ხელოვნური ინტელექტის (AI) გამოყენებით შექმნილი ნებისმიერი ეფექტური სისტემა საჭიროებს დიდ ენობრივ მოდელებს (LLM) რეალურ სამყაროზე წვდომას: მაგალითად, საძიებო ხელსაწყოს გამოძახების შესაძლებლობას გარე ინფორმაციის მისაღებად, ან გარკვეულ პროგრამებზე მოქმედებას ამოცანის გადასაჭრელად. სხვა სიტყვებით რომ ვთქვათ, LLM-ებს უნდა ჰქონდეთ მოქმედების უნარი (agency). აგენტური პროგრამები LLM-ებისთვის გარე სამყაროსთან დამაკავშირებელ კარიბჭეს წარმოადგენს. AI აგენტები არის პროგრამები, სადაც LLM-ის შედეგები აკონტროლებს სამუშაო პროცესს. ნებისმიერი სისტემა, რომელიც იყენებს LLM-ებს, მათ შედეგებს კოდში აინტეგრირებს. LLM-ის შეყვანის გავლენა კოდის სამუშაო პროცესზე არის სისტემაში LLM-ების მოქმედების უნარის დონე. აღსანიშნავია, რომ ამ განსაზღვრებით, „აგენტი“ არ არის დისკრეტული, 0 ან 1 განმარტება: პირიქით, „მოქმედების უნარი“ ვითარდება უწყვეტ სპექტრზე, იმის მიხედვით, თუ რამდენ ძალაუფლებას ანიჭებთ LLM-ს თქვენს სამუშაო პროცესში. ქვემოთ მოცემული ცხრილი ასახავს, თუ როგორ განსხვავდება მოქმედების უნარი სისტემებში: მრავალსაფეხურიან აგენტს აქვს ასეთი კოდის სტრუქტურა: ეს სისტემა მუშაობს ციკლურად, ყოველ ნაბიჯზე ასრულებს ახალ მოქმედებას (მოქმედება შეიძლება მოიცავდეს წინასწარ განსაზღვრული ხელსაწყოების – ფუნქციების – გამოძახებას), სანამ მისი დაკვირვებები არ აჩვენებს, რომ მიღწეულია დამაკმაყოფილებელი მდგომარეობა მოცემული ამოცანის გადასაჭრელად. წარმოგიდგენთ მაგალითს, თუ როგორ შეუძლია მრავალსაფეხურიან აგენტს მარტივი მათემატიკური ამოცანის გადაჭრა: აგენტები სასარგებლოა, როდესაც გჭირდებათ, რომ LLM-მა განსაზღვროს აპლიკაციის სამუშაო პროცესი. მაგრამ ისინი ხშირად ზედმეტია. კითხვა ისმის: ნამდვილად მჭირდება თუ არა მოქნილობა სამუშაო პროცესში მიმდინარე ამოცანის ეფექტურად გადასაჭრელად? თუ წინასწარ განსაზღვრული სამუშაო პროცესი ხშირად არასაკმარისია, ეს ნიშნავს, რომ მეტი მოქნილობა გჭირდებათ. ავიღოთ მაგალითი: ვთქვათ, ქმნით აპლიკაციას, რომელიც ამუშავებს მომხმარებლის მოთხოვნებს სერფინგის ტურების ვებსაიტზე. წინასწარ შეიძლება იცოდეთ, რომ მოთხოვნები განეკუთვნება 2 კატეგორიიდან ერთ-ერთს (მომხმარებლის არჩევანის მიხედვით), და გაქვთ წინასწარ განსაზღვრული სამუშაო პროცესი თითოეული ამ 2 შემთხვევისთვის. თუ ეს დეტერმინისტული სამუშაო პროცესი შეესაბამება ყველა მოთხოვნას, მაშინ თავისუფლად დააკოდირეთ ყველაფერი! ეს მოგცემთ 100%-ით საიმედო სისტემას შეცდომის რისკის გარეშე, რომელიც შეიძლება შემოტანილი იყოს არაპროგნოზირებადი LLM-ების მიერ თქვენს სამუშაო პროცესში ჩარევით. სიმარტივისა და მდგრადობის მიზნით, რეკომენდებულია აგენტური ქცევის თავიდან აცილება. მაგრამ რა ხდება, თუ სამუშაო პროცესის წინასწარ ასე კარგად განსაზღვრა შეუძლებელია? მაგალითად, მომხმარებელს სურს იკითხოს: „შემიძლია ორშაბათს მოვიდე, მაგრამ პასპორტი დამავიწყდა, ამიტომ შესაძლოა ოთხშაბათამდე გადამიდონ. შესაძლებელია თუ არა ჩემი და ჩემი ნივთების წაღება სერფინგზე სამშაბათ დილით, გაუქმების დაზღვევით?