در یادداشت نخست از سلسله‌ی «هوش‌نگار» به طلوع عصر دستیاران هوشمند در دنیای روزنامه‌نگاری پرداختیم و دیدیم چگونه این فناوری نوظهور می‌تواند در تسریع و تسهیل فرایندهای جست‌وجو، تولید و توزیع اخبار نقش‌آفرین باشد.
اکنون در یادداشت دوم می‌خواهیم نگاهی دقیق‌تر به اجزای اجرایی این دستیاران هوشمند بیندازیم. این دستیارها که توان انجام وظایف پیچیده را هم دارند از چه بخش‌هایی تشکیل شده‌اند و چگونه این اجزا با یکدیگر تعامل می‌کنند؟
در بخش دوم «هوش‌نگار» با بررسی مثال‌هایی ملموس از دنیای روزنامه‌نگاری، به کالبدشکافی این دستیاران هوشمند می‌پردازیم و ویژگی‌هایی نظیر پروفایل و شخصیت، اقدامات عملی، دانش و حافظه، استدلال و ارزیابی، و برنامه‌ریزی و بازخورد آنها را مورد بررسی قرار می‌دهیم. با شناخت این اجزا، درک بهتری از نحوه‌ی عملکرد و ظرفیت‌های واقعی این همکاران هوشمند به دست می‌آوریم.

اجزای اجرایی دستیارهای هوشمند
دستیارهای هوشمند اجزای مختلفی دارند و با آن وظایف پیچیده‌ای را انجام می‌دهند. بیایید این اجزا را با مثال‌هایی از دنیای روزنامه‌نگاری بررسی کنیم.
تصور کنید یک روزنامه‌نگار فناوری برای پیدا کردن اطلاعات در مورد یک گجت جدید، از گوگل استفاده می‌کند. این یک تعامل مستقیم است، درست شبیه استفاده از نسخه‌های قدیمی‌تر ChatGPT. بیایید عمیق‌تر شویم و ببینیم که این فرد روزنامه‌نگار  در عمل، چه ویژگی‌هایی دارد که یک دستیار هوشمند هم باید آن‌ را داشته باشد.
 

• پروفایل و شخصیت دستیار[1]: یک روزنامه‌نگار فناوری موفق، مثل «سارا»ی نوعی، به خاطر تخصص در حوزه‌ی خاصی از فناوری (مثلاً گوشی‌های هوشمند یا هوش مصنوعی) شناخته می‌شود. او لحن خودش را در نوشتن دارد، شاید تحلیلی و دقیق، یا شاید هم صمیمی و جذاب. این تخصص و سبک نگارش، درست مانند «پروفایل و شخصیت» یک دستیار هوشمند است که تعیین می‌کند چگونه وظایفش را انجام دهد و با مخاطب ارتباط برقرار کند.
  هر دستیار هوش مصنوعی برای انجام وظایف خود نیازمند یک پروفایل و شخصیت است. این شخصیت، که به آن «سیستم پرامپت[2]» هم می‌گویند دستیار را در انجام وظایف، نحوه‌ی پاسخگویی و سایر جزئیات راهنمایی می‌کند. این شامل عناصری مانند پیشینه (مثلاً برنامه‌نویس، نویسنده) و اطلاعات جمعیتی است. برای مثال، یک دستیار هوش مصنوعی که برای پوشش اخبار ورزشی طراحی شده است، ممکن است دارای شخصیتی با پیشینه‌ی ورزشی، لحن هیجان‌انگیز و دانش عمیق در مورد لیگ‌ها و تیم‌های مختلف باشد. این پروفایل می‌تواند به صورت دستی و با کمک مدل‌های زبانی بزرگ (LLMs) تولید شود یا از طریق تکنیک‌های مبتنی بر داده، از جمله الگوریتم‌های تکاملی، شکل بگیرد. الگوریتم‌های تکاملی یا فرگشتی دسته‌ای از الگوریتم‌های بهینه‌سازی هستند که از فرآیند فرگشت بیولوژیک الهام گرفته‌اند.
   
