آنچه در این مقاله می‌خوانید
نسخه ۴.۲ هوش مصنوعی فیبوناچی منتشر شد
هوش عمیق‌تر، ابزارهای حرفه‌ای‌تر و کنترل کامل‌تر بر تجربه هوش مصنوعی
پایان چت‌بات‌ها، آغاز عصر عامل‌های هوشمند؛ فیبوناچی در مسیر تبدیل‌شدن به یک پلتفرم جامع هوش مصنوعی ایرانی
با افتخار از انتشار نسخه ۴.۲ هوش مصنوعی فیبوناچی (Fibonacci AI v4.2) رونمایی می‌کنیم؛ یکی از مهم‌ترین به‌روزرسانی‌های این پلتفرم که با هدف ارتقای کیفیت پاسخ‌گویی، توسعه قابلیت‌های فنی، افزایش شفافیت مصرف API و فراهم‌کردن ابزارهای پیشرفته‌تر برای کاربران، توسعه‌دهندگان و سازمان‌ها ارائه شده است.
در این نسخه، مجموعه‌ای از قابلیت‌های جدید و بهینه‌سازی‌های زیرساختی در کنار یکدیگر قرار گرفته‌اند تا تجربه‌ای حرفه‌ای‌تر از استفاده از هوش مصنوعی فراهم شود؛ از اتصال مدل‌ها به پایگاه‌های دانش اختصاصی و انتخاب سطح تفکر گرفته تا مدیریت دقیق مصرف API، کنترل سرعت درخواست‌ها و توسعه عامل‌های هوشمند مجهز به ابزارهای تخصصی.
فیبوناچی، دستاورد تیم RealRobot، با تکیه بر توسعه مدل‌های زبانی و زیرساخت هوش مصنوعی بومی، در مسیر ارائه یک پلتفرم جامع و چندوجهی (Multimodal AI) حرکت می‌کند؛ پلتفرمی که قابلیت‌های متنوعی برای تولید محتوا، برنامه‌نویسی، تحلیل داده، پردازش زبان فارسی و خودکارسازی فرایندها در اختیار کاربران قرار می‌دهد.
نسخه ۴.۲ ادامه همین مسیر است: حرکت از پاسخ‌گویی ساده به سمت هوش مصنوعی قابل‌توسعه، قابل‌کنترل و آماده استفاده در پروژه‌های واقعی.
نگاهی سریع به مهم‌ترین قابلیت‌های نسخه ۴.۲
| قابلیت | شرح | ارزش افزوده |
|---|---|---|
| سیستم RAG برای کاربران API | اتصال هوش مصنوعی به پایگاه دانش اختصاصی | تولید پاسخ‌های مبتنی بر اسناد و اطلاعات اختصاصی |
| سه سطح تفکر | امکان انتخاب عمق پردازش و پاسخ‌گویی | تناسب بهتر سرعت و کیفیت پاسخ با نوع درخواست |
| سه مدل جدید و بهینه‌سازی‌شده | ارائه مدل‌های جدید با بهبودهای عملکردی | انتخاب متناسب‌تر مدل برای کاربردهای مختلف |
| Undo Send | امکان لغو ارسال پیام در شرایط پشتیبانی‌شده | مدیریت بهتر تعاملات و کاهش خطاهای کاربری |
| جست‌وجو در گفتگوها | یافتن سریع پیام‌های موردنظر در چت‌های طولانی | افزایش سرعت دسترسی به اطلاعات |
| شخصی‌سازی تنظیمات | امکان تنظیم ظاهر و رفتار برنامه | تجربه کاربری متناسب با ترجیحات فردی |
| گزارش مصرف API | نمایش جزئیات مصرف و درخواست‌ها | شفافیت بیشتر در مدیریت هزینه |
| داشبورد تحلیلی API | بررسی روند مصرف، هزینه و عملکرد مدل‌ها | تصمیم‌گیری آگاهانه‌تر درباره منابع |
| کنترل محدودیت درخواست | تعیین سقف درخواست برای هر توکن API | مدیریت بار، کنترل مصرف و کاهش ریسک سوءاستفاده |
| هوش مصنوعی عامل‌محور | اجرای گردش‌کارها با کمک مدل و ابزارهای تخصصی | حرکت از پاسخ‌گویی به انجام وظایف |
| سرویس MCP | اتصال عامل‌های هوشمند به ابزارها و گردش‌کارهای سازگار | توسعه و یکپارچه‌سازی قابلیت‌های هوش مصنوعی |
| مدل‌های تخصصی | مدل‌های برنامه‌نویسی و تحلیل احساسات فارسی | پشتیبانی هدفمند از کاربردهای تخصصی |
| افزونه VS Code | دسترسی به قابلیت‌های عامل هوشمند در محیط توسعه | تسهیل فرایند برنامه‌نویسی |
| راهکارهای سازمانی | قابلیت توسعه داشبوردها و راهکارهای اختصاصی | استفاده از هوش مصنوعی در فرایندهای سازمانی |
توجه: جدول بالا مجموعه قابلیت‌های معرفی‌شده در این اطلاعیه را پوشش می‌دهد. جزئیات دسترسی، محدودیت‌ها و شرایط استفاده از هر قابلیت تابع مستندات و تنظیمات سرویس مربوطه است.
اتصال هوش مصنوعی به دانش اختصاصی با RAG
پاسخ‌هایی فراتر از دانش عمومی مدل
یکی از قابلیت‌های مهم نسخه ۴.۲، پشتیبانی از سیستم بازیابی اطلاعات و تولید پاسخ مبتنی بر آن‌ها (Retrieval-Augmented Generation یا RAG) برای کاربران API است.
