مقدمهٔ Tiny Agents
در دنیای امروز، تلاش برای ساده کردن تعامل با مدل‌های زبانی بزرگ (LLM) ادامه دارد. پروژهٔ Tiny Agents که در ۵۰ خط کد نوشته شده، یک عامل هوشمند مبتنی بر پروتکل MCP را معرفی می‌کند تا کاربران به راحتی ابزارهای خارجی را در جریان تفکر مدل یکپارچه کنند.
ساختار ۵۰ خط کد
ساده‌ترین و موثرترین نمونهٔ کد، به‌صورت زیر است. این کد بدون اضافه‌بار، یک حلقهٔ اصلی دارد که در هر تکرار ورودی کاربر را به مدل می‌فرستد و خروجی بازگشتی همراه با ابزارهای پیشنهاد شده را مدیریت می‌کند.
- یکپارچه‌سازی سریع با MCP و سرویس‌های Hugging Face
- دستگاه‌پذیری بالا با کتابخانهٔ huggingface_hub در پایتون
- سازگاری با ابزارهای خارجی بدون نیاز به تنظیمات پیچیده
MCP و امکانات آینده
پروتکل MCP (Model Context Protocol) یک استاندارد برای تبادل لاگ و ابزار فراهم می‌کند. Tiny Agents با بهره‌گیری از این پروتکل، به کاربر اجازه می‌دهد تا به‌راحتی ابزارهای پیشرفته مانند جستجوی وب یا استخراج داده را به مدل اضافه کند. این امکان باعث می‌شود استعدادهای LLM در زمینه‌های تخصصی پیچیده به حداکثر برسد.
پیشنهاد ما این است که در آینده جامعهٔ متن باز، ابزارهای برتر را در قالب MCP expose کرده و با Tiny Agents ادغام کند؛ در نتیجه برنامه‌نویسان می‌توانند بدون نوشتن کد بزرگ، سیستم‌های هوش مصنوعی پیشرفته بسازند.
پرسش‌های پرتکرار
MCP چیست و چگونه با Tiny Agents کار می‌کند؟
MCP مخفف Model Context Protocol است که استانداردی برای تبادل دستورات، ابزارها و لاگ‌ها بین مدل‌های زبان و سرویس‌های خارجی تعریف می‌کند. Tiny Agents به‌عنوان یک عامل LLM، از این پروتکل استفاده می‌کند تا به‌راحتی ابزارهای موجود در سرورهای MCP را فهرست کند و در حین اجرای مکالمه، ابزارهای مناسب را فراخوانی کند.
چگونه می‌توان در پروژه‌های خود Tiny Agents را پیاده‌سازی کرد؟
ابتدا کتابخانهٔ <strong>huggingface_hub</strong> را در پایتون نصب کنید. سپس یک نمونه از <strong>InferenceClient</strong> بسازید و از متدهای <strong>push_tool</strong> برای اضافه‌کردن ابزارهای موردنظر استفاده کنید. در حلقه اصلی، ورودی کاربر را به مدل ارسال کنید و بر اساس خروجی و پیشنهادهای tool، همان ابزار را فراخوانی کنید. مراحل کامل در مستندات رسمی Hugging Face و نمونهٔ ۵۰ خط کد در GitHub آمده است.