• اقدام‌های عملی دستیار[3]: سارا برای نوشتن مطلب کارهای مختلفی انجام می‌دهد؛ مثلاً با متخصصان مصاحبه می‌کند، در رویدادهای معرفی محصول شرکت می‌کند، گجت‌ها را آزمایش می‌کند و در نهایت، مطلبش را می‌نویسد. این «اقدام‌های عملی» همان وظایفی هستند که یک دستیار هوشمند هم باید بتواند انجام دهد، مثل جست‌وجو در منابع آنلاین، تحلیل داده‌ها یا تولید متن.
  پس اقدام‌های عملی، وظایفِ قابلِ اجرایِ این دستیارهاست. این اقدام‌ها می‌توانند به سه دسته اصلی تقسیم شوند: تکمیل وظایف، اکتشاف و ارتباطات. سطح تأثیر این اقدامات بر محیط و وضعیت داخلی دستیار متفاوت است. به عنوان مثال، یک دستیار خودمختار هوش مصنوعی در روزنامه‌نگاری می‌تواند وظایفی مثل جست‌وجو در منابع خبری مختلف، خلاصه کردن مقالات، بررسی صحت اطلاعات، تولید متن اولیه‌ی خبر یا ارسال پیام به سردبیر را انجام دهد. این کارها می‌توانند به صورت دستی تعریف شوند، از حافظه‌ی دستیار فراخوانده یا بر اساس برنامه‌های از پیش تعیین شده اجرا شوند.
   
• دانش و حافظه عامل[4]: سارا در طول سال‌ها فعالیتش، دانش وسیعی در مورد دنیای فناوری جمع‌آوری کرده است. او تاریخچه‌ی شرکت‌های بزرگ را می‌داند، اصطلاحات تخصصی را می‌فهمد و مطالب پیشین خود در این حوزه را به یاد دارد. این «دانش و حافظه» به او کمک می‌کند تا درک عمیق‌تری از موضوعات داشته باشد. یک دستیار هوشمند هم باید به حجم زیادی از اطلاعات دسترسی داشته باشد و بتواند آن‌ را به خاطر بسپارد و در مواقع لزوم از آن‌ اطلاعات استفاده کند. دستیاران هوش مصنوعی از دانش و حافظه برای درک بهتر زمینه و محدود کردن میزان استفاده از توکن‌ها استفاده می‌کنند. ساختارهای دانش و حافظه می‌توانند یکپارچه یا ترکیبی باشند و از فرمت‌های مختلفی مانند اسناد PDF، پایگاه‌های داده (رابطه‌ای، شیءگرا یا سندگرا) و جاساز کردن یا امبدینگ‌ها[5] برای جست‌وجوی معنایی استفاده کنند. حتی لیست‌های ساده نیز می‌توانند به عنوان حافظه این دستیار عمل کنند. برای مثال، دستیار هوشمندی که مسئول پوشش اخبار یک حوزه‌ی خاص (مانند سیاست) است، به دانش گسترده‌ای در مورد رویدادهای سیاسی گذشته، چهره‌های کلیدی و اسناد مرتبط نیاز دارد. حافظه به این دستیار کمک می‌کند تا در بررسی‌های جدید، از اطلاعاتِ پیشین استفاده و از تکرار جست‌وجوهای مشابه جلوگیری کند.
   
• استدلال و ارزیابی دستیار هوشمند[6]: وقتی یک خبر مهم در حوزه فناوری منتشر می‌شود، سارا به سرعت آن را تحلیل می‌کند. آیا این خبر واقعاً مهم است؟ چه تأثیری روی بازار می‌گذارد؟ او با استفاده از منطق و دانش خود، سعی می‌کند تا به درک درستی از موضوع برسد. این «قدرت تحلیل و ارزیابی» همان چیزی است که یک روزنامه‌نگار می‌تواند با آن دیدگاه‌های روشنگرانه‌ای ارائه دهد. پس یک دستیار هوشمند هم باید بتواند اطلاعات را تجزیه و تحلیل کند و بر اساس آن، تصمیمات منطقی بگیرد.
  بررسی‌ها نشان داده است که مدل‌های زبانی بزرگ و دستیاران هوشمند می‌توانند به طور مؤثری استدلال کنند. سیستم‌های استدلال و ارزیابی، گردش کار عامل را با فراهم کردن توانایی فکر کردن در مورد مسائل و ارزیابی راه‌حل‌ها بهبود می‌بخشند. برای مثال، یک عامل هوش مصنوعی که در حال بررسی یک ادعای خبری است، باید بتواند با استفاده از منابع مختلف استدلال کند، شواهد را ارزیابی نماید و در نهایت صحت یا نادرستی ادعا را تشخیص دهد.
   
