हमारी श्रृंखला के पहले भाग में, हमने AI एजेंटों का उपयोग करके उद्यम की दक्षता बढ़ाने की रणनीतियों का अन्वेषण किया। ये एजेंट, स्वतंत्र मॉडलों की तरह नहीं होते, ये कार्यों को संदर्भ और उपकरणों के साथ दोहराकर सुधारते हैं, जैसे कि कोड उत्पादन को बेहतर बनाते हैं। बहु-एजेंट प्रणाली विभागों में संचार को सुगम बना सकती है, जिससे अधिक उत्पादकता, लचीलापन, और तेज उन्नयन होता है। सफलता के प्रमुख कारकों में भूमिकाओं और वर्कफ़्लो का नक्शा बनाना, और मानव की देखरेख तथा त्रुटि जांच जैसे सुरक्षा उपायों को लागू करना शामिल होता है ताकि संचालन सुरक्षित रहें। आइए इन महत्वपूर्ण तत्वों की समीक्षा करें। **सुरक्षा उपाय और स्वायत्तता:** एजेंट, स्वायत्त होने के कारण, स्वायत्त संचालन के दौरान त्रुटियों, अपव्यय, कानूनी जोखिम, या हानिकारक प्रभावों को कम करने के लिए विभिन्न सुरक्षा उपायों की आवश्यकता होती है। हालांकि सभी सुरक्षा उपायों को लागू करना आवश्यकता से अधिक हो सकता है, प्रत्येक एजेंट के लिए उनकी आवश्यकता का मूल्यांकन करना महत्वपूर्ण है। यदि इनमें से कोई भी शर्त पूरी होती हो, तो एजेंट को स्वायत्त रूप से संचालित नहीं होना चाहिए। **मानव हस्तक्षेप की शर्तें:** पूर्व परिभाषित नियम यह निर्धारित करने चाहिए कि कब मानव पुष्टि आवश्यक है। ये नियम, प्रत्येक मामले के लिए विशिष्ट हो सकते हैं, और एजेंट के प्रस्ताव में या निर्धारित बाहरी कोड के माध्यम से लागू किए जा सकते हैं। उदाहरण के लिए, एक खरीदारी एजेंट को किसी भी कार्यवाही से पहले सभी कार्यों की एक मानव के साथ पुष्टि करनी चाहिए। **सुरक्षा एजेंट:** जोखिमपूर्ण या अनैतिक व्यवहार की जांच के लिए एक एजेंट को सुरक्षा एजेंट के साथ जोड़ा जा सकता है, जो अनुपालन सुनिश्चित करता है। एजेंट को सुरक्षा एजेंट की मंजूरी से पूर्व अपने कार्यों की पुष्टि करनी चाहिए। **अनिश्चितता प्रबंधन:** हमारी प्रयोगशाला ने बड़े भाषा मॉडलों (LLMs) से आउटपुट की अनिश्चितता को मापने की एक तकनीक विकसित की है, जिससे भ्रम की संभावना कम हो जाती है। हालांकि इससे विश्वसनीयता बढ़ती है, यह लागत भी बढ़ाता है और सिस्टम को धीमा कर देता है, इसलिए यह केवल महत्वपूर्ण एजेंटों के लिए सुझाया जाता है। **अलग करने वाला बटन:** प्रणाली में असंगतताओं या त्रुटियों का पता लगाने पर सभी स्वायत्त प्रक्रियाओं को रोकने के लिए एक विधि आवश्यक है, ताकि महत्वपूर्ण वर्कफ़्लो पूरी तरह से मैनुअल न बन जाएं। **एजेंट-जनित कार्य आदेश:** सभी एजेंटों को तुरंत ऐप्स और एपीआई में पूरी तरह से एकीकृत करने की आवश्यकता नहीं है। प्लेसहोल्डर टूल रिपोर्ट या मैनुअल क्रिया के लिए कार्य आदेश उत्पन्न कर सकते हैं, जो एजेंट नेटवर्क के चुस्त विकास में सहायता करते हैं। **परीक्षण:** LLM आधारित एजेंट मजबूत होते हुए भी निरंतरता और पारदर्शिता में कमी रखते हैं, जिसके लिए अनुकूलित परीक्षण रणनीति की आवश्यकता होती है। जनरेटिव AI परीक्षण मामले बना सकता है, और सैंडबॉक्सिंग सिस्टम्स के सुरक्षित और नियंत्रित विस्तार को सक्षम बनाती है। **फाइन-ट्यूनिंग:** आम धारणा के विपरीत, जनरेटिव AI केवल उपयोग से सुधार नहीं करता। LLMs के व्यवहार को एजेंट लॉग और लेबल की गई प्राथमिकताओं के साथ फाइन-ट्यून किया जा सकता है। **खामियां:** बहु-एजेंट प्रणाली कभी-कभी अटक सकती है, जिसके लिए टाइमआउट तंत्र की आवश्यकता होती है। एजेंटों को अधिक अपेक्षाओं या लंबे निर्देशों से ओवरलोड नहीं करना चाहिए। ग्रैन्युलाइजेशन, या एजेंटों को प्रबंधनीय कार्यों में विभाजित करना, ऐसे मुद्दों को कम कर सकता है। प्रणालियां अक्सर एक समन्वयक एजेंट का उपयोग करती हैं, जिससे विफलता के एकल बिंदु का जोखिम होता है। एक पाइपलाइन वर्कफ़्लो, जहां एजेंट क्रमिक रूप से कार्य सौंपते हैं, अनुशंसित है। अधिक कंफ्यूज एजेंट अत्यधिक संदर्भ पासिंग से भ्रमित हो सकते हैं। एजेंटों को अपनी संदर्भ समान रखने की अनुमति देना, जैसे कि वेबसाइट सत्र, सुझाव दिया जाता है। अंत में, LLMs की क्षमताओं को एक अपेक्षाकृत उच्च मानक पूरा करना चाहिए। नए वाणिज्यिक और ओपन-सोर्स एजेंट इसमे फिट होते हैं, हालाँकि वे पारंपरिक सॉफ़्टवेयर सिस्टम्स की तुलना में महंगे और धीमे होते हैं। लागत और गति के लिए अपेक्षाओं का समायोजन प्रभावी बहु-एजेंट सिस्टम के लिए आवश्यक है।