طراحی یک محیط شبیه سازی مبتنی بر عاملهای هوشمند بر اساس LLM

شرح پروژه ما قصد داریم یک نرم‌افزار تحت وب (ترجیحاً) توسعه دهیم که امکان ایجاد و مدیریت چندین عامل (Agent) مبتنی بر مدل‌های زبانی بزرگ (LLM) را فراهم کند. این عامل‌ها باید بتوانند بر اساس پرسونای مشخص، منابع دانشی تعریف‌شده و قوانین تعامل تعیین‌شده، درباره یک موضوع مشخص به صورت خودکار با یکدیگر بحث و تبادل نظر کنند. هدف پروژه، ساخت یک محیط شبیه‌سازی گفتگوهای چندعاملی با قابلیت تحلیل و مشاهده رفتار عامل‌ها است. اهداف اصلی سیستم امکان تعریف تعداد دلخواه Agent تولید خودکار Agentها بر اساس LLM تخصیص پرسونای شخصیتی به هر Agent تعیین نحوه تعامل Agentها با یکدیگر تخصیص منابع دانشی مجزا به هر Agent تعریف یک موضوع (Topic) برای بحث اجرای بحث چندعاملی به صورت تصادفی ثبت و نمایش کامل لاگ گفتگو ارائه داشبورد تحلیلی از شاخص‌های گفتگو قابلیت‌های مورد انتظار 1. ماژول تعریف Agent کاربر باید بتواند: تعداد Agentها را مشخص کند (مثلاً 3 تا 20 عدد) برای هر Agent موارد زیر را تعریف کند: نام پرسونای شخصیتی (مثلاً: منطقی، احساسی، منتقد، خوش‌بین، بدبین، تحلیل‌گر داده، محافظه‌کار و...) سبک گفتگو (رسمی، غیررسمی، کوتاه، تحلیلی و...) سطح دانش (مبتدی، متوسط، خبره) منابع دانشی (متن، فایل، لینک یا پایگاه داده اختصاصی) Agentها باید بر اساس این تنظیمات توسط LLM ساخته شوند. 2. تعریف قوانین تعامل بین Agentها امکان تعریف موارد زیر لازم است: آیا همه Agentها با هم تعامل دارند یا فقط برخی؟ وزن تعامل بین Agentها (مثلاً Agent A بیشتر به Agent B پاسخ دهد) احتمال پاسخ‌دهی تصادفی ترتیب گفتگو (کاملاً تصادفی یا نیمه‌ساختاریافته) خروجی هر Agent باید بتواند به صورت تصادفی یا بر اساس وزن تعامل، به عنوان ورودی Agentهای دیگر استفاده شود. 3. تعریف موضوع بحث امکان تعریف یک Topic اصلی امکان تعیین مدت زمان بحث (تعداد راند گفتگو) امکان توقف دستی یا خودکار بحث 4. موتور اجرای گفتگو سیستم باید: به صورت راندی (Turn-based) گفتگو را اجرا کند در هر راند یک یا چند Agent به صورت تصادفی انتخاب شوند خروجی هر Agent به عنوان کانتکست برای Agentهای بعدی استفاده شود حافظه گفتگو (Conversation Memory) مدیریت شود امکان تعیین محدودیت توکن و طول پاسخ وجود داشته باشد 5. نمایش لاگ گفتگو در محیط نرم‌افزار باید: کل تاریخچه گفتگو نمایش داده شود هر پیام با مشخصات زیر ذخیره شود: نام Agent زمان ارسال شماره راند متن پیام امکان فیلتر بر اساس Agent امکان خروجی گرفتن (Export) به صورت JSON یا CSV 6. داشبورد تحلیلی داشبورد باید شاخص‌های زیر را نمایش دهد: تعداد پیام هر Agent میانگین طول پیام‌ها میزان مشارکت هر Agent (%) تحلیل احساسات (Sentiment Analysis) میزان موافقت/مخالفت بین Agentها تعداد دفعات پاسخ مستقیم یک Agent به Agent دیگر گراف شبکه تعامل بین Agentها (نمایش گراف تعامل به صورت Network Graph امتیاز محسوب می‌شود) ویژگی‌های فنی مورد انتظار توسعه به صورت Web Application (ترجیحاً React + FastAPI / Node.js) اتصال به API مدل‌های LLM (مانند OpenAI یا مدل‌های متن‌باز) معماری ماژولار و قابل توسعه مدیریت Session برای هر شبیه‌سازی امکان اجرای همزمان چند شبیه‌سازی ذخیره داده‌ها در دیتابیس (PostgreSQL یا مشابه) خروجی مورد انتظار کد کامل پروژه مستندات فنی راهنمای نصب و اجرا مستند API توضیح ساختار Agent و نحوه مدیریت Prompt Engineering مهارت‌های مورد نیاز تجربه کار با LLM API طراحی سیستم‌های Multi-Agent آشنایی با Prompt Engineering توسعه Backend و Frontend طراحی دیتابیس تجربه ساخت داشبورد تحلیلی موارد مهم سیستم باید مقیاس‌پذیر باشد. هزینه مصرف API باید قابل کنترل باشد. امکان افزودن قابلیت‌های جدید در آینده وجود داشته باشد. طراحی UI ساده ولی حرفه‌ای باشد.