو إطار عمل مفيد
للتخطيط لاستراتيجية الذكاء الاصطناعي الخاصة بك:
· الوعي
(Awareness): التعرف
على الذكاء الاصطناعي.
· التجريب
(Experimentation): تشغيل
مشاريع تجريبية صغيرة ومعزولة.
· التبني
(Adoption): استخدام الذكاء
الاصطناعي في عمليات الأعمال العادية والمتكررة.
· التكامل
(Integration): ربط
الذكاء الاصطناعي بأنظمة العمل الأساسية (CRM،
ERP، إلخ).
· التحول
(Transformation): إعادة
تصميم نماذج الأعمال والعمليات حول الذكاء الاصطناعي، حيث يقوم وكلاء الذكاء
الاصطناعي بأتمتة سير العمل المعقد.
---
❺ استدعاء الدوال
(Function Calling)
استدعاء الدوال هو
أداة محددة تتيح للوكيل جسر الفجوة بين فهم اللغة الطبيعية وتنفيذ الكود البرمجي.
وبدلاً من أن يقوم الوكيل بتوليد استجابة نصية، يمكنه توليد كائن
JSON مهيكل يصف الدالة
التي يجب استدعاؤها والمعاملات المطلوبة. يتيح ذلك للمطور كتابة الكود الفعلي
للدالة (مثل: get_inventory(product_id)) وجعل الوكيل يستدعيها تلقائياً، مما يجعل الوكيل قادراً على تنفيذ
إجراءات ملموسة.
---
❻ دورة غارتنر للضجيج
التكنولوجي (Gartner Hype Cycle)
هذا نموذج معروف لفهم
كيف تتغير التوقعات تجاه تكنولوجيا جديدة بمرور الوقت. وفهمه يساعدك على البقاء
واقعياً بشأن وكلاء الذكاء الاصطناعي:
1. مطلق الابتكار
(Innovation Trigger): ولادة
التكنولوجيا (مثل إطلاق ChatGPT).
2. قمة التوقعات المبالغ
فيها (Peak of Inflated Expectations): وصول الضجيج الإعلامي والترويج إلى الحد الأقصى.
3. وادي خيبة الأمل
(Trough of Disillusionment): تفشل التكنولوجيا في تلبية التوقعات العالية، ويتراجع الاهتمام بها.
4. منحدر التنوير
(Slope of Enlightenment): يبدأ الناس في فهم حالات الاستخدام الحقيقية والعملية للتكنولوجيا.
5. هضبة الإنتاجية
(Plateau of Productivity): تصبح التكنولوجيا سائدة ومدمجة في المجتمع.
---
دراسات الحالة والتطبيقات
التجارية
يقدم الكتاب سبع
دراسات حالة مفصلة (تسمى "الوكلاء") تستعرض تطبيق هذه المفاهيم. هنا،
نقوم بتفكيكها وربطها بالاستخدامات التجارية العملية، بما في ذلك كيفية بنائها
باستخدام الكود البرمجي (وفقاً للكتاب) وبدون كود (باستخدام منصات مثل
Jotform).
---
◈ الوكيل 1: العمل المكتبي المؤتمت — إنشاء عروض PowerPoint ترويجية باستخدام Assistants API وDALL-E 3
· الهدف: توليد عرض
PowerPoint تقديمي احترافي
تلقائياً من بيانات المبيعات، بما في ذلك الرسوم البيانية، والرؤى الاستقصائية،
وصورة الغلاف.
· التكنولوجيا: واجهة
برمجة تطبيقات المساعدين من OpenAI، وGPT-4، وDALL-E 3، ومفسر الكود (Code
Interpreter).
· المفاهيم الأساسية:
التوليد متعدد الوسائط (نص + صور)، تحليل البيانات المدعوم بالذكاء الاصطناعي، سير
العمل المؤتمت.
· خطوات سير العمل:
أ. تحميل بيانات
المبيعات (ملف CSV).
ب. إنشاء مساعد
باستخدام أداة مفسر الكود.
ج. إرسال رسالة إلى
المساعد لحساب المبيعات ربع السنوية وتوليد رسم بياني خطي.
د. تشغيل المساعد
واسترداد صورة الرسم البياني المُنشأة.
هـ. طلب الرؤى
الاستقصائية وعنوان جذاب للعرض التقديمي من المساعد.
و. استخدام
DALL-E 3 لتوليد صورة غلاف
بناءً على توجيه نصي (Prompt).
ز. تجميع الشرائح
(العنوان والمحتوى) في ملف .pptx باستخدام مكتبة بايثون.
· التطبيق التجاري:
يسهل إنشاء التقارير، والمراجعات الدورية للأعمال، والعروض التقديمية للمستثمرين.
ويوفر ساعات من تحليل البيانات اليدوي وإنشاء الشرائح.