• برنامه‌ریزی و بازخورد دستیار هوشمند[7]: سارا معمولاً برای هفته‌ها و ماه‌های آینده برنامه‌ریزی می‌کند که چه موضوعاتی را پوشش دهد. اما اگر یک خبر فوری و مهم منتشر شود، او باید بتواند برنامه‌اش را تغییر دهد و به سرعت به آن خبر بپردازد. این «برنامه‌ریزی و سازگاری» نشان می‌دهد که یک روزنامه‌نگار موفق چگونه با شرایط متغیر کنار می‌آید.
  یک دستیار هوشمند هم باید بتواند برنامه‌ریزی کند و در صورت لزوم، برنامه‌های خود را بر اساس بازخوردها و اطلاعات جدید تغییر دهد. برنامه‌ریزی نقش مهمی در سازماندهی وظایف برای دستیابی به اهداف سطح بالاتر دارد. برنامه‌ریزی می‌تواند بدون بازخورد (در عوامل خودمختار) یا همراه با بازخورد (با نظارت و تعدیل برنامه‌ها بر اساس ورودی‌های مختلف از جمله تغییرات محیطی و بازخورد مستقیم انسان) انجام شود. در برنامه‌ریزی، این دستیارها ممکن است از استدلال تک‌مسیره، استدلال متوالی در هر مرحله از کار یا استدلال چندمسیره بهره ببرند تا بتوانند استراتژی‌های مختلف خود را امتحان کنند. برنامه‌ریزان خارجی (مانند کد یا سایر سیستم‌های عامل) نیز ممکن است در هماهنگی برنامه‌ها نقش داشته باشند. برای مثال، دستیاری که خبرهای فوری را پوشش می‌دهد باید بتواند به سرعت یک برنامه برای جمع‌آوری اطلاعات، مصاحبه با منابع، نوشتن خبر و انتشار آن تنظیم کند و در صورت لزوم بر اساس اطلاعات جدید یا بازخورد سردبیر، برنامه‌ی خود را عوض کند.

آغاز عصر دستیاران هوشمند
عوامل هوش مصنوعی و دستیاران به سرعت از یک موضوع پژوهشی به ابزاری برای توسعه‌ی نرم‌افزار تبدیل شده‌اند. دلیل این امر آن است که مهندسی پرامپت، که در اوایل ظهور ChatGPT شکل گرفت، تنها تا حدی می‌تواند کارایی مدل‌های زبانی بزرگ را افزایش دهد. سیستم‌‌عامل‌هایی مثل AutoGPT، که می‌توانند وظایف را برنامه‌ریزی وظایف و تکرار کنند، نشان دادند که می‌توان به نتایج بسیار بهتری دست یافت.
در دنیای روزنامه‌نگاری، ترکیب این اجزا در عوامل هوش مصنوعی می‌تواند تحول عظیمی ایجاد کند. از جست‌وجوی خودکار اخبار و تحلیل داده‌ها گرفته تا تولید پیش‌نویس مقالات و کمک به توزیع خبر در کانال‌های مختلف، عوامل هوش مصنوعی می‌توانند به روزنامه‌نگاران در انجام وظایفشان با سرعت و دقت بیشتری کمک کنند.
 با این حال، اعتماد به فرآیند تصمیم‌گیری عوامل خودمختار و اطمینان از صحت اطلاعات و رعایت استانداردهای روزنامه‌نگاری همچنان بسیار مهم است و نیازمند نظارت انسانی است. در نهایت، درک کامل و استفاده‌ی مسئولانه از عوامل هوش مصنوعی می‌تواند به پیشرفت صنعت روزنامه‌نگاری در عصر دیجیتال کمک زیادی کند.