مدل‌های زبانی عمومی همیشه به اطلاعات اختصاصی کسب‌وکارها، مستندات داخلی سازمان‌ها، دستورالعمل‌ها و پایگاه‌های داده خصوصی دسترسی ندارند. RAG این امکان را فراهم می‌کند که فرایند پاسخ‌گویی مدل با بازیابی اطلاعات مرتبط از یک منبع دانش مشخص تکمیل شود.
با استفاده از این قابلیت، توسعه‌دهندگان می‌توانند راهکارهایی طراحی کنند که به‌جای اتکا به دانش عمومی مدل، اطلاعات مرتبط با اسناد و منابع اختصاصی پروژه را نیز در فرایند تولید پاسخ لحاظ کنند.
مزایای RAG در فیبوناچی
- اتصال پاسخ‌گویی هوشمند به منابع دانش اختصاصی.
- امکان توسعه دستیارهای تخصصی برای کسب‌وکارها و سازمان‌ها.
- افزایش ارتباط پاسخ‌ها با اطلاعات و مستندات مرجع.
- فراهم‌کردن زمینه طراحی سامانه‌های پرسش‌وپاسخ مبتنی بر اسناد.
- توسعه کاربردهای سازمانی مانند دستیار منابع انسانی، پشتیبانی مشتریان و بازیابی اطلاعات فنی.
کاربردهای پیشنهادی
| حوزه | نمونه کاربرد |
|---|---|
| سازمان‌ها | پاسخ‌گویی بر اساس آیین‌نامه‌ها، دستورالعمل‌ها و اسناد داخلی |
| پشتیبانی مشتریان | پاسخ به سؤالات بر اساس مستندات محصولات و خدمات |
| آموزش | طراحی دستیار آموزشی مبتنی بر محتوای اختصاصی |
| حقوقی و اداری | جست‌وجو و پاسخ‌گویی بر اساس اسناد و مقررات |
| توسعه نرم‌افزار | بازیابی اطلاعات از مستندات فنی و راهنماهای پروژه |
نتیجه: RAG زمینه ساخت دستیارهایی را فراهم می‌کند که اطلاعات مرتبط با نیاز واقعی کاربر و منابع دانش تعیین‌شده را در پاسخ‌گویی لحاظ می‌کنند. البته کیفیت خروجی همچنان به کیفیت داده‌ها، روش بازیابی و نحوه پیاده‌سازی وابسته است.
سه سطح تفکر برای پاسخ‌گویی متناسب با نیاز
از پاسخ‌های سریع تا تحلیل‌های عمیق‌تر
همه درخواست‌ها به یک میزان پردازش نیاز ندارند. گاهی یک پاسخ کوتاه و سریع کافی است؛ اما در مسائل پیچیده، برنامه‌نویسی، تحلیل داده و تصمیم‌گیری، بررسی عمیق‌تر مسئله می‌تواند ارزشمند باشد.
در نسخه ۴.۲، امکان انتخاب سه سطح تفکر برای پاسخ‌گویی فراهم شده است تا کاربران بتوانند متناسب با نوع درخواست، میان سرعت پاسخ‌گویی و عمق پردازش تعادل برقرار کنند.
| سطح تفکر | کاربرد پیشنهادی | مزیت اصلی |
|---|---|---|
| سریع | سؤالات ساده، پاسخ‌های کوتاه و کارهای روزمره | پاسخ‌گویی سریع‌تر |
| متعادل | کارهای عمومی، تولید محتوا و تحلیل‌های معمول | تعادل میان سرعت و عمق پردازش |
| عمیق | مسائل پیچیده، تحلیل چندمرحله‌ای و مسائل دشوار برنامه‌نویسی | اختصاص ظرفیت پردازشی بیشتر به بررسی مسئله |
این سطوح به کاربران کمک می‌کنند انتخاب آگاهانه‌تری داشته باشند و برای هر درخواست، تنظیم متناسب‌تری را انتخاب کنند.
نام‌گذاری و رفتار دقیق هر سطح ممکن است بر اساس مدل و تنظیمات در دسترس متفاوت باشد.
معرفی سه مدل جدید و بهینه‌سازی‌شده
در نسخه ۴.۲، سه مدل جدید معرفی شده‌اند که با هدف توسعه گزینه‌های موجود و بهبود تجربه استفاده از هوش مصنوعی ارائه شده‌اند.
وجود مدل‌های متنوع به توسعه‌دهندگان اجازه می‌دهد متناسب با نوع کاربرد، پیچیدگی درخواست، کیفیت موردنیاز و محدودیت‌های پروژه، انتخاب دقیق‌تری داشته باشند.
در کنار مدل اصلی فیبوناچی، مجموعه مدل‌های تخصصی این پلتفرم شامل گزینه‌هایی برای برنامه‌نویسی و تحلیل احساسات نیز می‌شود.
| مدل یا خانواده مدل | حوزه کاربرد | مخاطبان اصلی |
|---|---|---|
| fibonacci-1-pro | پاسخ‌گویی عمومی و کاربردهای مبتنی بر مدل زبانی | کاربران عمومی و توسعه‌دهندگان |
| fibonacci-2-coder | کمک به برنامه‌نویسی و وظایف مرتبط با کدنویسی | برنامه‌نویسان و تیم‌های فنی |
| fibonacci-2-sentiment | تحلیل احساسات با پشتیبانی از زبان فارسی | تیم‌های تحلیل داده، بازاریابی و پایش محتوا |
نکته: معرفی مدل‌های فوق به معنای یکسان‌بودن قابلیت‌ها، محدودیت‌ها یا دسترسی آن‌ها در تمام سرویس‌ها نیست. برای انتخاب مدل مناسب، باید مشخصات و مستندات هر مدل بررسی شود.
