Šiandienos skiltyje pateikiu naują paskatinimo strategiją, skirtą optimizuoti daugelio agentų AI naudojimą. Kadangi agentinis AI, įskaitant generatyvų AI ir didelius kalbos modelius (LLM), kurie atlieka konkrečias užduotis, toliau vystosi, daugelis šių AI atsiras. Taigi, efektyvus paskatinimų sudarymas, kad būtų įtraukti tinkami agentiniai AI, tampa svarbus. Neatitinkantys paskatinimai gali sukelti nereikalingus užsakymus arba nesugebėti aktyvuoti esminius AI. Ši skiltis yra mano nuolatinės Forbes serijos dalis, kuri nagrinėja naujausius AI vystymosi aspektus ir įvairias sudėtingas problemas šioje srityje. **Paskatinimų inžinerija agentinio AI eroje** Anksčiau aptariau daugybę paskatinimų inžinerijos technikų, kurios gali pagerinti rezultatus su generatyviu AI ir galimai atverti pelningas galimybes. Agentinio AI atsiradimas įneša naujas dimensijas į paskatinimų inžineriją. Įsivaizduokite, kad planuojate atostogas su generatyviu AI: nors pradiniai planavimo žingsniai gali būti paprasti, užsakymas dažnai reikalauja perėjimo prie trečiųjų šalių svetainių. Čia į pagalbą ateina agentinis AI, galintis veikti kaip virtualus kelionių agentas, rūpintis planavimu ir užsakymu per natūralius kalbos veiksmus. **Daugelio agentinio AI vertė** Vietoj to, kad remtumėtės vienu agentiniu AI, kelių agentų naudojimas gali ženkliai padidinti efektyvumą. Tačiau tai taip pat kelia iššūkį nustatyti, kurie agentai bus pasitelkti. Neteisingas pasirinkimas gali sukelti išlaidų arba sudėtingų užduočių, o netinkami agentai gali stabdyti pažangą. Pasiūlysiu dvi pagrindines požiūrius, kaip sudaryti paskatinimus, naudojantis daugelio agentų AI: 1. **Vairuotojo sėdynė:** Vartotojai nurodo, kurie AI agentai turi būti aktyvuoti ir kokia tvarka, sumažinant neaiškumą. 2. **Keleivio sėdynė:** Vartotojai aprašo bendrą užduotį, leidžiant generatyviam AI nuspręsti, kuriuos agentus įtraukti. Kiekviename požiūryje yra kompromisų. Vairuotojo sėdynė suteikia kontrolę, tačiau gali būti sudėtinga, o keleivio sėdynė siūlo paprastumą, tačiau reikalauja aiškios komunikacijos, kad būtų išvengta neaiškumų. **Pavyzdžiai kodavimo asistencijoje** Norėdamas iliustruoti, panaudokime kodavimo scenarijų, kur penki AI agentai yra prieinami: 1.

**CodeFixer:** Ištaiso ir optimizuoja kodą. 2. **CodeReviewer:** Įvertina kodą pagal geriausias praktikas. 3. **BugHunter:** Nustato pažeidžiamumus ir logines klaidas. 4. **PerfAnalyzer:** Įvertina našumą ir siūlo optimizacijas. 5. **DocWriter:** Generuoja dokumentaciją. *Vairuotojo sėdynės pavyzdys:* Kai gausiu paskatinimą ištaisyti Python skriptą, galiu nurodyti: „Aktyvuokite CodeFixer, tada BugHunter, po to PerfAnalyzer. “ Generatyvus AI patvirtina ir vykdo nurodytą tvarką. *Keleivio sėdynės pavyzdys:* Alternatyviai galiu pasakyti: „Reikia pagalbos su mano Python skriptu; prašau aktyvuoti agentus, kurie gali padėti. “ AI interpretuoja mano prašymą ir pasirenka agentus, laikydamas mane informuotu apie savo planuojamas veiklas. Tačiau neaiškūs paskatinimai gali lemti mažiau efektyvius rezultatus. Pavyzdžiui, tiesiog paprašius „pagalbos su mano Python skriptu“, gali nebūti naudingos agentų dalyvavimo, nebent tai būtų paaiškinta. **Kylančios tyrimo kryptys daugelio agentų AI srityje** AI bendruomenėje tyrimai sparčiai vystosi. Neseniai atliktas tyrimas pristatė „AgentRec“, kuris orientuotas į efektyvų agentų pasirinkimą pagal vartotojų paskatinimus. Šio tyrimo įžvalgos pabrėžia generatyvaus AI potencialą pagerinti gebėjimą rinktis tinkamus agentus remiantis išmoktais duomenimis. Įdiegus ir tobulinant šias technikas, praktinis daugelio agentų AI aktyvavimas bus itin svarbus. Nors daugelis generatyvaus AI programų šiuo metu apriboja tiesioginį agentų aktyvavimą, ateitis žada patobulinimus. Priminkite Lincolno žodžius: „Geriausia dalis apie ateitį ta, kad ji ateina tik po vieną dieną“, o tai taikoma besikeičiančiai daugelio agentinio AI aplinkai.