· التكامل مع
Jotform: يمكنك تفعيل سير
العمل هذا من خلال إرسال نموذج على Jotform. على سبيل المثال، عندما يرسل مندوب المبيعات نموذج تقرير ربع سنوي،
يمكن لربط Jotform (عبر Zapier أو Make مثلاً) تشغيل سكربت بايثون مخصص (باستخدام نفس Assistants API)
لتوليد العرض
التقديمي وإرساله عبر البريد الإلكتروني.
---
◈ الوكيل 2: محرك اختيار متعدد الاستخدامات — استدعاء الدوال عبر
Function Calling
· الهدف: تمكين الوكيل
من اختيار واستدعاء دالة مخصصة بذكاء لتقديم استجابة مخصصة.
· التكنولوجيا: خاصية
استدعاء الدوال (Function Calling) من OpenAI.
· المفاهيم الأساسية:
البيانات الوصفية للأدوات (Tool Metadata)،
المخرجات المهيكلة (حالة requires_action).
· خطوات سير العمل:
أ. تعريف دالة بايثون
مخصصة (مثل: get_encouragement(name, mood)).
ب. إنشاء مساعد مع
تعريف الدالة كأداة (مخطط JSON).
ج. يرسل المستخدم
رسالة (مثل: "يرجى الترويح عن شياو شيويه الحزينة").
د. يدخل التشغيل
(Run) في حالة
requires_action، ويوفر اسم الدالة والمعاملات.
هـ. يقوم الكود الخاص
بك بتنفيذ دالة بايثون المحلية وإرسال المخرجات مجدداً.
و. يكتمل التشغيل،
ويقدم المساعد الاستجابة المتعاطفة النهائية.
· التطبيق التجاري: هذا
النمط ضروري لبناء وكلاء اتخاذ القرار المتقدمين. على سبيل المثال، يمكن للوكيل أن
يقرر التحقق من المخزون، أو البحث عن رصيد حساب العميل، أو تصعيد مشكلة معقدة إلى
موظف بشري بناءً على نية المستخدم. إنه يجسد الفجوة بين المحادثة والعمل الفعلي.
· التكامل مع
Jotform: في
Jotform، يعادل هذا استخدام المنطق الشرطي
(Conditional Logic) أو قدرة
الوكيل على تحديد أي من عمليات التكامل يجب استدعاؤها. على سبيل المثال، إذا كان
العميل المحتمل "مهتماً للغاية"، يمكن للوكيل إرسال بريد إلكتروني عالي
الأولوية، أما إذا كان العميل "فاتح الاهتمام"، فيمكنه جدولة مهمة
متابعة لاحقة.
---
◈ الوكيل 3: التآزر بين التفكير والعمل — التسعير التلقائي باستخدام
ReAct من
LangChain
· الهدف: بناء وكيل يمكنه
الإجابة على سؤال متعدد الخطوات باستخدام التفكير والأدوات الخارجية.
· التكنولوجيا: وكيل
ReAct من
LangChain، وSerpAPI (للبحث على الويب)، وllm-math (آلة
حاسبة).
· المفاهيم الأساسية:
إطار عمل ReAct، منفذ الوكيل (Agent
Executor)، حلقة (الفكرة-العمل-الملاحظة).
· خطوات سير العمل:
أ. تعريف الأدوات:
"serpapi" للبحث، و"llm-math"
للحسابات.
ب. إنشاء قالب توجيه
ReAct يوجه الوكيل لاستخدام
الفكرة، العمل، مدخلات العمل، الملاحظة.
ج. استدعاء الوكيل
باستعلام (مثل: "ما هو سعر الجملة للورود، وما هي نسبة ربح 5%؟").
د. يدخل الوكيل في
حلقة: الفكرة: أحتاج للبحث عن سعر الجملة. -> العمل: البحث -> الملاحظة: متوسط السعر 25 يوان. -> الفكرة: الآن أحتاج لحساب هامش الربح. -> العمل: الآلة الحاسبة بضرب 25 * 1.05. -> الإجابة النهائية. · التطبيق التجاري:
يؤتمت عمليات البحث والتحليل التي تجمع بين البيانات الخارجية وقواعد العمل
الداخلية. وهو مثالي للتسعير الديناميكي، وتحليل المنافسين، وتقارير أبحاث السوق.
· التكامل مع
Jotform: يمكن لوكيل
Jotform استخدام هذا النمط
عبر تكامل مخصص أو من خلال منطق Jotform الخاص. عندما يطلب عميل محتمل سعراً، يمكن للوكيل التحقق تلقائياً من
أسعار السوق المباشرة وتطبيق هامش الربح قبل الرد، مما يضمن أن يكون عرض السعر
محدثاً وتنافسياً دائماً.
---
◈ الوكيل 4: الفصل بين التخطيط والتنفيذ — الجدولة الذكية للمخزون
باستخدام التخطيط والتنفيذ
· الهدف: تمكين الوكيل
من التعامل مع المهام المعقدة والمتعددة الخطوات عبر إنشاء خطة مفصلة أولاً ثم
تنفيذها.
· التكنولوجيا: نموذج
التخطيط والتنفيذ (Plan-and-Execute) من LangChain، ووكيل ReAct (كمنفذ).
· المفاهيم الأساسية:
تفكيك المهام، وفصل المهام والاهتمامات.
· خطوات سير العمل:
أ. تعريف أدوات مخصصة:
check_inventory (فحص
المخزون)، calculate_price (حساب السعر)، schedule_delivery (جدولة التوصيل).
ب. يتلقى الوكيل
طلباً: "تحقق من مخزون الورد وقدم خطة شحن".
ج. مرحلة التخطيط:
يولد المخطط قائمة بالخطوات (مثل الخطوة 1: فحص المخزون. الخطوة 2: تحليل الطلب...).
د. مرحلة التنفيذ:
يقوم المنفذ (وكيل ReAct) بتنفيذ كل خطوة. وإذا كان يفتقر إلى البيانات (معلومات الطلب)، فإنه
يطلب توضيحاً.
هـ. عند تلقي طلب
واضح، ينفذ جميع الخطوات ويقدم الخطة النهائية.
· التطبيق التجاري: هذا
الأمر بالغ الأهمية لأتمتة سير العمل المعقد في الشركات مثل إدارة المشاريع،
ومعالجة الطلبات، وتنسيق سلاسل الإمداد، وتأهيل العملاء المحتملين. لن يضيع الوكيل
في حلقة تفكير طويلة بل سينفذ خطة مهيكلة.
· التكامل مع
Jotform: إن وكيل
Jotform الخاص بك هو شكل من أشكال
وكلاء "التخطيط والتنفيذ"، ولكن بدون كود؛ حيث يمثل "التخطيط"
إرشادات وتدفق المحادثة للوكيل، في حين يمثل "التنفيذ" اتباع ذلك التدفق
لالتقاط بيانات العملاء المحتملين، والتحقق من الشروط، وتشغيل التكاملات (الأدوات).
---
◈ الوكيل 5: استخراج المعرفة ودمجها — تطبيق RAG باستخدام LlamaIndex
· الهدف: بناء وكيل
محادثة يمكنه الإجابة على الأسئلة بناءً على قاعدة معرفية خارجية وخاصة (التقارير
المالية).
· التكنولوجيا:
LlamaIndex، وReActAgent، وVectorStoreIndex، وQueryEngineTool.
· المفاهيم الأساسية:
التوليد المدعم بالاسترجاع (RAG)، التضمينات المتجهة (Vector
Embeddings)، وRAG الوكيلي
(Agentic RAG).
· خطوات سير العمل:
أ. تحميل ملفات
تقارير مالية بصيغة PDF.
ب. إنشاء فهارس قابلة
للبحث (مخازن متجهة) لكل شركة.
ج. إنشاء محركات
استعلام لفهرس كل شركة.
د. تغليف هذه المحركات
في أدوات، وتسميتها ووصفها (مثل:
"A_Finance").
هـ. إنشاء وكيل
ReAct لديه صلاحية الوصول
إلى هذه الأدوات.
و. يسأل المستخدم:
"قارن بين إيرادات مبيعات الشركة أ والشركة ب".
ز. يفكر الوكيل
ويستدعي أداة "A_Finance"،
ويلاحظ النتيجة، ثم يستدعي أداة "B_Finance"،
وأخيراً يدمج المعلومات في ملخص مقارن.
· التطبيق التجاري:
ينشئ "مساعداً طياراً" (Copilot) لأعمالك. يمكن استخدامه لإدارة المعرفة الداخلية (سياسات الموارد
البشرية، أدلة الموظفين)، ودعم العملاء (الأسئلة الشائعة حول المنتجات، وحل
المشكلات)، واستخبارات المنافسين (تحليل تقارير السوق وبيانات المنافسين).
· التكامل مع
Jotform: هذه هي الطريقة
الدقيقة لعمل وكيل Jotform؛ فأنت تقوم برفع المستندات إلى قاعدة المعرفة
الخاصة بك (المخزن المتجه)، وعندما يطرح العميل سؤالاً، يبحث الوكيل في قاعدة
المعرفة، ويسترجع القسم ذي الصلة، ويستخدمه لتوليد الإجابة. هذا هو الأساس لمساعدي
الذكاء الاصطناعي الحديثة الواعية بالسياق.
---
◈ الوكيل 6: مشاريع GitHub المتميزة — AutoGPT وBabyAGI وCAMEL
· الهدف: استكشاف
المنظومة الأوسع وفهم النماذج المختلفة لتصميم الوكلاء.
· المشاريع:
AutoGPT (وكيل مستقل متصل
بالإنترنت)، وBabyAGI (وكيل مدفوع بالمهام والعصف الذهني)، وCAMEL (إطار عمل متعدد الوكلاء للعب الأدوار).
· المفاهيم الأساسية:
إنجاز المهام بشكل مستقل، ترتيب أولويات المهام، لعب الأدوار متعدد الوكلاء،
"التوجيه الاستهلالي" (Inception Prompting).
· التطبيق التجاري: هذه
المشاريع ليست مخصصة للإنتاج الفوري ولكنها أمثلة قوية على الإمكانيات المستقبلية؛
فهي تُظهر قدرة الوكلاء على العمل كباحثين مستقلين، وشركاء مبدعين في العصف
الذهني، وفرق عمل تعاونية.
· التكامل مع
Jotform: توفر
Jotform منصة أكثر تحكماً
وسهولة في الاستخدام. ورغم أنه لا يمكنك نشر AutoGPT مباشرة في Jotform، يمكنك استخدام المفاهيم — مثل تفكيك المهام أو
تعيين "أدوار" مختلفة للوكلاء — لتصميم سير عمل وكلاء أكثر تطوراً
باستخدام المنطق الشرطي وعمليات التكامل.
---
◈ الوكيل 7: أطر العمل متعددة الوكلاء — AutoGen وMetaGPT
· الهدف: استكشاف أطر
العمل المتقدمة التي تدير عمل وكلاء متعددين معاً.
· أطر العمل:
AutoGen (محادثات مرنة وقابلة
للتخصيص بين الوكلاء)، وMetaGPT
(يحاكي شركة برمجيات
بجميع إجراءات التشغيل القياسية SOPs).
· المفاهيم الأساسية:
التعاون متعدد الوكلاء، الأدوار المتخصصة (مدير منتج، مهندس، مسؤول جودة
QA)، وسير العمل الهرمي والمهيكل.
· التطبيق التجاري: هذا
هو مستقبل أتمتة عمليات الأعمال. تخيل فريق ذكاء اصطناعي حيث يقوم أحد الوكلاء
بالبحث عن عميل محتمل، ويقوم آخر بصياغة بريد إلكتروني مخصص للتواصل، ويقوم ثالث
بجدولة اجتماع، ورابع بتحديث نظام الـ CRM — كل ذلك دون تدخل بشري. يمكن لهذا النمط أتمتة أقسام أو وحدات عمل
بأكملها.
· التكامل مع
Jotform: في الوقت الحالي، تعد
وكلاء Jotform كيانات فردية، لكن مفهوم تعدد الوكلاء هو الآفق القادم. يمكنك عملياً
تصميم نماذج متعددة من Jotform، يمثل كل منها "وكيلاً" مختلفاً أو
خطوة في العملية، وربطها عبر التكاملات لخلق تأثير مشابه لسير عمل تعاوني متعدد
الخطوات.
توصيات عملية لمطوري
الأعمال
بصفتك مطور أعمال،
فإنك تمتلك ميزة فريدة: فأنت تعرف المشكلات التي يتعين حلها، ولا تحتاج إلى أن
تصبح مهندس برمجيات للاستفادة من هذه التكنولوجيا.
· استخدم المنصات عديمة
الكود/منخفضة الكود (No-Code/Low-Code): هذا هو مسارك الأكثر فعالية. يمكنك بناء وكيل وظيفي باستخدام
Jotform في غضون ساعات؛ حيث
يتولى النظام إدارة كل التعقيدات التقنية الكامنة، والتكاليف، وإدارة الموردين
نيابة عنك.
· استغل المفاهيم: افهم
مفاهيم الكتاب (مثل RAG وReAct والتخطيط والتنفيذ) لتصميم إرشادات وسير عمل أفضل للوكلاء، حتى لو لم
تكن تكتب كوداً برمجياً. إن معرفتك بإدارة الأعمال أكثر قيمة من مهاراتك البرمجية.
· ركز على البيانات:
تتحدد جودة وكيلك بجودة إرشاداتك (Prompts) والبيانات الموجودة في قاعدة معرفتك. استثمر الوقت في إنشاء محتوى
ممتاز وواضح ليستخدمه وكيلك.
· ابدأ صغيراً، وفكر
بشكل كبير: ابدأ بحالة استخدام بسيطة وعالية القيمة، مثل وكيل تأهيل العملاء المحتملين.
تعلم منها، وقس نجاحها، ثم زد من تعقيدها وقدراتها تدريجياً.
من خلال الجمع بين
المعرفة المفاهيمية للكتاب والأدوات العملية وسهلة الاستخدام، يمكنك بناء وكلاء
ذكاء اصطناعي أقوياء وحيويين لأعمالك اليوم، دون أن تضيع في تفاصيل الكود البرمجي.