جست‌وجو در گفتگوها و قابلیت Undo Send
کنترل بیشتر بر مکالمات
در استفاده روزمره از دستیارهای هوشمند، مدیریت گفتگوهای طولانی و اصلاح خطاهای احتمالی اهمیت زیادی دارد.
نسخه ۴.۲ با اضافه‌شدن قابلیت جست‌وجو در گفتگوها و امکان لغو ارسال پیام در شرایط پشتیبانی‌شده، کنترل بیشتری بر تجربه کاربری فراهم می‌کند.
قابلیت‌های جدید
جست‌وجو در گفتگوها
کاربران می‌توانند برای یافتن پیام‌ها و اطلاعات موردنظر خود در مکالمات طولانی، از قابلیت جست‌وجو استفاده کنند؛ بدون آنکه لازم باشد تمام گفتگو را به‌صورت دستی مرور کنند.
Undo Send
این قابلیت برای مدیریت پیام‌هایی طراحی شده است که اشتباهی ارسال شده‌اند یا کاربر قصد دارد پیش از ادامه تعامل، ارسال آن‌ها را لغو کند.
| قابلیت | مسئله‌ای که حل می‌کند | نتیجه |
|---|---|---|
| جست‌وجو در چت | دشواری یافتن اطلاعات در گفتگوهای طولانی | دسترسی سریع‌تر به محتوای قبلی |
| Undo Send | ارسال ناخواسته پیام | کنترل بهتر جریان گفتگو |
شخصی‌سازی تنظیمات و ظاهر برنامه
تجربه‌ای متناسب با نیاز هر کاربر
هوش مصنوعی زمانی کاربردی‌تر می‌شود که کاربران بتوانند محیط کار و شیوه تعامل با آن را متناسب با نیازهای خود تنظیم کنند.
در نسخه ۴.۲، پنل تنظیمات و قابلیت‌های شخصی‌سازی با هدف فراهم‌کردن تجربه‌ای انعطاف‌پذیرتر توسعه یافته‌اند.
این بخش بر تنظیمات ظاهری و رفتاری قابل‌ارائه در محیط برنامه تمرکز دارد و به کاربران کمک می‌کند تجربه استفاده از فیبوناچی را با ترجیحات خود هماهنگ کنند.
مزایای این رویکرد عبارت‌اند از:
- دسترسی بهتر به تنظیمات موردنیاز.
- امکان تنظیم تجربه کاربری متناسب با ترجیحات فردی.
- مدیریت ساده‌تر رفتارهای قابل‌تنظیم برنامه.
- فراهم‌شدن محیطی مناسب‌تر برای استفاده روزمره و حرفه‌ای.
گزارش مصرف هوشمند API؛ شفافیت بیشتر در هزینه‌ها
هر توکن، هر درخواست و هر واحد مصرف؛ قابل‌بررسی و تحلیل
یکی از مهم‌ترین تغییرات نسخه ۴.۲، بازطراحی و راه‌اندازی سیستم گزارش‌گیری مصرف API است.
مدیریت مصرف API، به‌ویژه در پروژه‌هایی که از چند توکن، چند مدل یا تعداد زیادی درخواست استفاده می‌کنند، نیازمند دسترسی دقیق به اطلاعات مصرف و هزینه است.
نبود گزارش‌های شفاف می‌تواند ارزیابی هزینه واقعی پروژه، شناسایی الگوهای غیرعادی مصرف و برنامه‌ریزی منابع را دشوار کند.
در نسخه جدید، سیستم گزارش‌گیری با تمرکز بر شفافیت اطلاعات، دسترسی به تاریخچه مصرف و تحلیل بهتر هزینه‌ها توسعه یافته است.
قابلیت‌های جدید گزارش‌گیری
| قابلیت | توضیحات | ارزش افزوده |
|---|---|---|
| مشاهده مصرف هر کلید API | نمایش میزان مصرف منتسب به هر کلید | شناسایی توکن‌های پرمصرف |
| شمارش درخواست‌ها | مشاهده تعداد درخواست‌های ثبت‌شده برای هر کلید | ارزیابی میزان استفاده |
| تفکیک مصرف بر اساس مدل | بررسی هزینه و مصرف مدل‌های مختلف | مقایسه الگوی استفاده از مدل‌ها |
| تاریخچه مصرف | دسترسی به سوابق ثبت‌شده مصرف | بررسی روندهای گذشته |
| حفظ سوابق پس از انقضای توکن | نگهداری اطلاعات مصرف حتی پس از انقضای توکن، مطابق سازوکار سامانه | جلوگیری از ازدست‌رفتن دید تاریخی |
| دریافت خروجی گزارش‌ها | دانلود گزارش‌ها در قالب‌های پشتیبانی‌شده | استفاده در تحلیل‌های بیرونی و گزارش‌های مدیریتی |
| داشبورد تحلیلی | نمایش شاخص‌های کلیدی مصرف | درک سریع‌تر وضعیت کلی API |
داشبورد تحلیلی جدید چه امکاناتی دارد؟
داشبورد جدید گزارش مصرف API با هدف تبدیل داده‌های خام مصرف به اطلاعات قابل‌استفاده برای تصمیم‌گیری طراحی شده است.
