I dagens kolonne præsenterer jeg en ny prompting-strategi, der sigter mod at optimere brugen af multi-agentisk AI. Efterhånden som agentisk AI, herunder generativ AI og store sprogmodeller (LLMs), der håndterer specifikke opgaver, fortsætter med at udvikle sig, vil der komme flere af disse AI-systemer. Det bliver derfor afgørende at komponere prompts effektivt for at engagere de relevante agentiske AIs. Uoverensstemmelser i prompts kan føre til unødvendige engagementer eller undlade at aktivere essentielle AIs. Denne kolonne er en del af min løbende Forbes-serie, der udforsker de seneste udviklinger inden for AI og forskellige kompleksiteter inden for området. **Prompt Engineering i Tiden med Agentisk AI** Tidligere har jeg diskuteret adskillige teknikker til prompt engineering, der kan forbedre dine resultater med generativ AI og potentielt føre til lukrative muligheder. Fremkomsten af agentisk AI introducerer nye dimensioner til prompt engineering. Overvej at planlægge en ferie med generativ AI: mens den indledende planlægning kan være ligetil, kræver booking ofte overgangen til tredjepartswebsites. Her træder agentisk AI ind, som kan agere som en virtuel rejseagent, der tager sig af planlægning og booking gennem naturlige sproginteraktioner. **Værdien af Multi-Agentiske AIs** I stedet for kun at stole på en enkelt agentisk AI kan brugen af flere agenter i høj grad forbedre effektiviteten. Dette rejser dog også udfordringen med at bestemme, hvilke agenter der skal aktiveres. Forkerte valg kan medføre omkostninger eller komplicere opgaver, mens det at undlade at engagere de rigtige agenter kan hindre fremdriften. Jeg foreslår to hovedmetoder til komposition af prompts, der involverer multi-agentisk AI: 1. **Førerens sæde:** Brugere angiver, hvilke AI-agenter der skal aktiveres og i hvilken rækkefølge, hvilket reducerer tvetydighed. 2. **Passagerens sæde:** Brugere skitserer den overordnede opgave, hvilket giver den generative AI mulighed for at beslutte, hvilke agenter der skal engageres. Der er fordele og ulemper ved hver tilgang. Førerens sæde giver kontrol på bekostning af potentielle kompleksiteter, mens passagerens sæde tilbyder enkelhed, men kræver klar kommunikation for at undgå uklare formuleringer. **Eksempler på Kodeassistance** For at illustrere, lad os tage et kodningsscenario, hvor fem AI-agenter er tilgængelige: 1.

**CodeFixer:** Fejlretter og optimerer kode. 2. **CodeReviewer:** Vurderer kode for bedste praksis. 3. **BugHunter:** Identificerer sårbarheder og logiske fejl. 4. **PerfAnalyzer:** Vurderer ydeevne og foreslår optimeringer. 5. **DocWriter:** Genererer dokumentation. *Eksempel fra Førerens sæde:* Når jeg får en prompt til at fikse et Python-script, kunne jeg instruere: “Aktivér CodeFixer, derefter BugHunter, efterfulgt af PerfAnalyzer. ” Den generative AI bekræfter så og udfører den angivne rækkefølge. *Eksempel fra Passagerens sæde:* Alternativt kunne jeg sige: “Jeg har brug for hjælp med mit Python-script; aktiver venligst agenter, der kan assistere. ” AI'en fortolker min anmodning og vælger agenterne, mens den holder mig informeret om sine planlagte handlinger. Dog kan vage prompts føre til mindre effektive resultater. For eksempel, blot at bede om “hjælp med mit Python-script” kan ikke føre til nyttigt agentengagement, medmindre det præciseres. **Fremadskuende Forskning i Multi-Agent AI** Forskning i AI-miljøet udvikler sig hurtigt. En nylig undersøgelse introducerede "AgentRec", som fokuserer på effektivt at vælge agenter baseret på brugerprompts. Denne studies indsigter fremhæver potentialet for generativ AI til at forbedre sin evne til at vælge de passende agenter baseret på indlært data. Efterhånden som vi vedtager og forfiner disse teknikker, vil det være afgørende at øve sig i at aktivere multi-agentiske AIs. Mens mange generative AI-applikationer i øjeblikket begrænser direkte agentaktivering, lover fremtiden forbedringer. Husk Lincolns ord: "Det bedste ved fremtiden er, at den kun kommer en dag ad gangen, " hvilket også gælder for det udviklende landskab af multi-agentisk AI.