V dnešnom stĺpci predstavujem novú stratégiu zadávania príkazov zameranú na optimalizáciu využívania multi-agentného AI. Keď sa agentné AI, vrátane generatívneho AI a veľkých jazykových modelov (LLMs), ktoré zvládajú špecifické úlohy, naďalej vyvíjajú, objavuje sa stále väčší počet takýchto AI. Preto je efektívne zostavovanie príkazov na aktiváciu vhodných agentných AI kľúčové. Nesprávne príkazy môžu viesť k zbytočným zásahom alebo zlyhaniu aktivácie zásadných AI. Tento stĺpec je súčasťou mojej prebiehajúcej série vo Forbse, ktorá skúma najnovšie trendy v AI a rôzne zložitosti v tejto oblasti. **Inžiniering príkazov v ére agentného AI** Predtým som diskutoval o mnohých technikách inžinierstva príkazov, ktoré môžu zlepšiť vaše výsledky s generatívnym AI, potenciálne vedúcimi k ziskovým príležitostiam. Nárast agentného AI prináša nové dimenzie do inžinierstva príkazov. Zvážte plánovanie dovolenky s generatívnym AI: hoci je počiatočné plánovanie jednoduché, rezervácia často vyžaduje prechod na webové stránky tretích strán. Tu vstupuje agentné AI, ktoré môže fungovať ako virtuálny cestovný agent, starajúci sa o plánovanie a rezerváciu prostredníctvom interakcií v prirodzenom jazyku. **Hodnota multi-agentného AI** Namiesto spoléhání sa na jedného agentného AI, využívanie viacerých agentov môže výrazne zvýšiť efektívnosť. Avšak to tiež predstavuje výzvu pri určovaní, ktorých agentov aktivovať. Nesprávny výber môže spôsobiť náklady alebo zložiť úlohy, zatiaľ čo neangažovanie správnych agentov môže brzdiť pokrok. Navrhujem dva hlavné prístupy pre zostavovanie príkazov využívajúcich multi-agentné AI: 1. **Miesto vodiča:** Používatelia špecifikujú, ktorých AI agentov aktivovať a v akom poradí, čím znižujú nejasnosť. 2. **Miesto pasažiera:** Používatelia načrtnú celkovú úlohu, čo umožňuje generatívnemu AI rozhodnúť, ktorých agentov zapojiť. Každý prístup má svoje výhody a nevýhody. Miesto vodiča poskytuje kontrolu na úkor potenciálnej zložitosti, zatiaľ čo miesto pasažiera ponúka jednoduchosť, ale vyžaduje jasnú komunikáciu, aby sa predišlo nejednoznačnosti. **Príklady v asistencii pri kódovaní** Aby sme ilustrovali, použime scénar kódovania, kde je k dispozícii päť AI agentov: 1.

**CodeFixer:** Odstráni chyby a optimalizuje kód. 2. **CodeReviewer:** Hodnotí kód z hľadiska osvedčených postupov. 3. **BugHunter:** Identifikuje zraniteľnosti a logické chyby. 4. **PerfAnalyzer:** Hodnotí výkon a navrhuje optimalizácie. 5. **DocWriter:** Generuje dokumentáciu. *Príklad z miesta vodiča:* Keď dostanem príkaz na opravu Python skriptu, môžem nariadiť: „Aktivujte CodeFixer, potom BugHunter, následne PerfAnalyzer. “ Generatívne AI potom potvrdí a vykoná dané poradie. *Príklad z miesta pasažiera:* Alternatívne môžem povedať: „Potrebujem pomoc so svojím Python skriptom; prosím, aktivujte agentov, ktorí môžu pomôcť. “ AI interpretuje moju požiadavku a vyberá agentov, pričom ma informuje o svojich plánovaných krokoch. Avšak nejasné príkazy môžu viesť k menej efektívnym výsledkom. Napríklad, jednoducho žiadať o „pomoc s mojím Python skriptom“ nemusí viesť k užitočnému zapojeniu agentov, pokiaľ to nie je jasné. **Emergujúci výskum v multi-agentnom AI** Výskum v AI komunite sa rýchlo vyvíja. Nedávna štúdia predstavila "AgentRec", ktorá sa zameriava na efektívny výber agentov na základe používateľských príkazov. Zistenia tejto štúdie poukazujú na potenciál generatívneho AI zlepšiť schopnosť výberu vhodných agentov na základe naučených dát. Ako adoptujeme a zdokonaľujeme tieto techniky, praktizovanie aktivácie multi-agentných AI bude kľúčové. Hoci mnohé aplikácie generatívneho AI momentálne obmedzujú priamu aktiváciu agentov, budúcnosť sľubuje zlepšenia. Nezabúdajte na Lincolnove slová: "Najlepšia vec na budúcnosti je, že prichádza len jeden deň naraz, " čo platí pre sa meniaci svet multi-agentného AI.