مهم‌ترین قابلیت‌های آن عبارت‌اند از:
۱. نمای کلی مصرف
مشاهده شاخص‌های کلیدی مصرف و بررسی وضعیت کلی استفاده از API.
۲. تحلیل زمانی
بررسی تغییرات مصرف در بازه‌های زمانی مختلف، از جمله تحلیل‌های ساعتی، روزانه و هفتگی.
۳. تحلیل هزینه
ارزیابی هزینه‌های مصرف و فراهم‌شدن زمینه پیش‌بینی مصرف آتی بر اساس داده‌های موجود.
۴. مقایسه مدل‌ها
بررسی تفاوت الگوی مصرف مدل‌های مختلف برای انتخاب متناسب‌تر با نیاز پروژه.
۵. گزارش‌های تفصیلی و فیلترپذیر
دسترسی به جزئیات موردنیاز برای بررسی دقیق‌تر اطلاعات مصرف.
این قابلیت برای چه کسانی مفید است؟
- توسعه‌دهندگانی که از API فیبوناچی در محصولات خود استفاده می‌کنند.
- شرکت‌هایی که چند پروژه مبتنی بر هوش مصنوعی دارند.
- تیم‌هایی که هزینه مدل‌های مختلف را ارزیابی می‌کنند.
- مدیران فنی که به گزارش مصرف و مدیریت منابع نیاز دارند.
- کسب‌وکارهایی که به دنبال کنترل بهتر هزینه‌های زیرساخت هوش مصنوعی هستند.
رویکرد فنی: پایداری داده و استقلال لایه‌ها
در طراحی این سیستم، پایداری داده‌ها و تفکیک مسئولیت‌های اجزای مختلف سامانه مورد توجه قرار گرفته است.
بر اساس معماری اعلام‌شده برای این قابلیت، اطلاعات مصرف در چند سطح ذخیره و پردازش می‌شوند تا دسترسی به سوابق مصرف به چرخه عمر توکن وابسته نباشد.
این رویکرد با هدف بهبود قابلیت اتکا، نگهداری سوابق و فراهم‌کردن زمینه توسعه‌پذیری بلندمدت سیستم دنبال شده است.
نتیجه برای کاربران: امکان مشاهده و تحلیل شفاف‌تر مصرف API و فراهم‌شدن اطلاعات لازم برای تصمیم‌گیری آگاهانه‌تر درباره هزینه‌ها و منابع.
کنترل کامل‌تر سرعت درخواست‌های API
تعیین محدودیت اختصاصی برای هر توکن
تا پیش از فراهم‌شدن تنظیمات اختصاصی، توسعه‌دهندگان ممکن بود برای مدیریت نرخ درخواست‌ها با محدودیت‌های پیش‌فرض سرویس مواجه شوند.
در نسخه جدید، کاربران می‌توانند برای هر توکن API به‌صورت جداگانه، شیوه اعمال محدودیت درخواست را انتخاب کنند.
این قابلیت به‌ویژه برای پروژه‌هایی اهمیت دارد که چند توکن با کاربردها، سطح ترافیک یا حساسیت‌های متفاوت دارند.
دو حالت مدیریت نرخ درخواست
| ویژگی | حالت خودکار | حالت سفارشی |
|---|---|---|
| نحوه تعیین محدودیت | استفاده از تنظیمات پیش‌فرض سیستم | تعیین مقدار توسط کاربر |
| میزان کنترل کاربر | کمتر و ساده‌تر | بیشتر و دقیق‌تر |
| کاربرد پیشنهادی | استفاده عمومی و بدون نیاز به تنظیمات دستی | پروژه‌های دارای نیازهای مشخص به کنترل نرخ |
| محدوده قابل‌تنظیم | تابع سیاست‌های پیش‌فرض سرویس | از ۱ تا ۶۰ درخواست در دقیقه |
| روش تنظیم | انتخاب حالت خودکار | تنظیم مقدار با استفاده از اسلایدر |
در حالت سفارشی، کاربر می‌تواند محدودیت موردنظر خود را در بازه یک تا ۶۰ درخواست در دقیقه تعیین کند.
این محدودیت به هر توکن اختصاص دارد و امکان مدیریت مستقل توکن‌های مختلف را فراهم می‌کند.
چرا کنترل نرخ درخواست اهمیت دارد؟
۱. جلوگیری از مصرف ناخواسته
اگر یک بات یا برنامه به دلیل خطای پیاده‌سازی، درخواست‌های بیش از حد ارسال کند، محدودیت نرخ می‌تواند به کنترل شدت درخواست‌ها کمک کند.
۲. محافظت بهتر از توکن‌های مورد استفاده در برنامه‌ها
توکن‌هایی که در سرویس‌ها یا اپلیکیشن‌های مختلف استفاده می‌شوند، به سیاست‌های مدیریت دسترسی و مصرف مناسب نیاز دارند.
تعیین محدودیت درخواست یکی از ابزارهای کنترل ریسک است؛ البته به‌تنهایی جایگزین حفاظت از کلیدها، احراز هویت و مدیریت صحیح دسترسی‌ها نیست.
۳. توزیع بار میان چند توکن
تیم‌های توسعه می‌توانند برای توکن‌های مختلف، متناسب با کاربرد هرکدام، محدودیت‌های جداگانه تعیین کنند.
۴. کنترل بهتر هزینه‌ها
محدودکردن نرخ درخواست می‌تواند سرعت افزایش مصرف را در برخی سناریوها کاهش دهد و فرصت بیشتری برای شناسایی الگوهای غیرعادی فراهم کند.
