आजच्या स्तंभात, मी मल्टि-एजंटिक AI च्या वापराचे अनुकूलन करण्यासाठी एक नवीन प्रॉम्प्टिंग धोरण सादर करत आहे. एजंटिक AI, ज्यामध्ये विशिष्ट कार्ये हाताळणारे जनरेटिव AI आणि मोठे भाषा मॉडेल (LLM) समाविष्ट आहेत, अधिक विकसित होत असताना, या AIs ची संख्या वाढत जाईल. त्यामुळे योग्य एजंटिक AI ना संलग्न करण्यासाठी प्रभावी पद्धतीने प्रॉम्प्ट तयार करणे अत्यंत महत्त्वाचे आहे. चुकीचे प्रॉम्प्ट अनावश्यक गुंतवणूकांमध्ये परिणत होऊ शकतात किंवा आवश्यक AI सक्रिय करण्यात अपयशी ठरू शकतात. हा स्तंभ माझ्या चालू Forbes मालिकेचा एक भाग आहे, जो AI आणि क्षेत्रातील विविध जटिलतांची ताज्या घडामोडींचा अभ्यास करतो. **एजंटिक AI च्या युगेमधील प्रॉम्प्ट इंजिनियरिंग** पूर्वी, मी अनेक प्रॉम्प्ट इंजिनियरिंग तंत्रांचा उल्लेख केला आहे, जे जनरेटिव AI सह तुमचे परिणाम सुधारू शकतात, जे संभाव्यतः फायदेशीर संधींपर्यंत घेऊन जाऊ शकतात. एजंटिक AI चा वाढता वापर प्रॉम्प्ट इंजिनियरिंगमध्ये नवीन आयाम आणतो. जनरेटिव AI सह सुटीची योजना करण्याचा विचार करा: प्रारंभिक योजना सरळ असू शकते, परंतु बुकिंगसाठी सामान्यतः तिसऱ्या पक्षांच्या वेबसाइटवर स्विच करणे आवश्यक असते. एजंटिक AI यामध्ये प्रवेश करतो, जो एक आभासी प्रवास एजंट म्हणून कार्य करतो आणि नैसर्गिक भाषिक संवादाद्वारे योजना आणि बुकिंगची काळजी घेतो. **मल्टि-एजंटिक AIs चा मूल्य** एकाच एजंटिक AI वर अवलंबून राहण्याच्या ऐवजी, अनेक एजंट्सचा वापर कार्यक्षमता वाढवू शकतो. तथापि, यामुळे कोणते एजंट वापरायचे हे निर्धारित करण्याचा आव्हान निर्माण होते. चुकीची निवड खर्च किंवा कार्ये गुंतागुंतीची होऊ शकते, तर योग्य एजंट्सना सक्रिय करण्यात अपयशी होणे प्रगतीला थांबवू शकते. मल्टि-एजंट AI च्या प्रॉम्प्ट रचनेसाठी मी दोन मुख्य दृष्टिकोन सुचवितो: 1. **ड्रायव्हरच्या सीटवर:** वापरकर्ते कोणते AI एजंट सक्रिय करायचे आणि कोणत्या अनुक्रमात ते स्पष्ट करतात, ज्यामुळे अस्पष्टता कमी होते. 2. **पॅसेंजरच्या सीटवर:** वापरकर्ते एकूण कार्याची रूपरेषा तयार करतात, जेणेकरून जनरेटिव AI निर्णय घेऊ शकते की कोणते एजंट सक्रिय करायचे. प्रत्येक दृष्टिकोनासह व्यापारिक बँका आहेत. ड्रायव्हरच्या सीटवर नियंत्रण प्रदान करते, पण संभाव्य गुंतागुंतीच्या किंमतीवर, तर पॅसेंजरच्या सीटवर साधेपणा देते, पण अस्पष्टतेपासून वाचण्यासाठी स्पष्ट संवाद आवश्यक असतो. **कोडिंग सहाय्य उदाहरणे** उदाहरणार्थ, मानूंया पाच AI एजंट उपलब्ध आहेत: 1.

**कोडफिक्सर:** कोड डीबग आणि ऑप्टिमाईज करतो. 2. **कोडरिव्ह्यूअर:** सर्वोत्तम पद्धतीसाठी कोडचे मूल्यमापन करतो. 3. **बगहंटर:** असुरक्षा आणि तर्क त्रुटी ओळखतो. 4. **परफअॅनालायझर:** कार्यक्षमता मूल्यांकन करतो आणि ऑप्टिमायझेशन सुचवतो. 5. **डॉकलेखक:** दस्तऐवजीकरण तयार करतो. *ड्रायव्हरच्या सीटवर उदाहरण:* जेव्हा मला Python स्क्रिप्ट दुरुस्त करण्यासाठी प्रॉम्प्ट दिला जातो, तेव्हा मी सांगू शकतो: "कोडफिक्सर सक्रिय करा, नंतर बगहंटर, नंतर परफअॅनालायझर. " जनरेटिव AI नंतर निर्दिष्ट अनुक्रमाची पुष्टी करते आणि अंमलात आणते. *पॅसेंजरच्या सीटवर उदाहरण:* त alternatively सांगू शकतो: "माझ्या Python स्क्रिप्टसाठी मला मदतीची आवश्यकता आहे; कृपया सहायता करण्यासाठी एजंट सक्रिय करा. " AI माझी विनंती समजून घेतो आणि एजंट निवडतो, त्याच्या नियोजित क्रियाबद्दल मला माहिती देतो. तथापि, अस्पष्ट प्रॉम्प्ट कमी प्रभावकारक परिणामात नेऊ शकतात. उदाहरणार्थ, "माझ्या Python स्क्रिप्टसाठी मदतीची आवश्यकता आहे" असा विचारल्यास योग्य एजंट सहभागी होण्याची शक्यता कमी होते जोपर्यंत ते स्पष्ट केले जात नाही. **मल्टि-एजंट AI मध्ये नवीन संशोधन** AI समुदायामध्ये संशोधन जलद प्रगती करत आहे. एका अलीकडील अभ्यासाने "एजंटरेक" सादर केले, जे वापरकर्त्याच्या प्रॉम्प्ट्सवर आधारित एजंट निवडण्यावर लक्ष केंद्रित करते. या अभ्यासातील अंतर्दृष्टीने जनरेटिव AI च्या योग्य एजंट्सची निवड करण्याच्या क्षमता सुधारण्याची क्षमता दर्शवते. आम्ही या तंत्रांचा अवलंब करत असताना, मल्टि-एजंट AIs चा वापर सराव करणे महत्त्वाचे असेल. अनेक जनरेटिव AI अनुप्रयोग सध्या थेट एजंट सक्रिय करण्यावर निर्बंध ठेवतात, भविष्यामध्ये सुधारणा होण्याची आशा आहे. लिंकनच्या शब्दां लक्षात ठेवा: "भविष्याबद्दलची सर्वात चांगली गोष्ट म्हणजे ते एकदा एकाच दिवशी येते, " ज्याचे मल्टि-एजंटिक AI च्या विकसित होणाऱ्या दृश्यांवर लागू होते.