دستیارهای گردش کار
دستیارهای گردش کار نوع پیشرفتهای از دستیاران AI در AI-School هستند. به جای یک گفتگو آزاد بدون ساختار مشخص، کاربر یک فرایند از پیش تعیینشده را طی میکند — با هدایت AI. این امکان را میدهد تا فرایندهای پیچیده، چندمرحلهای را به صورت خودکار اجرا کنید، مانند یک درس کامل از ابتدا تا انتها.
آنچه یک دستیار گردش کار است؟
یک دستیار گردش کار از یک رابط کاربری گرافیکیِ گردش کار از گرهها (nodes) تشکیل میشود که با پیکانها (edges) به هم وصل شدهاند. هر گره وظیفه مشخصی اجرا میکند، مانند:
- شروع / پایان — نقطه آغاز و پایان گردش کار
- ارزیابی — تحلیل زمینه و ذخیرهسازی اطلاعات ساختیافته در حافظه
- شرط — ارزیابی یک بیان و هدایت جریان به سمت مسیر درست
- LLM — فراخوانی یک مدل زبان برای کار خاص (اختیاری: منتظر ورودی کاربر)
- تاییدیه — پرسش بله/خیر و هدایت جریان بر اساس پاسخ
- زیرعامل - اجرای همان کار به طور موازی برای موارد متعدد، مثلاً یک دانشآموز در هر دور تصحیح
گردش کار وضعیت خود را خودکار پس از هر گام ذخیره میکند. هنگامی که کاربر ورودی بدهد، گردش کار دقیقاً از جایی که بود ادامه مییابد.
ایجاد دستیار گردش کار
به دستیاران → دستیار جدید بروید و نوع دستیار گردش کار را انتخاب کنید. میتوانید از یک بوم خالی یا از یکی از پیشتنظیمهای از پیش پیکربندیشده استفاده کنید.
تنظیمات عمومی
هنگام ایجاد یا ویرایش یک گردش کار، تنظیمات عمومی را از طریق پنل تنظیمات پیکربندی کنید. این تنظیمات برای کل گردش کار اعتبار دارد:
- Model: مدل AI که توسط تمام گامها استفاده میشود. برای کل گردش کار یک مدل را انتخاب کنید.
- Tools: ابزارهای در دسترس در گردش کار (مثلاً ثبت، جستجوی SLO، جستجوی اینترنت). ابزارهای فعال برای همه گامهای LLM در دسترس هستند، مگر آنکه در هر گام آنها را غیرفعال کنید.
- MCP servers: اتصالات خارجی که در گردش کار در دسترس هستند.
- Documents: فایلهایی که گامهای LLM میتوانند به آنها استناد کنند.
- Images: تصاویر که گامهای LLM میتوانند استفاده کنند.
همچنین میتوانید تعیین کنید که آیا کاربر اجازه افزودن فایلها یا تصاویر در طول چت را دارد یا نه.
فایلها در فرمهای گردش کار
گردش کار میتواند از کاربر بخواهد فایلها را ارائه دهد، مثلاً یک آزمون، یک مدل تصحیح یا آثار دانشآموزان را ارسال کند. در چنین سؤالی برای فایل، کاربر میتواند:
- یک فایل جدید آپلود کند
- یک فایل موجود را از مدیریت فایلها انتخاب کند
- برای هر پرسش تعیین کند کدام فایل به کدام بخش مربوط است
فایلهای جدید ابتدا پردازش میشوند. گردش کار فقط وقتی میتواند با اطمینان به جلو برود که پردازش کامل شده باشد. اگر یک پرسش فایل اجباری هنوز در حال اجرا است یا شکست خورده است، کاربر باید منتظر بماند یا فایل را دوباره انتخاب/آپلود کند.
فایلهایی که از طریق فرم گردش کار اضافه میشوند، به عنوان فایلهای دستیار برای همان چت در دسترس هستند. آنها به طور خودکار به عنوان فایلهای چت عادی انتخاب نمیشوند.
تنظیمات هر گام
در هر گام LLM میتوانید ابزارها، فایلها و تصاویر فعال به طور کلی را برای آن گام خاص غیرفعال کنید. این به شما کنترل دقیقی بر اینکه کدام ابزارها در کدام گام در دسترس هستند میدهد. شما نمیتوانید در سطح گام چیزی اضافه کنید که از قبل فعال نیست.
برای اکثر کاربران، یک preset بهترین نقطه آغاز است. شما میتوانید preset را با نیازهای خود سازگار کنید.
مثال: دستیار درس
دستیار درس یک preset از پیش آماده است که به طور ویژه برای آموزش طراحی شده است. او کاربر را از ابتدا تا پایان با یک درس کامل همراهی میکند: از تع یین موضوع و سطح، از طریق اهداف یادگیری و توضیحات، تا تمرینها و جمعبندی نهایی.