۵. مدیریت پروژه‌های چندگانه
وقتی چند پروژه از API استفاده می‌کنند، تنظیم مستقل توکن‌ها امکان مدیریت بهتر نرخ درخواست در هر پروژه را فراهم می‌کند.
این قابلیت برای چه کسانی مناسب است؟
- توسعه‌دهندگان اپلیکیشن‌های مبتنی بر API.
- تیم‌هایی که چند توکن برای پروژه‌های مختلف دارند.
- سازندگان بات‌ها و سرویس‌های خودکار.
- کسب‌وکارهایی که به کنترل دقیق‌تر مصرف API نیاز دارند.
- تیم‌های فنی مسئول پایداری و مدیریت بار سرویس‌ها.
راهنمای تنظیم محدودیت درخواست
برای استفاده از این قابلیت:
- وارد پنل کاربری فیبوناچی شوید.
- به بخش مدیریت توکن‌های API مراجعه کنید.
- توکن موردنظر را انتخاب کنید.
- گزینه «محدودیت درخواست» را باز کنید.
- حالت خودکار یا سفارشی را انتخاب کنید.
- در صورت انتخاب حالت سفارشی، مقدار موردنظر را در محدوده مجاز تنظیم کنید.
با این قابلیت، کنترل نرخ درخواست از یک تنظیم عمومی به ابزاری منعطف‌تر برای مدیریت مستقل توکن‌ها تبدیل می‌شود.
Fibonacci Agentic؛ عبور از چت‌بات به عامل‌های هوشمند
هوش مصنوعی فقط پاسخ نمی‌دهد؛ می‌تواند برای انجام کارها نیز به کار گرفته شود.
برای سال‌ها، چت‌بات‌ها مهم‌ترین شکل تعامل کاربران با هوش مصنوعی بودند. کاربر سؤال می‌پرسید و مدل پاسخ می‌داد.
اما نسل جدید سامانه‌های هوشمند، علاوه بر پاسخ‌گویی، می‌تواند با استفاده از ابزارها، برنامه‌ریزی و اجرای گردش‌کارهای چندمرحله‌ای، در انجام وظایف نیز مشارکت کند.
این رویکرد با عنوان هوش مصنوعی عامل‌محور یا Agentic AI شناخته می‌شود.
فیبوناچی با توسعه Fibonacci Agentic در همین مسیر حرکت می‌کند؛ مسیری که هدف آن فراهم‌کردن بستری برای ساخت عامل‌های هوشمند مجهز به ابزارهای تخصصی است.
نسخه دوم Fibonacci Agentic
در نسخه دوم این سامانه، تعداد ابزارهای معرفی‌شده از ۳۰ ابزار در نسخه نخست به ۴۴ ابزار تخصصی افزایش یافته است.
این توسعه با هدف گسترش دامنه وظایف قابل‌اجرا، افزایش انعطاف‌پذیری و فراهم‌کردن امکان طراحی گردش‌کارهای متنوع‌تر انجام شده است.
| ویژگی | توضیحات | کاربرد |
|---|---|---|
| عامل هوشمند | استفاده از مدل برای تحلیل درخواست و هدایت مراحل انجام وظیفه | خودکارسازی فرایندهای چندمرحله‌ای |
| ابزارهای تخصصی | دسترسی به مجموعه ابزارهای قابل‌استفاده توسط عامل | افزایش دامنه وظایف |
| اجرای گردش‌کار | طراحی فرایندهایی شامل چند مرحله و عملیات | کاهش کارهای دستی تکراری |
| توسعه‌پذیری | فراهم‌کردن زمینه اتصال به ابزارها و سرویس‌های سازگار | ساخت راهکارهای اختصاصی |
| یکپارچه‌سازی | امکان استفاده از قابلیت‌های عامل در فرایندهای نرم‌افزاری | توسعه محصولات هوشمند |
تفاوت چت‌بات و عامل هوشمند
| معیار | چت‌بات متعارف | عامل هوشمند |
|---|---|---|
| وظیفه اصلی | پاسخ‌گویی به پیام کاربر | کمک به انجام وظایف و گردش‌کارها |
| استفاده از ابزار | ممکن است محدود یا غایب باشد | می‌تواند از ابزارهای متصل استفاده کند |
| فرایند چندمرحله‌ای | معمولاً محدودتر | قابلیت طراحی برای انجام مراحل متوالی |
| تعامل با سرویس‌ها | وابسته به امکانات پیاده‌سازی | امکان اتصال به سرویس‌های سازگار |
| میزان خودکارسازی | بیشتر متمرکز بر مکالمه | امکان خودکارسازی بخشی از عملیات |
البته میزان استقلال عامل، دسترسی‌های آن و عملیات قابل‌اجرا به ابزارهای متصل، تنظیمات و محدودیت‌های پیاده‌سازی بستگی دارد.
نمونه کاربردهای عامل‌های هوشمند
- گردآوری و خلاصه‌سازی اطلاعات از منابع مجاز.
- کمک به تحلیل داده‌ها و تولید گزارش.
- خودکارسازی بخشی از گردش‌کارهای سازمانی.
- کمک به توسعه و بررسی کد.
- اتصال مدل‌های هوش مصنوعی به ابزارهای نرم‌افزاری.
- ساخت دستیارهای تخصصی متناسب با نیاز کسب‌وکار.
