Ανακαλύψτε πώς το νέο πλαίσιο PAN και το ENCOMPASS από MIT και Asari AI φέρνουν την επανάσταση στην κλιμάκωση των AI Agents, διαχωρίζοντας τη λογική από το inference.
Ο διαχωρισμός της λογικής από τη διαδικασία εξαγωγής συμπερασμάτων αποτελεί μια σημαντική καινοτομία που βελτιώνει την επεκτασιμότητα των πρακτόρων AI, αποσυνδέοντας τις βασικές ροές εργασίας από τις στρατηγικές εκτέλεσης. Αυτή η εξέλιξη είναι κρίσιμη για το μέλλον της τεχνολογίας και την ανάπτυξη πιο αποδοτικών συστημάτων.
Η μετάβαση από τα πρωτότυπα της Generative AI σε πράκτορες (agents) επιπέδου παραγωγής εισάγει ένα συγκεκριμένο μηχανικό εμπόδιο: την αξιοπιστία. Τα LLMs είναι από τη φύση τους στοχαστικά συστήματα. Ένα prompt που λειτουργεί αποτελεσματικά μία φορά, μπορεί να αποτύχει στη δεύτερη προσπάθεια.
Για να μετριάσουν αυτό το ρίσκο, οι ομάδες ανάπτυξης συχνά αναγκάζονται να «τυλίγουν» τη βασική επιχειρηματική λογική σε πολύπλοκες διαδικασίες, όπως:
Το πρόβλημα: Αυτή η προσέγγιση δημιουργεί ένα σοβαρό ζήτημα συντήρησης. Ο κώδικας που ορίζει τι πρέπει να κάνει ένας πράκτορας αναμιγνύεται άρρηκτα με τον κώδικα που ορίζει πώς να αντιμετωπιστεί η απρόβλεπτη συμπεριφορά του μοντέλου, δυσκολεύοντας την εξέλιξη των εφαρμογών.
Ένα νέο, προηγμένο πλαίσιο που προτάθηκε από ερευνητές της Asari AI, του MIT CSAIL και του Caltech προτείνει ότι απαιτείται ένα διαφορετικό αρχιτεκτονικό πρότυπο για την πραγματική κλιμάκωση των agentic workflows (ροών εργασίας πρακτόρων) στην σύγχρονη επιχείρηση.
Η έρευνα εισάγει ένα μοντέλο προγραμματισμού που ονομάζεται Probabilistic Angelic Nondeterminism (PAN) και μια υλοποίηση σε Python με το όνομα ENCOMPASS. Αυτή η μέθοδος φέρνει μια πραγματική επανάσταση με τους εξής τρόπους:
Αυτός ο στρατηγικός διαχωρισμός αρμοδιοτήτων προσφέρει μια πιθανή διαδρομή για τη μείωση του τεχνικού χρέους, βελτιώνοντας παράλληλα την απόδοση των αυτοματοποιημένων εργασιών σε κάθε εφαρμογή AI.
Οι τρέχουσες προσεγγίσεις στον προγραμματισμό πρακτόρων συχνά συγχέουν δύο διαφορετικές πτυχές σχεδιασμού, εμποδίζοντας την ομαλή λειτουργία:
