AI Agent چیست و چگونه روی سرور مجازی اجرا می شود؟ آشنایی با Hermes Agent

هوش مصنوعی در حال عبور از مرحله چت و پاسخ گویی ساده به سمت سیستم هایی است که می توانند برای رسیدن به یک هدف مشخص، چندین مرحله را به صورت مستقل انجام دهند. AI Agent یا عامل هوشمند بر همین اساس کار می کند؛ مدل زبانی در مرکز سیستم قرار می گیرد و در کنار آن، ابزارهایی برای دسترسی به فایل ها، اجرای کد، جستجو در وب، استفاده از APIها و انجام وظایف مختلف قرار می گیرد. در نتیجه، Agent فقط پاسخ یک درخواست را تولید نمی کند، بلکه می تواند درخواست را تحلیل کند، مراحل انجام کار را مشخص کند، ابزار مناسب را انتخاب کند و نتیجه هر مرحله را برای ادامه فرایند در نظر بگیرد.

یکی از نمونه های قابل توجه در این حوزه Hermes Agent است؛ یک Agent متن باز از Nous Research که برای اجرای وظایف طولانی تر و استفاده از ابزارهای مختلف طراحی شده است. Hermes می تواند از حافظه استفاده کند، با فایل ها و محیط ترمینال کار کند، به وب دسترسی داشته باشد، وظایف زمان بندی شده را اجرا کند و از طریق ابزارهایی مانند MCP به سرویس ها و قابلیت های دیگر متصل شود.

برای استفاده مداوم از چنین عاملی، اجرای آن روی یک زیرساخت همیشه فعال اهمیت زیادی دارد. سرور مجازی می تواند محیطی مستقل برای اجرای Hermes، مدل زبانی و سرویس های جانبی فراهم کند و باعث شود Agent بدون وابستگی به روشن بودن کامپیوتر شخصی در دسترس باشد.

AI Agent چه تفاوتی با چت بات دارد؟

یک چت بات معمولی عمدتا منتظر دریافت پیام کاربر می ماند و سپس بر اساس مدل زبانی، پاسخ تولید می کند. اما AI Agent می تواند برای رسیدن به یک هدف مشخص از مجموعه ای از ابزارها و قابلیت ها استفاده کند. برای مثال، ممکن است از یک Agent بخواهید اخبار حوزه کاری شرکت را بررسی کند، مهم ترین موارد را پیدا کند، نتایج را خلاصه کند، گزارش را در یک فایل ذخیره کند و در زمان مشخصی آن را برای اعضای تیم ارسال کند. در چنین سناریویی، تولید متن به تنهایی کافی نیست. Agent باید بتواند اطلاعات را دریافت و پردازش کند، از ابزارهای مختلف استفاده کند، وضعیت مراحل کار را در نظر بگیرد و در نهایت نتیجه را به شکل مورد نیاز ارائه دهد.

Hermes Agent چیست؟

Hermes Agent یکی از پروژه های متن باز Nous Research است که برای ساخت یک عامل هوشمند قابل توسعه طراحی شده است. این پروژه قابلیت هایی مانند حافظه، سیستم Skills، ابزارهای مختلف، اجرای وظایف زمان بندی شده، اتصال به MCP و ارتباط با سرویس های مختلف را در اختیار Agent قرار می دهد.

یکی از ویژگی های مهم Hermes این است که ساختار آن به یک مدل زبانی خاص محدود نمی شود. بنابراین می توان از مدل ها و سرویس های مختلف برای تولید و پردازش متن استفاده کرد و در صورت تغییر نیاز پروژه، مدل مورد استفاده را نیز تغییر داد. این انعطاف پذیری باعث می شود Hermes برای سناریوهایی مانند دستیار برنامه نویسی، تحقیق و جمع آوری اطلاعات، اتوماسیون وظایف، پردازش فایل ها و ساخت ربات های هوشمند قابل استفاده باشد.

Hermes چه کارهایی می تواند انجام دهد؟

قابلیت های Hermes فقط به تولید متن محدود نمی شود و Agent می تواند برای انجام وظایف مختلف از ابزارهای در دسترس خود استفاده کند. برای مثال می توان از آن در موارد زیر استفاده کرد:

• دستیار برنامه نویسی: بررسی فایل های پروژه، تحلیل خطاها و کمک به توسعه نرم افزار.
• دستیار تحقیقاتی: جستجوی منابع، استخراج اطلاعات و تهیه گزارش.
• اتوماسیون کسب و کار: اجرای وظایف زمان بندی شده و پردازش اطلاعات.
• دستیار شخصی: مدیریت یادداشت ها، اطلاعات و وظایف تکراری.
• ربات سازمانی: اتصال به پیام رسان ها و پاسخ گویی به درخواست های کاربران.

اتصال Hermes به تلگرام یا بله

برای درک بهتر کاربرد AI Agent، فرض کنید Hermes را روی یکی از پلن های vps اجرا کنیم و آن را به یک ربات در تلگرام یا بله متصل کنیم. کاربر می تواند از طریق همان پیام رسان یک درخواست برای Agent ارسال کند؛ برای مثال از آن بخواهد اخبار حوزه فناوری را بررسی کند و مهم ترین اتفاقات روز را در قالب یک گزارش کوتاه آماده کند.

Hermes می تواند درخواست را دریافت کند، آن را به چند مرحله تقسیم کند، اطلاعات مورد نیاز را از ابزارهای در دسترس جمع آوری کند، محتوای به دست آمده را با کمک مدل زبانی پردازش کند و نتیجه را دوباره از طریق همان ربات برای کاربر ارسال کند. در این حالت، کاربر با یک چت بات ساده روبه رو نیست؛ بلکه یک Agent در پشت صحنه قرار دارد که برای رسیدن به نتیجه می تواند از چند ابزار و چند مرحله پردازشی استفاده کند.

برای درک بهتر استفاده از تلگرام یا بله، یک تیم فروش می تواند از چنین سیستمی برای بررسی وضعیت سفارش های روز استفاده کند. کارشناس فروش درخواست خود را در تلگرام یا بله ارسال می کند، Agent اطلاعات مورد نیاز را از سرویس یا API مربوط به فروشگاه دریافت می کند و نتیجه را در همان گفت وگو نمایش می دهد. حتی می توان وظایف زمان بندی شده ای تعریف کرد تا Agent در ساعت مشخصی گزارش فروش یا وضعیت سرویس ها را برای اعضای تیم ارسال کند.

Ollama چه نقشی در اجرای مدل محلی دارد؟

اگر قرار باشد مدل های زبانی به صورت محلی اجرا شوند، Ollama یکی از ابزارهایی است که می توان از آن برای مدیریت و اجرای مدل ها استفاده کرد. Hermes نیز امکان استفاده از مدل های محلی از طریق Ollama را دارد. در این معماری، Hermes نقش Agent را بر عهده دارد و مدل زبانی یکی از اجزای سیستم است. در کنار آن می توان ابزارهایی مانند حافظه، پایگاه داده، APIها و سرویس های زمان بندی را نیز قرار داد. به همین دلیل، منابع مورد نیاز سرور فقط به حجم مدل محدود نمی شود و باید کل معماری سیستم را در نظر گرفت.

برای اجرای Hermes چه نوعی از VPS مناسب است؟

نیاز سخت افزاری Hermes به نحوه استفاده از آن بستگی دارد. اگر مدل زبانی از طریق یک API خارجی اجرا شود، بخش اصلی پردازش مدل خارج از VPS انجام می شود و سرور بیشتر وظیفه اجرای Agent، ابزارها، ارتباط با APIها و سرویس های جانبی را بر عهده دارد. اما اگر مدل نیز به صورت محلی روی همان سرور اجرا شود، RAM و توان پردازشی اهمیت بیشتری پیدا می کند. حجم مدل، اندازه context، تعداد درخواست های همزمان و نوع مدل مورد استفاده می توانند تاثیر مستقیمی بر منابع مورد نیاز داشته باشند.