چشم‌انداز Fibonacci Agentic، تبدیل هوش مصنوعی از یک ابزار صرفاً مکالمه‌ای به بستری برای اجرای وظایف هدفمند و توسعه راهکارهای هوشمند است.
رونمایی از سرویس MCP فیبوناچی
پلی میان مدل‌های هوش مصنوعی، عامل‌ها و ابزارهای نرم‌افزاری
یکی دیگر از قابلیت‌های مهم اکوسیستم فیبوناچی، ارائه سرویس MCP است.
MCP مخفف Model Context Protocol و یک پروتکل استاندارد برای فراهم‌کردن ارتباط میان برنامه‌های هوش مصنوعی و ابزارها یا منابع اطلاعاتی سازگار است.
این پروتکل می‌تواند فرایند اتصال عامل‌های هوشمند به سرویس‌های نرم‌افزاری را ساده‌تر کند و زمینه استفاده از ابزارهای مختلف را در یک گردش‌کار فراهم آورد.
با استفاده از سرویس MCP فیبوناچی، توسعه‌دهندگان می‌توانند امکان اتصال عامل‌های هوشمند به ابزارها و گردش‌کارهای سازگار را بررسی کنند و بر اساس نیاز پروژه خود، راهکارهای یکپارچه‌تری بسازند.
مزایای سرویس MCP
| قابلیت | ارزش برای توسعه‌دهنده |
|---|---|
| ارتباط استاندارد با ابزارهای سازگار | کاهش پیچیدگی یکپارچه‌سازی |
| اتصال عامل‌ها به سرویس‌ها | گسترش قابلیت‌های عملیاتی عامل هوشمند |
| استفاده در گردش‌کارهای توسعه | فراهم‌کردن زمینه خودکارسازی وظایف |
| طراحی راهکارهای اختصاصی | ایجاد عامل‌های متناسب با نیاز هر پروژه |
| توسعه‌پذیری | امکان گسترش قابلیت‌ها با اتصال ابزارهای جدید |
چرا MCP اهمیت دارد؟
عامل هوشمند برای انجام بسیاری از وظایف واقعی، به چیزی فراتر از مدل زبانی نیاز دارد.
برای مثال، یک عامل ممکن است برای تهیه گزارش به ابزار تحلیل داده، برای پاسخ‌گویی به اطلاعات سازمانی به یک منبع دانش و برای تکمیل یک فرایند به سرویس نرم‌افزاری دیگری نیاز داشته باشد.
MCP می‌تواند بستری استاندارد برای برقراری این ارتباط‌ها فراهم کند؛ البته نوع عملیات قابل‌اجرا به ابزارهای ارائه‌شده، مجوزهای دسترسی و پیکربندی هر سامانه وابسته است.
امنیت در استفاده از MCP
امنیت عامل‌های هوشمند و سرویس‌های متصل به آن‌ها اهمیت ویژه‌ای دارد. بنابراین، هنگام طراحی و استقرار راهکارهای مبتنی بر MCP باید به موارد زیر توجه شود:
- مدیریت امن کلیدها و اطلاعات احراز هویت.
- اعطای حداقل دسترسی موردنیاز به ابزارها.
- کنترل عملیات حساس و نیازمند تأیید انسانی.
- بررسی مجوزهای دسترسی به منابع اطلاعاتی.
- ثبت و پایش عملیات در صورت پشتیبانی زیرساخت.
- جلوگیری از افشای اطلاعات محرمانه در ورودی‌ها و خروجی‌ها.
هدف، ایجاد بستری است که توسعه‌دهندگان بتوانند عامل‌های هوشمند خود را با کنترل و مدیریت مناسب به ابزارها و فرایندهای واقعی متصل کنند.
مستندات MCP را مطالعه کنید و قابلیت اتصال عامل‌ها به ابزارها و گردش‌کارهای سازگار را متناسب با نیاز پروژه خود بررسی کنید.
راهنمای MCP و مستندات API:
https://my.fibonacci.monster/user/api-tokens/doc#mcp
آشنایی با مفهوم AI Agent:
https://fibonacci.monster/blog/what-is-an-ai-agent/
Fibonacci AI-Agent برای VS Code
دستیار هوشمند در محیط توسعه نرم‌افزار
توسعه‌دهندگان برای استفاده مؤثر از هوش مصنوعی به ابزارهایی نیاز دارند که با محیط کاری روزمره آن‌ها هماهنگ باشند.
افزونه Fibonacci AI-Agent برای محیط توسعه Visual Studio Code، امکان دسترسی به قابلیت‌های مرتبط با عامل هوشمند را در محیط برنامه‌نویسی فراهم می‌کند.
نسخه معرفی‌شده این افزونه، Fibonacci AI-Agent 1.0.2 است.
این ابزار در کنار مدل تخصصی برنامه‌نویسی fibonacci-2-coder، بخشی از اکوسیستم توسعه‌دهندگان فیبوناچی را تشکیل می‌دهد.
| قابلیت یا محصول | کاربرد |
|---|---|
| Fibonacci AI-Agent 1.0.2 | دسترسی به قابلیت‌های عامل هوشمند در VS Code |
| fibonacci-2-coder | پشتیبانی از وظایف مرتبط با برنامه‌نویسی |
| سرویس API | استفاده از قابلیت‌های مدل در نرم‌افزارهای توسعه‌یافته |
| سرویس MCP | ایجاد زمینه اتصال عامل‌ها به ابزارهای سازگار |
هدف این مجموعه، ساده‌ترکردن استفاده از هوش مصنوعی در فرایند توسعه نرم‌افزار و فراهم‌کردن بستر ساخت ابزارهای برنامه‌نویسی هوشمند است.
