Dalam kolum hari ini, saya mempersembahkan strategi pemantauan baru yang bertujuan untuk mengoptimumkan penggunaan AI yang multi-agen. Dengan AI yang agenik, termasuk AI generatif dan model bahasa besar (LLM) yang mengendalikan tugas tertentu, terus berkembang, semakin banyak AI ini akan muncul. Oleh itu, menyusun arahan dengan berkesan untuk melibatkan AI agenik yang sesuai menjadi penting. Arahan yang tidak sesuai boleh mengakibatkan perlibatan yang tidak perlu atau gagal mengaktifkan AI yang penting. Kolum ini adalah sebahagian daripada siri Forbes saya yang sedang berlaku, yang meneroka perkembangan terkini dalam AI dan pelbagai kompleksiti dalam bidang ini. **Reka Bentuk Arahan di Era AI Agenik** Sebelumnya, saya membincangkan pelbagai teknik reka bentuk arahan yang boleh meningkatkan hasil anda dengan AI generatif, yang berpotensi membawa peluang yang menguntungkan. Kenaikan AI agenik memperkenalkan dimensi baru kepada reka bentuk arahan. Pertimbangkan merancang percutian dengan AI generatif: walaupun perancangan awal mungkin mudah, tempahan sering memerlukan beralih ke laman web pihak ketiga. Masukkan AI agenik, yang boleh berfungsi sebagai ejen perjalanan maya, mengurus perancangan dan tempahan melalui interaksi bahasa semula jadi. **Nilai AI Multi-Agenik** Daripada bergantung kepada satu AI agenik, menggunakan pelbagai agen boleh greatly meningkatkan kecekapan. Walau bagaimanapun, ini juga menimbulkan cabaran untuk menentukan agen mana yang perlu diaktifkan. Pemilihan yang salah boleh menyebabkan kos atau menyukarkan tugas, manakala kegagalan untuk melibatkan agen yang tepat boleh menghalang kemajuan. Saya mencadangkan dua pendekatan utama untuk penyusunan arahan yang melibatkan AI multi-agen: 1. **Tempat Pemandu:** Pengguna menentukan agen AI yang perlu diaktifkan dan urutan mana, mengurangkan kekaburan. 2. **Tempat Penumpang:** Pengguna menggariskan tugas keseluruhan, membolehkan AI generatif memutuskan agen mana untuk dilibatkan. Terdapat trade-off dalam setiap pendekatan. Tempat pemandu memberikan kawalan dengan kos potensi kompleksiti, manakala tempat penumpang menawarkan kesederhanaan tetapi memerlukan komunikasi yang jelas untuk mengelakkan kekaburan. **Contoh dalam Bantuan Pengkodan** Untuk memperjelas, mari kita gunakan senario pengkodan di mana lima agen AI tersedia: 1.

**CodeFixer:** Menyelaras dan mengoptimumkan kod. 2. **CodeReviewer:** Menilai kod untuk amalan terbaik. 3. **BugHunter:** Mengenal pasti kelemahan dan kesalahan logik. 4. **PerfAnalyzer:** Menilai prestasi dan mencadangkan pengoptimuman. 5. **DocWriter:** Menghasilkan dokumentasi. *Contoh Tempat Pemandu:* Apabila diberikan arahan untuk membetulkan skrip Python, saya mungkin mengarahkan: “Aktifkan CodeFixer, kemudian BugHunter, diikuti oleh PerfAnalyzer. ” AI generatif kemudian mengesahkan dan melaksanakan urutan yang ditetapkan. *Contoh Tempat Penumpang:* Sebagai alternatif, saya boleh berkata: “Saya memerlukan bantuan dengan skrip Python saya; sila aktifkan agen yang boleh membantu. ” AI menafsirkan permintaan saya dan memilih agen sambil memaklumkan saya tentang tindakan yang dirancangkan. Namun, arahan yang kabur boleh menyebabkan hasil yang kurang berkesan. Contohnya, hanya meminta “bantuan dengan skrip Python saya” mungkin tidak menghasilkan penglibatan agen yang berguna melainkan dijelaskan. **Penyelidikan Muncul dalam AI Multi-Agen** Penyelidikan dalam komuniti AI berkembang dengan pesat. Kajian terbaru memperkenalkan "AgentRec, " yang memberi tumpuan kepada pemilihan agen secara berkesan berdasarkan arahan pengguna. Wawasan kajian ini menyoroti potensi AI generatif untuk meningkatkan kebolehan memilih agen yang sesuai berdasarkan data yang dipelajari. Sewaktu kita mengguna dan memperhalusi teknik ini, amalan melibatkan AI multi-agen akan menjadi penting. Walaupun banyak aplikasi AI generatif ketika ini mengehadkan penglibatan agen secara langsung, masa depan menjanjikan penambahbaikan. Ingat kata-kata Lincoln: "Perkara terbaik tentang masa depan ialah ia datang hanya satu hari pada satu masa, " yang terpakai kepada landskap AI multi-agenik yang sedang berkembang.