“ ეს შეკითხვა მრავალ ფაქტორზეა დამოკიდებული, და ალბათ ზემოთ მოყვანილი წინასწარ განსაზღვრული კრიტერიუმებიდან არცერთი არ იქნება საკმარისი ამ მოთხოვნისთვის. თუ წინასწარ განსაზღვრული სამუშაო პროცესი ხშირად არასაკმარისია, ეს ნიშნავს, რომ მეტი მოქნილობა გჭირდებათ. სწორედ აქ გვეხმარება აგენტური დაყენება. ზემოთ მოყვანილ მაგალითში, შეგიძლიათ შექმნათ მრავალსაფეხურიანი აგენტი, რომელსაც ექნება წვდომა ამინდის პროგნოზირების API-ზე, Google Maps API-ზე მანძილის გამოსათვლელად, თანამშრომელთა ხელმისაწვდომობის დაფაზე და RAG სისტემაზე თქვენს ცოდნის ბაზაზე. ბოლო დრომდე, კომპიუტერული პროგრამები შემოიფარგლებოდა წინასწარ განსაზღვრული სამუშაო პროცესებით, ცდილობდნენ სირთულეების მოგვარებას „if/else“ გადამრთველების დაგროვებით. ისინი ორიენტირებული იყვნენ უკიდურესად ვიწრო ამოცანებზე, როგორიცაა „ამ რიცხვების ჯამის გამოთვლა“ ან „უმოკლესი გზის პოვნა ამ გრაფაში“. მაგრამ რეალურად, ცხოვრებისეული ამოცანების უმეტესობა, ისევე როგორც ჩვენი მოგზაურობის მაგალითი ზემოთ, არ ჯდება წინასწარ განსაზღვრულ სამუშაო პროცესებში. აგენტური სისტემები პროგრამებს უხსნის რეალური სამყაროს ამოცანების უზარმაზარ სამყაროს! მრავალსაფეხურიან აგენტში, ყოველ ნაბიჯზე, LLM-ს შეუძლია დაწეროს მოქმედება, გარე ხელსაწყოების გამოძახების სახით. ამ მოქმედებების დასაწერად გავრცელებული ფორმატი (რომელსაც იყენებენ Anthropic, OpenAI და მრავალი სხვა) ზოგადად მოიცავს „მოქმედებების JSON-ის სახით დაწერას, სადაც მითითებულია ხელსაწყოების სახელები და არგუმენტები გამოსაყენებლად, რომლებსაც შემდეგ აანალიზებთ, რათა იცოდეთ რომელი ხელსაწყო შეასრულოთ და რა არგუმენტებით“. მრავალმა კვლევითმა ნაშრომმა აჩვენა, რომ LLM-ების ხელსაწყოების კოდში გამოძახება ბევრად უკეთესია. ამის მიზეზი მარტივია: ჩვენ შევქმენით ჩვენი კოდის ენები კონკრეტულად იმისთვის, რომ საუკეთესო გზით გამოგვეხატა კომპიუტერის მიერ შესრულებული მოქმედებები. თუ JSON-ის ფრაგმენტები უკეთესი გამომსახველობა იქნებოდა, JSON იქნებოდა საუკეთესო პროგრამირების ენა და პროგრამირება ჯოჯოხეთი იქნებოდა დედამიწაზე. ქვემოთ მოცემული სურათი, აღებული „Executable Code Actions Elicit Better LLM Agents“ ნაშრომიდან, ასახავს კოდში მოქმედებების დაწერის ზოგიერთ უპირატესობას: კოდში მოქმედებების დაწერა JSON-ის მსგავსი ფრაგმენტების ნაცვლად უზრუნველყოფს უკეთესს: ჩვენ შევქმენით `smolagents` შემდეგი მიზნებით: ✨ სიმარტივე: აგენტების ლოგიკა ჯდება დაახლოებით ათასობით ხაზში კოდში (იხილეთ ეს ფაილი). ჩვენ შევინარჩუნეთ აბსტრაქციები მინიმალურ ფორმაში უშუალოდ კოდზე მაღლა! 🧑‍💻 პირველი კლასის მხარდაჭერა კოდის აგენტებისთვის, ანუ აგენტებისთვის, რომლებიც წერენ თავიანთ მოქმედებებს კოდში (განსხვავებით „აგენტების, რომლებიც გამოიყენება კოდის დასაწერად“). უსაფრთხოების უზრუნველსაყოფად, ჩვენ მხარს ვუჭერთ შესრულებას ქვიშის ყუთის (sandboxed) გარემოში E2B-ის მეშვეობით. 🤗 Hub ინტეგრაციები: შეგიძლიათ გააზიაროთ და ჩატვირთოთ ხელსაწყოები Hub-ში/დან, და კიდევ ბევრი რამ მოვა! 🌐 ნებისმიერი LLM-ის მხარდაჭერა: ის მხარს უჭერს Hub-ზე განთავსებულ მოდელებს, რომლებიც დატვირთულია მათი ტრანსფორმერების ვერსიით ან ჩვენი დასკვნის API-ის მეშვეობით, ასევე მხარს უჭერს მოდელებს OpenAI-დან, Anthropic-დან და მრავალი სხვაგან ჩვენი LiteLLM ინტეგრაციის საშუალებით. `smolagents` არის წინამორბედი...