اکوسیستم چندوجهی هوش مصنوعی فیبوناچی
یک پلتفرم، مجموعه‌ای از قابلیت‌های هوشمند
فیبوناچی با هدف ارائه مجموعه‌ای یکپارچه از خدمات هوش مصنوعی توسعه یافته است.
این پلتفرم علاوه بر قابلیت‌های گفت‌وگومحور و مدل‌های زبانی، حوزه‌هایی مانند تولید محتوا، برنامه‌نویسی، پردازش زبان فارسی، اتصال به ابزارها و توسعه راهکارهای اختصاصی را پوشش می‌دهد.
بر اساس معرفی محصول، فیبوناچی از قابلیت‌های چندوجهی (Multimodal AI) برای کار با انواع محتوا پشتیبانی می‌کند.
جدول قابلیت‌های اکوسیستم فیبوناچی
| حوزه | قابلیت یا محصول | کاربرد اصلی |
|---|---|---|
| مدل زبانی | fibonacci-1-pro | پاسخ‌گویی و پردازش درخواست‌های متنی |
| تولید محتوا | ابزارهای تولید محتوای متنی | نگارش، بازنویسی، خلاصه‌سازی و ایده‌پردازی |
| تولید تصویر | قابلیت‌های تولید محتوای تصویری | طراحی و تولید تصاویر با هوش مصنوعی |
| محتوای صوتی | قابلیت‌های مرتبط با صوت | استفاده در کاربردهای صوت‌محور پشتیبانی‌شده |
| محتوای ویدئویی | ابزارهای مرتبط با تولید ویدئو | توسعه کاربردهای محتوای ویدئویی پشتیبانی‌شده |
| برنامه‌نویسی | fibonacci-2-coder | کمک به وظایف کدنویسی |
| تحلیل احساسات | fibonacci-2-sentiment | تحلیل احساسات با پشتیبانی از زبان فارسی |
| پایگاه دانش | RAG | پاسخ‌گویی مبتنی بر منابع اختصاصی |
| توسعه نرم‌افزار | API | اتصال قابلیت‌های مدل به محصولات و سرویس‌ها |
| اتصال ابزارها | MCP | ارتباط با ابزارها و منابع سازگار |
| هوش مصنوعی عامل‌محور | Fibonacci Agentic | طراحی و اجرای گردش‌کارهای مبتنی بر عامل |
| محیط برنامه‌نویسی | Fibonacci AI-Agent برای VS Code | استفاده از قابلیت‌های عامل هوشمند در محیط توسعه |
| راهکارهای سازمانی | داشبوردها و سامانه‌های اختصاصی | طراحی راهکارهای متناسب با نیاز سازمان‌ها |
پشتیبانی از زبان‌های مختلف
بر اساس معرفی محصول، فیبوناچی قابلیت تولید محتوا به ۳۷ زبان را هدف قرار داده است. کیفیت و سطح پشتیبانی ممکن است بر اساس زبان، مدل و نوع وظیفه متفاوت باشد.
تمرکز بر کاربردهای بومی
یکی از محورهای توسعه فیبوناچی، فراهم‌کردن قابلیت‌های متناسب با نیاز کاربران فارسی‌زبان است؛ از جمله توسعه مدل تخصصی تحلیل احساسات فارسی و ارائه ابزارهایی برای استفاده از هوش مصنوعی در محصولات نرم‌افزاری.
این رویکرد می‌تواند زمینه استفاده از هوش مصنوعی را در کسب‌وکارها، محصولات دیجیتال و راهکارهای سازمانی توسعه دهد.
راهکارهای سازمانی و داشبوردهای اختصاصی
حرکت از ابزار عمومی به راهکار متناسب با نیاز سازمان
سازمان‌ها برای استفاده مؤثر از هوش مصنوعی، معمولاً به چیزی فراتر از یک چت‌بات عمومی نیاز دارند.
دسترسی به اطلاعات اختصاصی، اتصال به سامانه‌های موجود، مدیریت سطح دسترسی، تحلیل داده‌ها و طراحی گردش‌کارهای متناسب با نیاز عملیاتی از جمله موضوعاتی هستند که در توسعه راهکارهای سازمانی باید مورد توجه قرار گیرند.
اکوسیستم فیبوناچی با قابلیت‌هایی مانند API، RAG، عامل‌های هوشمند و MCP، زمینه فنی لازم برای طراحی طیف متنوعی از راهکارهای اختصاصی را فراهم می‌کند.
نمونه کاربردهای سازمانی
| راهکار | کاربرد | ارزش بالقوه برای سازمان |
|---|---|---|
| دستیار سازمانی مبتنی بر RAG | پاسخ‌گویی بر اساس اسناد و دستورالعمل‌های داخلی | تسهیل دسترسی به دانش سازمانی |
| داشبورد هوشمند | تحلیل اطلاعات و ارائه گزارش | تسریع فرایند تصمیم‌گیری |
| دستیار تحلیل داده | کمک به تفسیر داده‌ها و تولید گزارش | کاهش بخشی از کارهای تحلیلی تکراری |
| عامل هوشمند سازمانی | اجرای گردش‌کارهای تعریف‌شده با ابزارهای متصل | افزایش ظرفیت خودکارسازی |
| سامانه پرسش‌وپاسخ | پاسخ‌گویی به درخواست‌های کاربران یا کارکنان | بهبود دسترسی به اطلاعات |
| دستیار برنامه‌نویسی | پشتیبانی از تیم‌های توسعه نرم‌افزار | کمک به افزایش بهره‌وری فنی |
پیاده‌سازی هر راهکار سازمانی باید بر اساس نیازسنجی، معماری سامانه، سطح محرمانگی اطلاعات، سیاست‌های دسترسی و الزامات امنیتی همان سازمان انجام شود.
