Esimese osa meie sarjast käsitles ettevõtete efektiivsuse suurendamise strateegiaid AI-agentide abil. Need agendid, erinevalt iseseisvatest mudelitest, täiendavad ülesandeid iteratiivselt konteksti ja tööriistade abil, parandades selliseid tulemusi nagu koodi genereerimine. Multi-agent süsteemid võivad hõlbustada suhtlemist osakondade vahel, viies suurema produktiivsuse, vastupidavuse ja kiirem alla laadimiste võimaluseni. Edu peamised tegurid hõlmavad rollide ja töövoogude kaardistamist ning turvameetmete, nagu inimeste järelevalve ja veakontrollide, rakendamist ohutu töö tagamiseks. Vaatleme neid olulisi elemente. **Turvameetmed ja Autonoomia:** Agendid, olles iseseisvad, vajavad mitmesuguseid turvameetmeid, et vähendada vigu, raiskamist, õiguslikke riske või kahjulikke mõjusid autonoomse töötamise ajal. Kuigi kõigi nende turvameetmete rakendamine võib olla liigne, on oluline hinnata iga agendi vajadust. Agent ei tohiks tegutseda autonoomselt, kui ükski nendest tingimustest on täidetud. **Inimese sekkumise tingimused:** Eelmääratletud reeglid peaksid määrama, millal on vaja inimese kinnitust. Need reeglid, mis on iga juhtumi jaoks spetsiifilised, saab integreerida agendi ülesandesse või rakendada deterministliku välise koodiga. Näiteks peab ostuagent kõik tegevused inimesega kinnitama enne edasi minemist. **Turvaagendid:** Agendi sidumine turvaagendiga, et kontrollida riskantset või ebaeetilist käitumist, tagab vastavuse. Agent peab oma tegevused kinnitama turvaagendi heakskiiduga enne jätkamist. **Ebamäärasuse haldamine:** Meie laboris arendati välja tehnika, mis võimaldab mõõta suurte keelemudelite (LLM-id) väljundite ebamäärasust, vähendades hallutsinatsioonide võimalusi. Kuigi see suurendab töökindlust, tõstab see ka kulusid ja aeglustab süsteemi, seega on soovitatav ainult kriitiliste agentide puhul. **Katkestusnupp:** Meetod kõigi autonoomsete protsesside peatamiseks on vajalik süsteemi ebajärjekindluste või vigade avastamisel, et tagada, et kriitilised töövood ei muutuks täielikult manuaalseks. **Agentide loodud töökorraldused:** Mitte kõik agendid ei pea olema kohe rakendustesse ja API-desse integreeritud.

Kohatäite-tööriistad saavad luua aruandeid või töökorraldusi manuaalseteks toiminguteks, aidates kaasa agentide võrgustike paindlikule arengule. **Testimine:** LLM-idel põhinevad agendid, kuigi vastupidavad, puudub järjepidevus ja läbipaistvus, mis nõuab kohandatud testimisstrateegiat. Generatiivne AI võib luua testjuhtumeid ning liivakastimis võimaldab süsteemide ohutut ja kontrollitud skaleerimist. **Peenhäälestus:** Vastupidiselt uskumusele ei parane generatiivne AI ainuüksi kasutamisega. LLM-e saab peenhäälestada agendi logide ja märgistatud eelistuste abil, et parandada käitumist. **Kitsaskohad:** Multi-agendi süsteemid võivad ummikusse sattuda, mis nõuab aeganäituse mehhanisme. Agente ei tohiks üle koormata ootuste või pikkade juhistega. Granuleerimine, ehk agentide jaotamine hallatavateks ülesanneteks, võib selliseid probleeme leevendada. Süsteemid kasutavad tihti koordinaator-agentit, millel on oht ühe rikkeallika kujul. Torujuhtme töövoog, kus agendid annavad ülesandeid järjestikku, on soovitatav. Ülekoormatud agente võivad segadusse ajada liigne konteksti edasiandmine. Agendid peaksid säilitama oma konteksti, sarnaselt veebisaidi sessioonidele. Lõpuks peaks LLM-ide võimed vastama üsna kõrgele standardile. Uued ärilised ja avatud lähtekoodiga agendid seda saavutavad, kuigi nad on kulukad ja aeglasemad kui traditsioonilised tarkvarasüsteemid. Kulude ja kiiruse ootuste kohandamine on tõhusate multi-agent süsteemide jaoks vajalik.