تحولی در تعامل با نرم‌افزار و داده

با آغاز پارادایم دستیار هوشمند، نحوه‌ی کار ما با مدل‌های زبانی بزرگ تغییر کرده که می‌تواند در نحوه‌ی توسعه‌ی نرم‌افزار و مدیریت داده‌ها نیز تحول ایجاد کند. دیگر برای تعامل با نرم‌افزار و داده‌ها از رابط‌های کاربری (UIs)، رابط‌های برنامه‌نویسی کاربردی (APIs) و زبان‌های پرس و جوی تخصصی مانند SQL استفاده نخواهد شد. از این به بعد، این رابط‌ها برای تعامل از طریق زبان طبیعی طراحی خواهند شد. یعنی دیگر نیاز نیست که یک خبرنگار زبان برنامه‌نویسی بداند. فقط کافی است اصول پرامپت‌نویسی را به‌خوبی بیاموزد و در آنچه که از ماشین می‌خواهد، تخصص داشته باشد و بتواند پرامپت مناسبی برای ماشین بنویسد.
در دنیای روزنامه‌نگاری، به جای اینکه یک روزنامه‌نگار به صورت دستی با استفاده از پرسش‌های کوتاه SQL در پایگاه‌های داده به دنبال اطلاعات بگردد، می‌تواند به سادگی از دستیار هوشمند خود با زبان آدمیزاد وارد ارتباط شود و از او بخواهد: «تمام مقاله‌های انگلیسی‌زبانی که پارسال درباره‌ی تأثیر رسانه‌های اجتماعی بر افزایش نارضایتی از زندگی منتشر شده‌ را پیدا و یافته‌های اصلی‌اش را خلاصه کن».
این معماری جدید به این صورت است که داده‌ها، نرم‌افزارها و برنامه‌ها خود را با رابط‌های معنایی و زبان طبیعی سازگار می‌کنند. دستیاران هوشمند با این رابط‌های هوش مصنوعی داده‌ها را جمع‌آوری کرده و می‌توانند با برنامه‌های نرم‌افزاری و حتی سایر عوامل یا برنامه‌های دستیاران هوشمند، تعامل داشته باشند. این نشان‌دهنده‌ی تغییری اساسی در نحوه‌ی تعامل ما با نرم‌افزارها و برنامه‌هاست.
یک سازمان خبری ممکن است آرشیو، سیستم مدیریت محتوای و حتی ابزارهای زمان‌بندی رسانه‌های اجتماعی خود را از طریق یک رابط هوش مصنوعی در دسترس قرار دهد. سپس یک دستیار هوشمند می‌تواند بر اساس درخواست زبان طبیعی یک روزنامه‌نگار، به طور خودکار مقالات مرتبط را از آرشیو بیرون بکشد، یک پست رسانه‌های اجتماعی برای خلاصه یک خبر جدید تهیه و آن را برای انتشار زمان‌بندی کند.
یک رابط هوش مصنوعی مجموعه‌ای از توابع، ابزارها و لایه‌های داده است که داده‌ها و برنامه‌ها را از طریق زبان طبیعی در دسترس قرار می‌دهد. در گذشته، کلمه‌ی «معنایی[8]» به طور گسترده برای توصیف این رابط‌ها استفاده می‌شد و در این نوشته‌ها با تبعیت از متن کتاب به آن معنایی نمی‌گوییم بلکه آن را «رابط هوش مصنوعی[9]» در نظر می‌گیریم.
یعنی ما برای اینکه بفهیم یک خبر جعلی است یا نه می‌توانیم با زبان طبیعی با دستیار هوشمند در زمینه‌ی بررسی شواهد وارد ارتباط شویم. از رابطِ هوشمند بررسی می‌کند که آیا این ادعای مطرح شده درست هست یا نه. همچنین منابع خبری معتبر را برای این اطلاعات جست‌وجو می‌کند و دیگر اینکه احساسات بحث‌های آنلاین در مورد این موضوع را تجزیه و تحلیل می‌کند.
رابط‌های هوش مصنوعی که امکان گفت‌وگو به زبان انسان را فراهم می‌کنند، استفاده از خدمات، ابزارها و داده‌ها را برای دستیاران آسان‌تر می‌کنند. با این توانمندسازی، دقت در انجام وظایف و برنامه‌های قابل اعتمادتر و خودمختار افزایش می‌یابد. اگرچه یک رابط هوش مصنوعی ممکن است برای همه نرم‌افزارها و داده‌ها مناسب نباشد، اما در بسیاری از موارد کاربرد غالب خواهد داشت.
