U današnjoj kolumni predstavljam novu strategiju za formulisanje upita koja je usmjerena na optimizaciju korištenja višeaagentnog AI. Kako agentni AI, uključujući generativni AI i velike jezičke modele (LLM) koji obavljaju specifične zadatke, nastavlja evoluirati, sve veći broj ovih AI-a će se pojaviti. Stoga postaje ključno efikasno sastavljati upite koji angažuju odgovarajuće agentne AI. Neodgovarajući upiti mogu rezultirati nepotrebnim angažmanima ili neaktiviranjem bitnih AI-a. Ova kolumna je dio moje kontinuirane serije na Forbsu, koja istražuje najnovije razvojne trendove u AI i razne složenosti unutar ovog polja. **Inženjering Upita u Eri Agentnog AI** Ranije sam razgovarao o brojnim tehnikama inženjeringa upita koje mogu poboljšati vaše rezultate u generativnom AI, potencijalno vodeći do unosnih prilika. Uspon agentnog AI uvodi nove dimenzije u inženjering upita. Razmotrite planiranje odmora uz pomoć generativnog AI: dok može biti jednostavno u početnoj fazi planiranja, rezervacija često zahtijeva prelazak na web stranice trećih strana. Tu dolazi agentni AI, koji može funkcionirati kao virtualni putnički agent, brinući se o planiranju i rezervacijama kroz interakcije na prirodnom jeziku. **Vrijednost Višeaagentnih AI** Umjesto da se oslanjate na jednog agentnog AI, korištenje više agenata može znatno poboljšati efikasnost. Međutim, ovo također postavlja izazov određivanja koji agenti će biti angažovani. Neispravni odabiri mogu dovesti do troškova ili zakomplicirati zadatke, dok neusvajanje pravih agenata može otežati napredak. Predlažem dva glavna pristupa za sastavljanje upita koji uključuju višeaagentni AI: 1. **Vozačevo Mjesto:** Korisnici specificiraju koje AI agente aktivirati i u kojem redoslijedu, čime se smanjuje nejasnoća. 2. **Putničko Mjesto:** Korisnici definiraju opšti zadatak, omogućavajući generativnom AI da odluči koje agente angažovati. Svaki pristup ima svoje kompromise. Vozačevo mjesto pruža kontrolu uz potencijalnu složenost, dok putničko mjesto nudi jednostavnost, ali zahtijeva jasnu komunikaciju kako bi se izbjegle nejasnoće. **Primjeri u Kodiranju Pomoć** Da ilustrujem, koristimo scenarij kodiranja gdje je dostupno pet AI agenata: 1.

**CodeFixer:** Ispravlja greške i optimizuje kod. 2. **CodeReviewer:** Procjenjuje kod prema najboljim praksama. 3. **BugHunter:** Identifikuje ranjivosti i logičke greške. 4. **PerfAnalyzer:** Procjenjuje performanse i predlaže optimizacije. 5. **DocWriter:** Generiše dokumentaciju. *Primjer Vozačevog Mjesta:* Kada se da upit za ispravku Python skripte, mogao bih uputiti: “Aktiviraj CodeFixer, zatim BugHunter, a nakon toga PerfAnalyzer. ” Generativni AI tada potvrđuje i izvršava određeni redoslijed. *Primjer Putničkog Mjesta:* Alternativno, mogao bih reći: “Trebam pomoć sa svojom Python skriptom; molim aktivirajte agente koji mogu pomoći. ” AI tumači moj zahtjev i odabire agente dok me informiše o svojim planiranim radnjama. Međutim, nejasni upiti mogu dovesti do manje efikasnih rezultata. Na primjer, jednostavno traženje “pomoći sa mojom Python skriptom” možda neće rezultirati korisnim angažmanom agenata osim ako se ne razjasni. **Istraživanje u Višeaagentnom AI** Istraživanje u AI zajednici brzo napreduje. Nedavna studija je predstavila "AgentRec, " koja se fokusira na efikasno odabiranje agenata na osnovu korisničkih upita. Uvidi ove studije naglašavaju potencijal generativnog AI da poboljša svoju sposobnost izbora odgovarajućih agenata na osnovu naučenih podataka. Dok usvajamo i usavršavamo ove tehnike, praksa aktiviranja višeaagentnih AI će biti ključna. Dok mnoge aplikacije generativnog AI trenutno ograničavaju direktno aktiviranje agenata, budućnost obećava poboljšanja. Zapamtite Lincolnovu izreku: "Najbolja stvar u budućnosti je ta što dolazi samo jedan dan u isto vreme, " koja se odnosi na evoluirajući pejzaž višeaagentnog AI.