در ستون امروز، استراتژی جدیدی برای ایجاد دستورات (پرومپت‌ها) ارائه می‌دهم که هدف آن بهینه‌سازی استفاده از هوش مصنوعی چندعاملی است. با ادامه تکامل هوش مصنوعی عاملی، شامل هوش‌های مصنوعی تولیدی و مدل‌های زبان بزرگ (LLMs) که وظایف خاصی را مدیریت می‌کنند، تعداد بیشتری از این هوش‌ها ظاهر خواهند شد. بنابراین، ایجاد دستورات به‌طرز مؤثر برای درگیر کردن هوش‌های مصنوعی مناسب اهمیت زیادی پیدا می‌کند. دستورات نادرست می‌توانند منجر به تعاملات غیرضروری یا عدم فعال‌سازی هوش‌های ضروری شوند. این ستون بخشی از سری مقالات من در فوربز است که به بررسی آخرین پیشرفت‌ها در حوزه هوش مصنوعی و پیچیدگی‌های مختلف در این زمینه می‌پردازد. **طراحی دستورات در عصر هوش مصنوعی عاملی** قبلاً در مورد تکنیک‌های مختلف طراحی دستوراتی که می‌توانند نتایج شما را با هوش مصنوعی تولیدی بهبود بخشند، صحبت کردم؛ تکنیک‌هایی که ممکن است به فرصت‌های سودآور منجر شوند. ظهور هوش مصنوعی عاملی ابعاد جدیدی را به طراحی دستورات معرفی می‌کند. بیایید برنامه‌ریزی یک تعطیلات را با هوش مصنوعی تولیدی در نظر بگیریم: در حالی که برنامه‌ریزی اولیه ممکن است ساده باشد، رزرو معمولاً نیاز به مراجعه به وب‌سایت‌های شخص ثالث دارد. هوش مصنوعی عاملی به عنوان یک مشاور سفر مجازی عمل می‌کند و برنامه‌ریزی و رزرو را از طریق تعاملات طبیعی زبان مدیریت می‌سازد. **ارزش هوش‌های مصنوعی چندعاملی** به جای اتکا بر یک هوش مصنوعی عاملی، استفاده از چندین عامل می‌تواند به طرز قابل توجهی کارایی را افزایش دهد. با این حال، این موضوع همچنین چالش تعیین اینکه کدام عوامل باید فراخوانی شوند را به میان می‌آورد. انتخاب‌های نادرست ممکن است هزینه‌های اضافی به همراه داشته باشد یا کارها را پیچیده کند، درحالی‌که عدم درگیر کردن عوامل مناسب ممکن است پیشرفت را مختل کند. من دو رویکرد اصلی برای ترکیب دستورات با هوش مصنوعی چندعاملی پیشنهاد می‌کنم: 1. **صندلی راننده:** کاربران مشخص می‌کنند که کدام عامل‌های هوش مصنوعی را فعال کنند و به چه ترتیبی، که ابهام را کاهش می‌دهد. 2. **صندلی مسافر:** کاربران وظیفه کلی را ترسیم می‌کنند و به هوش مصنوعی تولیدی اجازه می‌دهند که تصمیم بگیرد کدام عوامل را درگیر کند. هر رویکرد trade-off‌های خاص خود را دارد. صندلی راننده کنترل را با هزینه پیچیدگی‌های بالقوه فراهم می‌آورد، در حالی که صندلی مسافر سادگی را ارائه می‌دهد اما نیاز به ارتباط واضح برای جلوگیری از ابهام دارد. **نمونه‌هایی در کمک به کدنویسی** برای ilustrate، بیایید از یک سناریوی کدنویسی استفاده کنیم که در آن پنج عامل هوش مصنوعی در دسترس هستند: 1.

**CodeFixer:** کد را اشکال‌زدایی و بهینه‌سازی می‌کند. 2. **CodeReviewer:** کد را از نظر بهترین شیوه‌ها ارزیابی می‌کند. 3. **BugHunter:** آسیب‌پذیری‌ها و خطاهای منطقی را شناسایی می‌کند. 4. **PerfAnalyzer:** عملکرد را ارزیابی و بهینه‌سازی‌ها را پیشنهاد می‌کند. 5. **DocWriter:** مستندات را تولید می‌کند. *مثال صندلی راننده:* زمانی که دستوری برای رفع یک اسکریپت پایتون داده می‌شود، ممکن است بگویم: "CodeFixer را فعال کن، سپس BugHunter و بعد PerfAnalyzer. " هوش مصنوعی تولیدی ترتیب مشخص‌شده را تأیید و اجرا می‌کند. *مثال صندلی مسافر:* برعکس، می‌توانم بگویم: "به کمک در اسکریپت پایتونم نیاز دارم؛ لطفاً عوامل را فعال کنید که بتوانند کمک کنند. " هوش مصنوعی درخواست من را تفسیر کرده و عوامل را انتخاب می‌کند و من را از اقدامات برنامه‌ریزی‌شده‌اش مطلع می‌سازد. با این حال، دستورات مبهم می‌توانند به نتایج کمتر مؤثر منجر شوند. برای مثال، درخواست ساده برای "کمک در اسکریپت پایتونم" ممکن است منجر به مشارکت مفید عوامل نشود مگر آن که توضیح داده شود. **تحقیقات نوظهور در هوش مصنوعی چندعاملی** تحقیقات در جامعه هوش مصنوعی به سرعت پیشرفت می‌کند. یک مطالعه اخیر "AgentRec" را معرفی کرده است که بر انتخاب مؤثر عوامل بر اساس دستورات کاربران تمرکز دارد. بینش‌های این مطالعه پتانسیل هوش مصنوعی تولیدی برای بهبود توانایی انتخاب عوامل مناسب بر اساس داده‌های آموخته‌شده را برجسته می‌کند. با پذیرش و پالایش این تکنیک‌ها، تمرین در فراخوانی هوش‌های مصنوعی چندعاملی بسیار مهم خواهد بود. در حالی که بسیاری از برنامه‌های هوش مصنوعی تولیدی در حال حاضر فراخوانی مستقیم عوامل را محدود می‌کنند، آینده نویدبخش بهبودهایی است. به یاد داشته باشید که لینکلن گفت: "بهترین چیز درباره آینده این است که فقط یک روز در یک زمان می‌آید"، که به چشم‌انداز در حال تحول هوش مصنوعی چندعاملی نیز قابل اطلاق است.