نمای کلی گردش کار
دستیار درس از گامهای (گرهها) زیر تشکیل شده است، به ترتیب:
گام به گام توضیح داده شده
1. شروع
گردش کار زمانی آغاز میشود که کاربر چت را باز کند و پیام اول خود را بفرستد.
2. Triage: Lesonderwerp (evalueer-node)
وظیفه چیست؟ هوش مصنوعی پیغام کاربر را تحلیل کرده و سعی میکند تشخیص دهد:
- موضوع — درس در مورد چیست؟ (مثلاً "قانون اهرم")
- سطح — پایه، متوسط یا پیشرفته؟
- معلومات کافی؟ — آیا زمینه کافی وجود دارد تا اهداف یادگیری را مستقیماً تعیین کرد؟
این نتیجه در حافظه گردش کار ذخیره میشود.
3. معلومات کافی؟ (conditie-node)
اگر اطلاعات کافی بود (voldoende_info = true)، گردش کار به طور مستقیم به تعیین اهداف یادگیری میرود.
اگر اطلاعات کم بود، به جمعآوری اطلاعات میرود.
4. جمعآوری اطلاعات (LLM-node, wacht op invoer)
وظیفه چیست؟ هوش مصنوعی سوالات هدفمند از کاربر میپرسد تا موضوع و سطح مطلوب را روشن کند. به محض پاسخ کاربر، جریان به Triage: Lesonderwerp برمیگردد تا دوباره ارزیابی کند.
مثالی از گفتگو:
🤖 "خیلی خوب ک ه اینجا هستی! برای اینکه بتوانم به خوبی کمک کنم، چند سوال کوتاه: 1. درباره کدام موضوع میخواهی درس بگیری؟ 2. در چه سطحی هستی؟ (پایه / متوسط / پیشرفته)"
👤 "havo 3 natuurkunde, hefboomwet"
پس از این پاسخ، triage دوباره ارزیابی میکند و مشخص میکند: voldoende_info = true.
5. تعیین اهداف یادگیری (LLM-node)
وظیفه چیست؟ هوش مصنوعی یک فهرست عددگذاری شده از حداکثر 4 تا 5 هدف یادگیری مشخص و قابل اندازهگیری برای موضوع و سطح ارائه میدهد.
نمونه خروجی:
اهداف یادگیری برای قانون اهرم – havo 3 (متوسط):
- میتوانی قانون اهرم را فرمولبندی کنی و فرمول F₁ × r₁ = F₂ × r₂ را توضیح دهی.
- میتوانی محاسباتی انجام دهی که نیروها یا بازوها را پیدا میکند.
- میتوانی قانون اهرم را در مثالهای عملی به کار ببری (کاغذبازی، بیل، تاب).
- میتوانی تفاوت بین اهرم نوع اول، دوم و سوم را توضیح دهی.
6. تایید اهداف یادگیری (goedkeuring-node)
وظیفه چیست؟ هوش مصنوعی از کاربر میپرسد آیا اهداف یادگیری تعیینشده خوب هستند و آیا درس میتواند آغاز شود.
- بله → به درس برو
- خیر → به تعیین مجدد اهداف یادگیری برگرد
کاربر میتواند اهداف را از طریق منوی بازشونده در چت ببیند.
7. Triage: Leerdoelen (evalueer-node)
وظیفه چیست؟ بعد از هر چرخه درس، هوش مصنوعی بررسی میکند که آیا کاربر همه اهداف یادگیری را مسلط شده است. این ارزیابی دقیق است: کاربر باید هر هدف را به طور قابل اثباتی درک کند.
8. آیا همه اهداف یادگیری درک شدند؟ (conditie-node)
- Ja → به عملیات تمرینها برو
- Nee → به رهآهنگ درس برای هدف یادگیری بعدی برو
9. رهآهنگ درس (LLM-node, wacht op invoer)
وظیفه چیست؟ هوش مصنوعی درس را در مورد موضوع، گام به گام، با استفاده از اهداف یادگیری تعیینشده ارائه میدهد. پس از هر بخش، هوش مصنوعی یک سؤال درک ارائه میدهد. تنها زمانی درس ادامه مییابد که کاربر نشان دهد هدف یادگیری را فهمیده است.
پس از ورودی کاربر، جریان به Triage: Leerdoelen برمیگردد تا پیشرفت را ارزیابی کند.
مثال:
🤖 "با هدف یادگیری 1 شروع میکنیم: قانون اهرم. یک اهرم میلهای مقاوم است که به نقطه تکیه میچرخد. نیرویی که لازم است به فاصله تا نقطه تکیه بستگی دارد. فرمول است:
F₁ × r₁ = F₂ × r₂
میتوانی توضیح بدهی که r₁ و r₂ در این فرمول چه معنایی دارند؟"
10. رهآهنگ تمرینها (LLM-node, wacht op invoer)
وظیفه چیست؟ هوش مصنوعی حداقل یک پرسش تمرین برای هر هدف یادگیری مطرح میکند. کاربر به سوالات پاسخ میدهد و جریان به سمت Feedback agent میرود.
