محیط‌های اجرای عملیاتی و صف‌های ایجنت

@activity("call_llm")         # هر فراخوانی LLM یک اکتیویتی است
def call_llm(doc_count: int) -> str:
    return f"summary({doc_count}_docs)"
hit = log.lookup(name, args)  # رویداد done با آرگومان‌های یکسان
if hit:
    return hit["result"]      # بازپخش، بدون اجرای جدید
log.append({"name": name, "args": list(args), "status": "started"})
result = fn(*args)            # فقط زمانی اجرا می‌شود که در لاگ نباشد
log.append({"name": name, "args": list(args),
            "status": "done", "result": result})

store = CheckpointStore(db_path)                         # چک‌پوینت‌های جدول SQLite
store.write(thread_id, super_step, dict(state))          # یک سطر به ازای هر گام
restored = store.latest(thread_id)                       # ORDER BY super_step DESC
super_step, state = restored
super_step += 1                                          # ادامه پس از آخرین گام
run_agent_with_checkpoint(store, "t-1", crash_at=3, goal=5)
final = run_agent_with_checkpoint(store, "t-1", goal=5)  # ورکر 2
await asyncio.gather(*(sim_llm_call_async() for _ in range(n)))

ALLOWED = {"inventory.list", "metrics.read", "logs.read"}
validate_plan(raw, scope)      # یک تا ده اقدام، فقط-خواندنی، درون دامنه
execute(plan, provider, max_steps=5, max_chars=4000)
# بیش از سقف بودجه: وضعیت budget_exhausted
request_key(operation, resource) # sha256 of the JSON pair
cached_read(operation, resource, provider, cache, retries=2)
# اصابت به کش: 0 تلاش. تلاش مجدد فقط برای TimeoutError
run(payload, provider)         # افزودن رسیدها با مشخصات cached و attempts
parse_model_plan(text, scope)  # برنامه‌ی مدل به validate_plan ارسال می‌شود