У сьогоднішній колонці я представляю нову стратегію створення запитів, спрямовану на оптимізацію використання багатосуб'єктного ШІ. Оскільки агентний ШІ, включаючи генеративний ШІ та великі мовні моделі (LLM), які виконують певні завдання, продовжує еволюціонувати, з’являється все більше таких ШІ. Отже, ефективне формулювання запитів для взаємодії з відповідними агентними ШІ стає надзвичайно важливим. Невідповідні запити можуть призвести до непотрібних взаємодій або не активувати важливі ШІ. Ця колонка є частиною моєї безперервної серії в Forbes, яка досліджує останні новини в галузі ШІ та різні складнощі в цій сфері. **Інженерія запитів в епоху агентного ШІ** Раніше я обговорював численні методи інженерії запитів, які можуть покращити ваші результати з генеративним ШІ, потенційно призводячи до вигідних можливостей. Зростання агентного ШІ вводить нові виміри в інженерію запитів. Розгляньте планування відпустки за допомогою генеративного ШІ: хоча початкове планування може бути простим, бронювання часто вимагає переходу на сторонні вебсайти. На допомогу приходить агентний ШІ, який може функціонувати як віртуальний туристичний агент, займаючись плануванням та бронюванням через взаємодію природною мовою. **Цінність багатосуб'єктних ШІ** Замість того, щоб покладатися на один агентний ШІ, використання кількох агентів може значно підвищити ефективність. Однак це також піднімає питання про те, яких агентів залучати. Неправильний вибір може призвести до витрат або ускладнення завдань, тоді як відмова від залучення правильних агентів може заважати прогресу. Я пропоную два основні підходи до складання запитів, що стосуються багатосуб'єктного ШІ: 1. **Водійське місце:** Користувачі вказують, які AI-агенти активувати та в якому порядку, зменшуючи невизначеність. 2. **Місце пасажира:** Користувачі окреслюють загальне завдання, дозволяючи генеративному ШІ вирішити, яких агентів залучити. У кожного підходу є свої компроміси. «Водійське місце» забезпечує контроль за рахунок потенційної складності, тоді як «місце пасажира» пропонує простоту, але вимагає чіткого спілкування, щоб уникнути двозначності. **Приклади в допомозі коду** Щоб проілюструвати, використаємо сценарій коду, де доступні п’ять AI-агентів: 1. **CodeFixer:** Виправляє та оптимізує код. 2.

**CodeReviewer:** Оцінює код на відповідність найкращим практикам. 3. **BugHunter:** Виявляє вразливості та логічні помилки. 4. **PerfAnalyzer:** Оцінює продуктивність і пропонує оптимізації. 5. **DocWriter:** Генерує документацію. *Приклад "водійського місця":* Отримавши запит на виправлення скрипту Python, я можу вказати: «Активуйте CodeFixer, потім BugHunter, і нарешті PerfAnalyzer». Генеративний ШІ потім підтверджує та виконує зазначену послідовність. *Приклад "місця пасажира":* Натомість я можу сказати: «Мені потрібна допомога з моїм скриптом Python; будь ласка, активуйте агентів, які можуть допомогти». ШІ трактує мій запит і обирає агентів, повідомляючи мене про свої дії. Однак неясні запити можуть призвести до менш ефективних результатів. Наприклад, просто попросивши «допомогу з моїм скриптом Python», ви можете не отримати корисних дій агентів, якщо це не буде уточнено. **Нові дослідження в багатосуб'єктному ШІ** Дослідження в спільноті ШІ швидко просуваються вперед. Нещодавно було представлено дослідження "AgentRec", яке зосереджене на ефективному виборі агентів на основі запитів користувачів. Інсайти цього дослідження підкреслюють потенціал генеративного ШІ підвищити свою здатність обирати відповідних агентів на основі навчальних даних. Оскільки ми приймаємо та вдосконалюємо ці техніки, практикувати використання багатосуб'єктного ШІ буде важливо. Хоча багато застосувань генеративного ШІ наразі обмежують прямий виклик агентів, майбутнє обіцяє покращення. Пам’ятайте слова Лінкольна: «Найкраще в майбутньому те, що воно приходить лише по одному дню за раз», що стосується змінюваного ландшафту багатосуб'єктного ШІ.