برای یک پروژه سبک که از API استفاده می کند، منابع متوسط ممکن است کافی باشد. در مقابل، اجرای مدل های بزرگ تر به صورت local می تواند به RAM بیشتر و پردازنده قدرتمندتر نیاز داشته باشد و در بعضی سناریوها استفاده از GPU نیز منطقی باشد. بنابراین بهتر است قبل از انتخاب VPS مشخص شود که قرار است فقط Hermes و سرویس های جانبی روی سرور اجرا شوند یا مدل زبانی نیز روی همان سرور قرار می گیرد. این تفاوت می تواند نیاز سخت افزاری پروژه را به شکل محسوسی تغییر دهد.

آیا برای اجرای AI Agent به GPU نیاز داریم؟

خیر، استفاده از GPU به مدل و نوع workload بستگی دارد. اگر یک مدل زبانی بزرگ را به صورت محلی اجرا کنید، GPU می تواند تاثیر زیادی روی سرعت inference داشته باشد. اما برای مدل های سبک تر، بعضی وظایف Agent و پروژه هایی که از APIهای خارجی برای پردازش مدل استفاده می کنند، الزام به GPU اختصاصی وجود ندارد. در نتیجه، نمی توان گفت هر پروژه مبتنی بر AI Agent به سرور GPU نیاز دارد. ابتدا باید مشخص شود مدل چگونه اجرا می شود، چند کاربر قرار است همزمان از سیستم استفاده کنند و Agent چه وظایفی را بر عهده خواهد داشت.

چرا اجرای Hermes روی VPS مناسب است؟

یکی از مهم ترین مزایای اجرای Agent روی VPS، دسترسی دائمی به سرویس است. اگر Hermes روی کامپیوتر شخصی اجرا شود، خاموش شدن سیستم یا قطع شدن اینترنت می تواند اجرای آن را متوقف کند. اما VPS برای سرویس هایی که باید به صورت مداوم فعال باشند، محیط مناسب تری فراهم می کند. همچنین می توان Agent، مدل زبانی، دیتابیس، API و سایر سرویس های مورد نیاز را در یک محیط مشخص اجرا کرد. دسترسی از راه دور نیز باعث می شود مدیریت سیستم از هر مکانی امکان پذیر باشد.

امنیت در اجرای AI Agent

هرچه Agent ابزارهای بیشتری در اختیار داشته باشد، توجه به امنیت اهمیت بیشتری پیدا می کند. یک Agent ممکن است به فایل ها، ترمینال، وب یا سرویس های خارجی دسترسی داشته باشد و به همین دلیل نباید دسترسی های آن بدون محدودیت تعریف شود. استفاده از کاربر غیر root، محدود کردن دسترسی ها، فعال کردن فایروال، مدیریت صحیح کلیدهای API، به روزرسانی سیستم عامل و استفاده از روش های ایزوله سازی برای اجرای ابزارها از جمله اقداماتی هستند که در محیط production باید در نظر گرفته شوند. همچنین بهتر است Agent فقط به ابزارها و منابعی دسترسی داشته باشد که برای انجام وظایف خود به آنها نیاز دارد. این کار می تواند دامنه اثر خطاها و مشکلات احتمالی را کاهش دهد.

مثالی برای استفاده از Hermes

فرض کنید یک شرکت می خواهد هر روز صبح گزارشی از وضعیت بازار دریافت کند. Hermes می تواند در زمان مشخصی فعال شود، اطلاعات مورد نیاز را از منابع مختلف دریافت کند، داده ها را پردازش و خلاصه کند و نتیجه را از طریق یک پیام رسان برای اعضای تیم ارسال کند. در این ساختار، VPS محیط اجرای دائمی را فراهم می کند، Hermes وظیفه مدیریت فرایند را بر عهده دارد، مدل زبانی برای تحلیل و تولید متن استفاده می شود و APIها و ابزارهای مختلف اطلاعات مورد نیاز را در اختیار Agent قرار می دهند.

همین معماری را می توان برای دستیارهای برنامه نویسی، ربات های سازمانی، سیستم های RAG، اتوماسیون کسب و کار و بسیاری از فرایندهای تکراری دیگر نیز به کار گرفت. انتخاب منابع مناسب در چنین پروژه ای به مدل مورد استفاده، تعداد کاربران، حجم پردازش، اندازه context و نحوه اجرای inference بستگی دارد. هرچه سهم پردازش محلی بیشتر باشد، نیاز به منابع سخت افزاری قدرتمندتر نیز افزایش پیدا می کند.