مدیریت مصرف، کنترل دسترسی و امنیت
افزایش استفاده از API و عامل‌های هوشمند، اهمیت مدیریت منابع و کنترل دسترسی را بیشتر می‌کند.
قابلیت‌های جدید فیبوناچی، ابزارهای بیشتری برای مشاهده مصرف و کنترل نرخ درخواست در اختیار کاربران قرار می‌دهند؛ اما طراحی یک راهکار امن، علاوه بر این امکانات، به سیاست‌های مناسب مدیریت دسترسی و حفاظت از اطلاعات نیاز دارد.
در پروژه‌های مبتنی بر API، رعایت موارد زیر توصیه می‌شود:
- نگهداری کلیدهای API در محیط امن و اجتناب از انتشار آن‌ها در کدهای عمومی.
- تعیین محدودیت درخواست متناسب با نیاز هر توکن.
- پایش مصرف و بررسی تغییرات غیرعادی.
- تفکیک توکن‌های مربوط به محیط‌های توسعه، آزمایش و تولید.
- محدودکردن دسترسی عامل‌ها به ابزارهای موردنیاز.
- بررسی شرایط نگهداری و پردازش داده‌ها در سرویس مورد استفاده.
- تعیین ضوابط مناسب برای استفاده از اطلاعات محرمانه و سازمانی.
برای استفاده سازمانی، باید محل پردازش داده‌ها، شرایط نگهداری اطلاعات، سیاست‌های ثبت سوابق و کنترل دسترسی به‌صورت مشخص بررسی شوند.
نسخه ۴.۲ چه تغییری در تجربه کاربران ایجاد می‌کند؟
مجموعه تغییرات این نسخه را می‌توان در چهار محور اصلی خلاصه کرد:
| محور | تغییر اصلی | نتیجه مورد انتظار |
|---|---|---|
| هوشمندی | توسعه قابلیت‌های RAG و ارائه سطوح تفکر | پاسخ‌گویی متناسب‌تر با نیاز |
| توسعه‌پذیری | API، MCP و عامل‌های هوشمند | ایجاد راهکارهای متنوع‌تر |
| شفافیت | گزارش مصرف و داشبورد تحلیلی API | درک بهتر هزینه‌ها و الگوی مصرف |
| کنترل | تنظیم محدودیت درخواست برای هر توکن | مدیریت بهتر نرخ درخواست‌ها |
این تغییرات به کاربران امکان می‌دهند از فیبوناچی نه‌تنها برای تعاملات روزمره، بلکه برای توسعه محصولات نرم‌افزاری و طراحی راهکارهای هوشمند تخصصی نیز استفاده کنند.
آینده فیبوناچی؛ از تولید محتوا تا اجرای وظایف هوشمند
نسخه ۴.۲ را می‌توان گامی در مسیر توسعه یک اکوسیستم جامع هوش مصنوعی دانست؛ اکوسیستمی که در آن مدل‌های زبانی، ابزارهای تخصصی، پایگاه‌های دانش، API و عامل‌های هوشمند در کنار یکدیگر قرار می‌گیرند.
چشم‌انداز این مسیر، فراهم‌کردن بستری برای توسعه راهکارهایی است که بتوانند متناسب با نیاز کاربران و سازمان‌ها، اطلاعات را تحلیل کنند، به منابع دانش دسترسی داشته باشند، از ابزارهای سازگار استفاده کنند و بخشی از فرایندهای تکراری را خودکارسازی کنند.
در این مسیر، سه اصل اهمیت ویژه‌ای دارند:
۱. هوشمندی کاربردی: توسعه قابلیت‌هایی که در مسائل واقعی کاربران و کسب‌وکارها قابل‌استفاده باشند.
۲. کنترل و شفافیت: فراهم‌کردن ابزارهایی برای مدیریت مصرف، نظارت بر درخواست‌ها و انتخاب متناسب‌تر مدل‌ها.
۳. توسعه‌پذیری: ایجاد زمینه اتصال مدل‌ها و عامل‌های هوشمند به نرم‌افزارها، ابزارها و گردش‌کارهای مختلف.
فیبوناچی با توسعه مستمر مدل‌ها و سرویس‌های خود، در مسیر گسترش کاربردهای هوش مصنوعی بومی و فراهم‌کردن ابزارهای متنوع‌تر برای کاربران فارسی‌زبان حرکت می‌کند.
همین حالا نسخه ۴.۲ فیبوناچی را به‌روزرسانی کنید!
🟠 دانلود فیبوناچی از کافه‌بازار
Fibonacci AI 4.2 | هوش عمیق‌تر، امکانات بیشتر، کنترل هوشمندتر
برای کاربران API و توسعه‌دهندگان:
به پنل کاربری فیبوناچی مراجعه کنید و مستندات سرویس‌های API، مدیریت توکن‌ها و MCP را بررسی کنید.
برای توسعه‌دهندگان عامل‌های هوشمند:
Fibonacci AI v4.2
هوش عمیق‌تر؛ کنترل بیشتر؛ ابزارهای قدرتمندتر
فیبوناچی؛ از گفت‌وگو با هوش مصنوعی تا ساخت راهکارهای هوشمند.
این تازه آغاز مسیر است.
