اگر قدرتمندترین مدل هوش مصنوعی را با دقیق‌ترین دستورالعمل‌ها تجهیز کنید، باز هم به محض مواجهه با یک خلأ دانشی، شروع به توهم زدن و ساختن اطلاعات نادرست می‌کند. این فصل به بررسی مهندسی لازم برای متصل کردن هوش مصنوعی مولد به دنیای واقعی می‌پردازد و از وزنه‌های آموزشی ایستا عبور کرده و به سمت سیستم‌های پویا و داده‌محور حرکت می‌کند. بدون داشتن مکانیزمی برای دریافت اطلاعات تازه، مدل‌ها با اعتماد به نفس کامل پاسخ‌های اشتباه تولید می‌کنند و در محیط‌های واقعی تجاری به یک ریسک بزرگ تبدیل می‌شوند. در قلب مهندسی زمینه (Context Engineering)، دو الگوی مسلط وجود دارد: تولید افزوده با بازیابی اطلاعات (Retrieval-Augmented Generation) یا همان RAG و عامل‌ها (Agents). الگوی RAG شکاف بین حافظه ایستا و منابع داده خارجی را پر می‌کند؛ فرآیندی که شباهت زیادی به یک امتحان کتاب‌باز دارد و مدل پیش از پاسخ دادن، اسناد مرتبط را استخراج می‌کند. معماری RAG پایه و اساس این سیستم‌هاست که شامل خطوط لوله دریافت داده، قطعه‌بندی اسناد، تبدیل آن‌ها به بردارهای عددی و ذخیره در دیتابیس‌های برداری برای جستجوی معنایی است. برای اینکه این بازیابی دقیق باشد، الگوریتم‌های بازیابی (Retrieval Algorithms) مانند جستجوی ترکیبی، تطبیق کلیدواژه‌ای را با شباهت برداری ادغام می‌کنند تا هیچ اصطلاح کلیدی گم نشود. با این حال، قطعات خام داده اغلب فاقد زمینه کلی سند هستند؛ به همین دلیل، تکنیک‌های بهینه‌سازی بازیابی (Retrieval Optimization) مانند بازنویسی پرس‌وجو و قطعه‌بندی زمینه‌ای به کار گرفته می‌شوند تا نرخ موفقیت جستجو به شدت افزایش یابد. فراتر از متن، RAG فراتر از متن (RAG Beyond Texts) به مدل‌ها اجازه می‌دهد دارایی‌های چندوجهی مانند تصاویر و داده‌های جدول‌بندی شده را پردازش کنند. فراتر از بازیابی منفعلانه، عامل‌ها (Agents) به مدل‌ها قدرت می‌دهند تا به شکل فعالانه‌ای با محیط خود تعامل داشته باشند. بررسی اجمالی عامل‌ها (Agent Overview) نشان می‌دهد چگونه سیستم‌ها از حلقه‌های استدلال تکرارپذیر برای حل وظایف پیچیده استفاده می‌کنند. عامل‌ها به جای پاسخگویی ساده، از ابزارها (Tools) مثل جستجوی وب، APIها و محیط‌های اجرای کد برای جمع‌آوری اطلاعات و انجام عملیات بهره می‌برند. برای جلوگیری از اجرای آشفته، عامل‌ها به برنامه‌ریزی (Planning) ساختاریافته متکی هستند تا اهداف را خرد کرده و تفکر را از اجرا جدا کنند. با این حال، اجرای طولانی‌مدت با حالت‌های خرابی عامل و ارزیابی (Agent Failure Modes and Evaluation) روبه‌رو می‌شود؛ جایی که مدل ممکن است در حلقه‌های بی‌نهایت گیر کند یا پارامترهای ابزار را به اشتباه ارسال کند، که نیازمند چارچوب‌های ارزیابی دقیق است. در نهایت، حفظ حالت در تعاملات چندمرحله‌ای نیازمند مدیریت پیشرفته حافظه (Memory) است تا زمینه مرتبط بدون تجاوز از محدودیت توکن حفظ شود. | الگو | مکانیسم اصلی | مناسب برای | حالت خرابی رایج | | :--- | :--- | :--- | :--- | | RAG | بازیابی و سپس تولید از طریق جستجوی برداری | پرس‌وجو روی اسناد خصوصی و پایگاه‌های دانش | گم شدن زمینه به دلیل بازیابی ضعیف | | عامل‌ها | استفاده تکرارپذیر از ابزار، برنامه‌ریزی و اجرا | جریان کارهای چندمرحله‌ای، برنامه‌نویسی و وب‌گردی | حلقه‌های بی‌نهایت، آرگومان‌های نامعتبر ابزار | [ ] طراحی خط لوله قطعه‌بندی و برداری‌سازی برای اسناد اختصاصی دامنه [ ] پیاده‌سازی بازنویسی پرس‌وجو برای پر کردن شکاف بین درخواست کاربر و متن‌های ذخیره‌شده [ ] پیکربندی پایگاه‌های داده برداری با جستجوی ترکیبی برای پوشش کلیدواژه‌ها و معنا [ ] تجهیز مدل زبان بزرگ به ابزارهای خارجی مانند APIها و جستجوی وب [ ] ساخت حلقه برنامه‌ریزی که تولید تفکر را از اجرا جدا می‌کند [ ] پیاده‌سازی مدیریت خطا و استراتژی‌های ارزیابی برای خطاهای عامل‌های خودمختار