11. عامل بازخورد (LLM-node, wacht op invoer)
وظیفه چیست؟ هوش مصنوعی بازخورد دقیق و شخصی درباره تمرینهای انجامشده ارائه میدهد. برای هر هدف یادگیری این که چه خوب بود و چه نیاز به بهبود دارد بررسی میشود. لحن صادق اما تشویقآمیز است.
12. جمعبندی؟ (goedkeuring-node)
هوش مصنوعی میپرسد که آیا کاربر میخواهد جمعبندی انجام شود یا هنوز تمرین بیشتری لازم است.
- Ja → به Samenvatting برو
- Nee → به Oefeningen agent برای دورۀ جدید بازگرد
13. Samenvatting (LLM-node)
وظیفه چیست؟ هوش مصنوعی یک جمعبندی روشن از تمام مطالب درس را ارائه میدهد، به همراه بازخورد شخصی و انگیزشی درباره عملکردها.
14. Einde
گردش کار با پیام اختتامیهای تشویقکننده پایان مییابد.
"به خوبی در این درس کار کردی و تا دفعهی بعد!"
کل конверساس کامل
در اینجا یک مکالمه نمونه کوتاه با دستیار درس در مورد قانون اهرم، havo 3:
| چه کسی | پیام |
|---|---|
| 👤 کاربر | سلام |
| 🤖 د ستیار درس | خیلی خوب که اینجا هستی! درباره چه موضوعی میخواهی درس بخوانی و در کدام سطح؟ |
| 👤 کاربر | havo 3 natuurkunde, hefboomwet |
| 🤖 دستیار درس | عالی! من 4 هدف یادگیری تعیین کردم. میخواهی درس را با این اهداف آغاز کنیم؟ |
| 👤 کاربر | بله |
| 🤖 دستیار درس | با هدف یادگیری 1 شروع میکنیم: قانون اهرم. (توضیح + پرسش مفهومی) |
| 👤 کاربر | (پاسخ به پرسش مفهومی) |
| 🤖 دستيار درس | (ادامه درس برای هدفهای 2، 3، 4 ...) |
| 🤖 دستيار درس | تو همه اهداف را طی کردی! زمان تمرینها... |
| 👤 کاربر | (پاسخ به سوالات تمرین) |
| 🤖 دستیار درس | (بازخورد شخصی) آیا میخواهی جمعبندی یا تمرین بیشتری انجام بدهی؟ |
| 👤 کاربر | جمعبندی |
| 🤖 دستیار درس | (جمعبندی + پایاننصیبی انگیزشی) |
پیگیری پیشرفت
هنگامی که با یک دستیار گردش کار صحبت میکنید، میتوانید پیشرفت را از طریق دکمهی Workflow در سمت راست ورودی چت مشاهده کنید. کلیک روی این دکمه پنجرهای با موارد زیر باز میکند:
- همه گامهای گردش کار (کناری و گرههای شرطی و یادداشت نمایش داده نمیشوند)
- وضعیت هر گام:
- ⬜ منتظر: هنوز رسیدن ندارد
- 🔄 فعال: در حال اجرا است
- ✅ کامل شد: با موفقیت انجام شد
- ⏸️ منتظر ورودی: منتظر پاسخ کاربر
- ⏭️ عبور کرده: انجام نشده (مثلاً به دلیل شرطی)
- ❌ خطا: خطایی رخ داده است
ایجاد یک گره ارزیابی
یک evalueer-node (گره ارزیابی) اطلاعات را از گفتوگو استخراج کرده و در حافظه گردش کار ذخیره میکند. گرههای شرطی میتوانند آن مقادیر را بخوانند تا جریان را به سمت گره مناسب بعدی هدایت کنند.
پیکربندی
- یک گره ارزیابی به گردش کار اضافه کنید.
- یک سِستيپ(system prompt) بنویسید که توضیح دهد هوش مصنوعی چه چیزی باید تحلیل کند و چه نتیجهای باید بگیرد.
- تعریف کنید exécution schema با فیلدها:
- نام فیلد: کلیدی که برای پرسش مقدار بعدی استفاده میکنید (مثلاً
voldoende_info,niveau,route). - نوع:
string(متن)،number(عدد)،boolean(بله/خیر)، یاenum(انتخاب از مقادیر ثابت). برایenumمقادیر مجاز را با ویرگول جدا کنید.
- نام فیلد: کلیدی که برای پرسش مقدار بعدی استفاده میکنید (مثلاً
- حداکثر iteration را تنظیم کنید تا گره بیپایان نگردد.
