Katika safu ya leo, nawasilisha mkakati mpya wa kutoa maelekezo yenye lengo la kuimarisha matumizi ya AI yenye uwezo wa kufanya kazi kwa pamoja. Kama AI yenye uwezo wa kufanya kazi, ikiwa ni pamoja na AI inayounda na mifano mikubwa ya lugha (LLMs) ambayo inashughulikia kazi maalum, inaendelea kubadilika, idadi inayoongezeka ya AIs hizi itakuwa inajitokeza. Hivyo basi, kuunda maelekezo kwa ufanisi ili kujihusisha na AIs zinazofaa inakuwa muhimu. Maelekezo yasiyo sahihi yanaweza kusababisha ushirikiano usio muhimu au kushindwa kuamsha AIs muhimu. Safu hii ni sehemu ya mfululizo wangu unaoendelea katika Forbes, unaochunguza maendeleo ya hivi karibuni katika AI na changamoto mbalimbali katika uwanja huo. **Uhandisi wa Maelekezo Katika Enzi ya AI yenye Uwezo wa Kazi** Hapo awali, nilizungumza kuhusu mbinu nyingi za uhandisi wa maelekezo ambazo zinaweza kuimarisha matokeo yako na AI inayounda, na huenda zikakupelekea fursa za faida. Kuibuka kwa AI yenye uwezo wa kazi kunaleta vipengele vipya katika uhandisi wa maelekezo. Fikiria kupanga likizo na AI inayounda: wakati mpango wa awali unaweza kuwa rahisi, kuweka nafasi mara nyingi kunahitaji kubadili kwenye tovuti za wahusika wa kando. Ingia AI yenye uwezo wa kazi, ambayo inaweza kutenda kama wakala wa kusafiri wa mtandaoni, ikishughulikia kupanga na kuweka nafasi kupitia mawasiliano ya lugha ya asili. **Thamani ya AIs za Multi-Agent** Badala ya kutegemea AI moja tu, kutumia wakala wengi kunaweza kuongeza ufanisi kwa kiasi kikubwa. Hata hivyo, hii pia inazua changamoto ya kubaini ni wakala gani wa kuingiza. Uchaguzi usio sahihi unaweza kuleta gharama au kuleta ugumu wa kazi, wakati kushindwa kuhusisha wakala sahihi kunaweza kuzuia maendeleo. Ninapendekeza mbinu mbili kuu za kuunda maelekezo yanayohusisha AI ya multi-agent: 1. **Kiti cha Dereva:** Watumiaji wanataja ni wakala gani wa AI wa kuamsha na kwa mpangilio gani, kupunguza kutatanisha. 2. **Kiti cha Abiria:** Watumiaji wanaelezea kazi ya jumla, wakiacha AI inayounda kuamua ni wakala gani wa kuingiza. Kuna faida na hasara katika kila njia. Kiti cha dereva kinatoa udhibiti lakini kinaweza kuwa na ugumu, wakati kiti cha abiria kinatoa urahisi lakini kinahitaji mawasiliano wazi ili kuepuka kutatanisha. **Mifano Katika Msaada wa Uandishi wa Kode** Ili kuonyesha, hebu tumie hali ya uandishi wa kode ambapo wakala watano wa AI wanapatikana: 1.

**CodeFixer:** Anarekebisha na kuimarisha kode. 2. **CodeReviewer:** Anakagua kode kwa ajili ya mbinu bora. 3. **BugHunter:** Anakagua udhaifu na makosa ya mantiki. 4. **PerfAnalyzer:** Anakadiria utendaji na kupendekeza maboresho. 5. **DocWriter:** Anaandika hati. *Mfano wa Kiti cha Dereva:* Ninapopewa maelekezo ya kurekebisha skripti ya Python, naweza kusema: “Amsha CodeFixer, kisha BugHunter, halafu PerfAnalyzer. ” AI inayounda inathibitisha na kutekeleza mpangilio uliotajwa. *Mfano wa Kiti cha Abiria:* Vinginevyo, naweza kusema: “Nahitaji msaada na skripti yangu ya Python; tafadhali amsha wakala wanaoweza kusaidia. ” AI inatafsiri ombi langu na kuchagua wakala huku ikinijulisha kuhusu hatua zake zilizoandaliwa. Hata hivyo, maelekezo yasiyo wazi yanaweza kusababisha matokeo yasiyo bora. Kwa mfano, kuomba tu “msaada na skripti yangu ya Python” huenda kukasababisha ushirikiano usiofaa wa wakala isipokuwa ieleweke vizuri. **Utafiti Unaotokea Katika AI ya Multi-Agent** Utafiti katika jamii ya AI unakua kwa haraka. Utafiti wa hivi karibuni ulianzisha "AgentRec, " unaolenga kuchagua wakala kwa ufanisi kulingana na maelekezo ya mtumiaji. Maoni ya utafiti huu yanaonyesha uwezekano wa AI inayounda kuboresha uwezo wake wa kuchagua wakala sahihi kulingana na data iliyojifunza. Tunapokubali na kuboresha mbinu hizi, kufanyia mazoezi kuingiza AIs za multi-agent kutakuwa muhimu. Ingawa programu nyingi za AI zinazounda kwa sasa zinakabiliwa na vikwazo vya kuingiza wakala moja kwa moja, siku zijazo zinaahidi maboresho. Kumbuka maneno ya Lincoln: "Kitu bora kuhusu siku zijazo ni kwamba zinakuja moja kwa wakati, " ambayo inatumika katika mandhari inayoendelea ya AI yenye uwezo wa kufanya kazi kwa pamoja.