در واقع با رابط‌های هوش مصنوعی خوش‌ساخت، یک دستیار هوش مصنوعی که وظیفه‌ی تولید گزارش اولیه در مورد یک کنفرانس مالی را بر عهده دارد، می‌تواند به طور دقیق داده‌های کلیدی را استخراج کند، اطلاعیه‌های اصلی را خلاصه و حتی زمینه‌های احتمالی نگرانی را شناسایی کند و نیاز به تلاش دستی یک روزنامه‌نگار انسانی را کاهش دهد.
تقریباً روزانه، یک چارچوب، مؤلفه یا رابط عامل جدید در GitHub یا در یک مقاله‌ی پژوهشی ظاهر می‌شود. این می‌تواند برای کاربر جدیدی که سعی در درک چیستی سیستم‌های عامل و نحوه‌ی استفاده از آن‌ دارد، طاقت‌فرسا و دلهره‌آور باشد.
در بخش اول و دوم سلسه‌یادداشت‌های «هوش‌نگار» سعی کردیم نشان دهیم که چه‌طور توانستیم با بررسی دقیق‌تر، الگوریتم و ساختار منطقی بسیاری از کارهای روزمره یک روزنامه‌نگار را شناسایی کنیم و اکنون می‌توانیم با بهره‌گیری از این دانش، دستیارانی هوشمند را بر همان مبنا تربیت کنیم. این امر نه تنها نویدبخش افزایش کارایی و سرعت در تولید و انتشار اخبار است، بلکه فرصت‌های جدیدی را برای روزنامه‌نگاران فراهم می‌سازد تا بر جنبه‌های خلاقانه‌تر و تحلیلی‌تر حرفه خود تمرکز کنند.
 عصر دستیاران هوشمند، عصر همکاری هوشمندانه انسان و ماشین است و آینده‌ی روزنامه‌نگاری، با بهره‌گیری مسئولانه از این فناوری، پتانسیل‌های بی‌نظیری را پیش روی ما خواهد گشود.
دستیاران هوشمند اکنون می‌توانند بخش قابل توجهی از وظایف روزمره و حتی پیچیده‌ی روزنامه‌نگاری را انجام دهند؛ از جست‌وجو و راستی‌آزمایی گرفته تا تحلیل عمیق داده‌ها و نوشتن پیش‌نویس گزارش‌ها. با این حال، نقش انسان‌ها در این فرایند هرگز نادیده گرفته نمی‌شود. مسئولیت نظارت اخلاقی، تضمین صحت و اعتبار اخبار و در نهایت گرفتن تصمیم نهایی و استراتژیک همواره در دست روزنامه‌نگاران باقی می‌ماند.
در این عصر جدید، مهارت روزنامه‌نگاران نه در کدنویسی و تخصص‌های فنی پیچیده، بلکه در توانایی آنان برای برقراری تعامل هوشمندانه با دستیاران و ابزارهای هوش مصنوعی تعریف می‌شود. در واقع، تسلط بر «زبان طبیعی» و «مهندسی پرامپت» جایگزین زبان‌های برنامه‌نویسی سنتی شده است و آینده متعلق به کسانی است که بتوانند با زبان انسانی، بیشترین بازدهی را از ماشین‌ها کسب کنند.
همچنین، نباید فراموش کنیم که دستیاران هوشمند تنها زمانی به بهترین شکل ممکن عمل خواهند کرد که به‌درستی آموزش داده شده و هدایت شوند. به همین دلیل است که آگاهی از نحوه‌ی عملکرد، چالش‌ها، و محدودیت‌های این ابزارها بسیار اهمیت دارد. نقد و بررسی مستمر، ارزیابی‌های اخلاقی، و شفافیت در استفاده از فناوری می‌تواند از بروز چالش‌های بزرگ‌تر در آینده جلوگیری کند.
در یادداشت‌های آتی «هوش‌نگار» به بررسی چگونگی بهره‌گیری از قدرت مدل‌های زبانی بزرگ با تمرکز بر تسلط بر API شرکت OpenAI، کاوش در مدل‌های متن‌باز با LM Studio و هنر مهندسی پرامپت خواهیم پرداخت.

منبع:
Lanham, M. (2025). AI Agents in Action. Manning.com. Retrieved from https://www.manning.com/books/ai-agents-in-action

تصویر این مطلب با گروک ساخته شده است.