I dagens spalte presenterer jeg en ny strategi for prompting som har som mål å optimalisere bruken av multi-agentisk AI. Etter hvert som agentisk AI, inkludert generativ AI og store språkmodeller (LLMer) som håndterer spesifikke oppgaver, fortsetter å utvikle seg, vil et økende antall av disse AI-ene dukke opp. Dermed blir det avgjørende å utforme varsler for å engasjere de riktige agentiske AI-ene. Feilaktige varsler kan føre til unødvendige engasjementer eller unngå å aktivere essensielle AI-er. Denne spalten er en del av min pågående serie i Forbes, som utforsker de nyeste utviklingene innen AI og ulike kompleksiteter innen feltet. **Prompt Engineering i Tiden for Agentisk AI** Tidligere har jeg diskutert mange teknikker for prompt engineering som kan forbedre resultatene dine med generativ AI, noe som potensielt kan føre til lønnsomme muligheter. Fremveksten av agentisk AI introduserer nye dimensjoner til prompt engineering. Tenk deg å planlegge en ferie med generativ AI: mens den første planleggingen kan være enkel, krever booking ofte at man bytter til tredjeparts nettsteder. Her kommer agentisk AI inn, som kan fungere som en virtuell reiseagent og ta seg av planlegging og booking gjennom naturlige språkinteraksjoner. **Verdien av Multi-Agentiske AIs** I stedet for å stole på en enkelt agentisk AI, kan bruk av flere agenter i stor grad øke effektiviteten. Dette reiser imidlertid også utfordringen med å avgjøre hvilke agenter som skal aktiveres. Feil valg kan påføre kostnader eller komplisere oppgaver, mens det å unngå å engasjere de riktige agentene kan hindre fremdrift. Jeg foreslår to hovedtilnærminger til sammensetning av varsler som involverer multi-agent AI: 1. **Førerplass:** Brukere spesifiserer hvilke AI-agenter som skal aktiveres og i hvilken rekkefølge, noe som reduserer tvetydighet. 2. **Passasjersete:** Brukere skisserer den overordnede oppgaven, slik at den generative AI-en kan bestemme hvilke agenter som skal engasjeres. Det er avveininger med hver tilnærming. Førerplassen gir kontroll på bekostning av potensiell kompleksitet, mens passasjersetet tilbyr enkelhet, men krever klar kommunikasjon for å unngå uklarhet. **Eksempler på Kodingassistanse** For å illustrere, la oss bruke et kodescenario der fem AI-agenter er tilgjengelige: 1.

**CodeFixer:** Fikser og optimaliserer kode. 2. **CodeReviewer:** Vurderer kode for beste praksis. 3. **BugHunter:** Identifiserer sårbarheter og logiske feil. 4. **PerfAnalyzer:** Vurderer ytelse og foreslår optimaliseringer. 5. **DocWriter:** Genererer dokumentasjon. *Førerplass Eksempel:* Når jeg får en kommando om å fikse et Python-skript, kan jeg instruere: “Aktiver CodeFixer, deretter BugHunter, etterfulgt av PerfAnalyzer. ” Den generative AI-en bekrefter deretter og utfører den spesifiserte rekkefølgen. *Passasjersete Eksempel:* Alternativt kan jeg si: “Jeg trenger hjelp med Python-skripten min; vennligst aktiver agenter som kan hjelpe. ” AI-en tolker forespørselen min og velger agentene samtidig som den holder meg informert om sine planlagte handlinger. Imidlertid kan vage varsler føre til mindre effektive resultater. For eksempel kan det å be om “hjelp med Python-skriptet mitt” ikke resultere i nyttig agentengasjement med mindre det blir klargjort. **Forskning som Emergerer innen Multi-Agent AI** Forskningen i AI-samfunnet utvikler seg raskt. En nylig studie introduserte "AgentRec, " som fokuserer på effektivt valg av agenter basert på brukervarsler. Innsiktene fra denne studien fremhever potensialet for at generativ AI kan forbedre sin evne til å velge de riktige agentene basert på lærte data. Etter hvert som vi tar i bruk og forbedrer disse teknikkene, vil det være avgjørende å øve seg på å aktivere multi-agent AI-er. Selv om mange generative AI-applikasjoner for øyeblikket begrenser direkte agentaktivering, lover fremtiden forbedringer. Husk Lincolns ord: "Det beste med fremtiden er at den kommer bare én dag av gangen, " hvilket gjelder for det utviklende landskapet av multi-agentisk AI.