Trong cột bài viết hôm nay, tôi giới thiệu một chiến lược gợi ý mới nhằm tối ưu hóa việc sử dụng AI đa tác nhân. Khi AI có khả năng tác động, bao gồm cả AI sinh sinh và các mô hình ngôn ngữ lớn (LLMs) thực hiện các nhiệm vụ cụ thể, tiếp tục phát triển, ngày càng nhiều AI sẽ xuất hiện. Do đó, việc soạn thảo các gợi ý để tương tác với các AI tác động thích hợp trở nên rất quan trọng. Các gợi ý không phù hợp có thể dẫn đến việc tương tác không cần thiết hoặc không kích hoạt được các AI thiết yếu. Cột bài viết này là một phần trong chuỗi bài viết thường xuyên của tôi trên Forbes, khám phá những phát triển mới nhất trong AI và những phức tạp khác nhau trong lĩnh vực này. **Kỹ Thuật Gợi Ý Trong Thời Đại AI Tác Động** Trước đây, tôi đã thảo luận về nhiều kỹ thuật kỹ thuật gợi ý có thể nâng cao kết quả của bạn với AI sinh sinh, có khả năng dẫn đến các cơ hội sinh lợi. Sự gia tăng của AI tác động mở ra những chiều hướng mới cho kỹ thuật gợi ý. Hãy xem xét việc lên kế hoạch cho một kỳ nghỉ với AI sinh sinh: trong khi việc lập kế hoạch ban đầu có thể đơn giản, việc đặt chỗ thường yêu cầu chuyển sang các trang web bên thứ ba. Lúc này, AI tác động có thể hoạt động như một đại lý du lịch ảo, lo liệu việc lập kế hoạch và đặt chỗ thông qua các tương tác ngôn ngữ tự nhiên. **Giá Trị Của Các AI Đa Tác Nhân** Thay vì chỉ dựa vào một AI tác động duy nhất, việc sử dụng nhiều đại lý có thể nâng cao hiệu quả đáng kể. Tuy nhiên, điều này cũng đặt ra thách thức trong việc xác định các đại lý nào cần được kích hoạt. Việc lựa chọn không chính xác có thể gây ra chi phí hoặc làm phức tạp nhiệm vụ, trong khi không kích hoạt đúng đại lý có thể cản trở tiến trình. Tôi đề xuất hai phương pháp chính cho việc soạn thảo gợi ý liên quan đến AI đa tác nhân: 1. **Ghế Lái:** Người dùng chỉ định các AI nào cần được kích hoạt và theo thứ tự nào, giảm bớt sự mơ hồ. 2. **Ghế Hành Khách:** Người dùng phác thảo nhiệm vụ tổng thể, cho phép AI sinh sinh quyết định đại lý nào cần được tham gia. Mỗi phương pháp đều có những thương lượng. Ghế lái cung cấp sự kiểm soát với chi phí tiềm năng phức tạp, trong khi ghế hành khách mang lại sự đơn giản nhưng cần sự giao tiếp rõ ràng để tránh sự mơ hồ. **Ví Dụ Trong Hỗ Trợ Lập Trình** Để minh họa, hãy sử dụng một tình huống lập trình mà trong đó có năm AI đại lý sẵn có: 1.

**CodeFixer:** Gỡ lỗi và tối ưu hóa mã. 2. **CodeReviewer:** Đánh giá mã theo các phương pháp tốt nhất. 3. **BugHunter:** Xác định lỗ hổng và lỗi logic. 4. **PerfAnalyzer:** Đánh giá hiệu suất và đề xuất các tối ưu hóa. 5. **DocWriter:** Tạo tài liệu. *Ví Dụ Ghế Lái:* Khi được đưa ra một gợi ý để sửa một đoạn mã Python, tôi có thể chỉ định: “Kích hoạt CodeFixer, sau đó BugHunter, sau đó là PerfAnalyzer. ” AI sinh sinh sau đó xác nhận và thực hiện theo thứ tự đã chỉ định. *Ví Dụ Ghế Hành Khách:* Ngược lại, tôi có thể nói: “Tôi cần trợ giúp với mã Python của tôi; xin hãy gọi những đại lý có thể hỗ trợ. ” AI diễn giải yêu cầu của tôi và chọn các đại lý trong khi giữ cho tôi được thông báo về các hành động mà nó dự định thực hiện. Tuy nhiên, các gợi ý mơ hồ có thể dẫn đến các kết quả ít hiệu quả hơn. Ví dụ, chỉ đơn giản yêu cầu “giúp với mã Python của tôi” có thể không dẫn đến sự tham gia hữu ích của các đại lý trừ khi được làm rõ. **Nghiên Cứu Mới Nổi Trong AI Đa Tác Nhân** Nghiên cứu trong cộng đồng AI đang nhanh chóng tiến bộ. Một nghiên cứu gần đây đã giới thiệu "AgentRec, " tập trung vào việc lựa chọn đại lý một cách hiệu quả dựa trên các gợi ý của người dùng. Những kiến thức từ nghiên cứu này nêu bật tiềm năng của AI sinh sinh trong việc cải thiện khả năng chọn lựa các đại lý thích hợp dựa trên dữ liệu đã học. Khi chúng ta áp dụng và tinh chỉnh các kỹ thuật này, việc thực hành kích hoạt các AI đa tác nhân sẽ rất quan trọng. Trong khi nhiều ứng dụng AI sinh sinh hiện tại hạn chế việc kích hoạt trực tiếp các đại lý, tương lai hứa hẹn sẽ có những cải tiến. Hãy nhớ những lời của Lincoln: “Điều tuyệt vời nhất về tương lai là nó chỉ đến một ngày một lần, ” điều này áp dụng cho bối cảnh đang phát triển của AI đa tác nhân.