مقادیر حافظه
مقادیر ذخیرهشده از طریق پیشفیلم state. در گرههای شرطی قابل دسترسی هستند، برای مثال state.voldoende_info یا state.niveau.
تنظیم یک گره شرطی
یک (conditie-node) expressions را بر پایه حافظه گردش کار ارزیابی میکند و جریان را به گام بعدی مناسب هدایت میکند.
شاخهها
یک گره شرطی دارای یک یا چند شاخه است:
- اگر (if): اولین شرطی که ارزیابی میشود.
- در غیر این صورت (else-if): شروط اضافی اختیاری.
- در غیر این صورت (else): مسیر استاندارد اگر هیچ شرطی درست نباشد.
نوشتن عبارات
عبارات به زبان CEL (Common Expression Language) نوشته میشوند:
| رفتار مطلوب | عبارت |
|---|---|
| فیلد برابر true است | state.voldoende_info == true |
| فیلد مقدار ثابتی دارد | state.niveau == "gevorderd" |
| مقایسه عددی | state.score > 7 |
| چند شرط | state.niveau == "basis" && state.score < 5 |
تعیین اتصالات
از گره شرطی اتصالات جداگانه برای هر شاخه به گره بعدی مناسب ترسیم کنید. ویرایشگر برای هر شاخه یک خروجی مخصوص روی گره نش ان میدهد.
استفاده از یک گره زیرعامل
یک Subagent برای کارهایی که باید به چندین بار به همان شکل انجام شوند طراحی شده است. گره با یک فهرست از آیتمها از حافظه گردش کار استفاده میکند و برای هر آیتم اجرای جداگانه با زمینهای مجزا آغاز میکند.
کاربردهای عملی:
- ارزیابی تک تک دانشآموزان برای یک آزمون
- تحلیل برای هر سند
- ایجاد یک خلاصه برای هر فرم پر شده
- ثبت گزارش برای هر بخش
پیکربندی
- اطمینان حاصل کنید که گره ارزیابی قبلی، فهرستی از آیتمها را در حافظه گردش کار ذخیره میکند، مثلاً
leerlingen_json. - یک گره Subagent اضافه کنید.
- منبع آیتمهای آن را تعیین کنید.
- در صورت نیاز یک فیلد برچسب مشخصکن اضافه کنید تا پیشرفت قابل تشخیص باشد.
- حداكثر اجرای موازی را تعیین کنید.
- مشخص کنید کلید حافظهای که نتایج در آن ذخیره شوند.
مرکز زیرعامل همواره فقط آیتمی را که در حال حاضر پردازش میشود، در نظر میگیرد. بنابراین prompt را به طور صریح به آیتم فعلی ارجاع دهید و از پردازش همزمان چند آیتم توسط AI خودداری کنید.
ثبت در گردش کار
ابزار ثبت به طور ویژه در گردش کار مفید است. با آن AI میتواند میاننتیجهها یا نتایج نهایی را به عنوان اسناد قابل ویرایش در پنل کناری ذخیره کند.
تنظیم
- ابزار ثبت را از طریق تنظیمات عمومی گردش کار فعال کنید.
- در سیستم Prompt گام مطلوب LLM، دستوری اضافه کنید تا محتوای خاصی را ثبت کند. ابزار را برای آن گام فعال کنید (یا به طور کلی روشن بگذارید).
نمونه
در یک گام اهداف یادگیری، میتوانید در سیستم Prompt بنویسید:
"اهداف یادگیری را برای موضوع و سطح دادهشده وضع کن. سپس بلافاصله اهداف یادگیری را با ابزار ثبت ثبت کن، با عنوان 'اهداف یادگیری'."
کاربر میتواند اسناد ثبتشده را از طریق دکمه ثبت (📄) در نوار ابزار چت مشاهده کند.
بازیابی گفتوگو
اگر در میانه درس هستید و میخواهید به نقطهای قبلی بازگردید، میتوانید این کار را از طریق کلید بازنشانی (آیکون تاریخچه) در یک پیام قبلی انجام دهید. این کار تمامی پیامهای پس از آن نقطه را حذف میکند و گردش کار را از همان لحظه دوباره فرا میخواند.
بازنشانی دائمی است — پیامهای حذفشده دیگر در دسترس نیستند.
ویرایش گردش کار
به عنوان مدیر، میتوانید یک گردش کار موجود را باز کرده و در ویرایشگر گردش کار اصلاح کنید. روی یک گره کلیک کنید تا پیکربندی آن را تغییر دهید، گرههای جدید را از طریق منوی راستکلیک اضافه کنید یا اتصالات را به گرههای دیگر بکشید.
برای یک گردش کار کاملاً جدید میتوانید با یک بوم خالی یا یکی از presets دیگر آغاز کنید.