ਏਜੰਟ ਵਿਕਾਸ ਵਿੱਚ ਸਾਦਗੀ: ਗੁੰਝਲਦਾਰਤਾ ਨਾਲੋਂ ਬਿਹਤਰ

ਜਾਣ-ਪਛਾਣ

ਇੰਟੈਲੀਜੈਂਟ ਏਜੰਟਾਂ ਦੀ ਧਾਰਨਾ ਬਹੁਤ ਵਿਆਪਕ ਹੈ। ਕਈ ਲੋਕ ਇਸਨੂੰ ਇੱਕ "ਸਰਬ-ਗੁਣ ਸੰਪੰਨ ਮੈਨੇਜਰ" ਵਜੋਂ ਦੇਖਦੇ ਹਨ ਜੋ ਸੁਤੰਤਰ ਰੂਪ ਵਿੱਚ ਸੋਚਣ, ਫੈਸਲੇ ਲੈਣ ਅਤੇ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ। ਦੂਸਰੇ ਇਸਨੂੰ ਇੱਕ "ਨਿਯਮਾਂ ਵਾਲਾ ਕਰਮਚਾਰੀ" ਮੰਨਦੇ ਹਨ ਜੋ ਪਹਿਲਾਂ ਤੋਂ ਨਿਰਧਾਰਤ ਕਾਰਜ ਪ੍ਰਵਾਹਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ। Anthropic ਇਹਨਾਂ ਦੋਨਾਂ ਨੂੰ ਇੰਟੈਲੀਜੈਂਟ ਸਿਸਟਮ ਕਹਿੰਦਾ ਹੈ ਅਤੇ ਕਾਰਜ ਪ੍ਰਵਾਹਾਂ ਅਤੇ ਏਜੰਟਾਂ ਵਿੱਚ ਅੰਤਰ ਕਰਦਾ ਹੈ:

• ਕਾਰਜ ਪ੍ਰਵਾਹ: ਇੱਕ ਸਿਸਟਮ ਜੋ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (LLMs) ਅਤੇ ਸਾਧਨਾਂ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਨਿਰਧਾਰਤ ਕੋਡ ਮਾਰਗਾਂ ਰਾਹੀਂ ਸੰਗਠਿਤ ਕਰਦਾ ਹੈ।
• ਏਜੰਟ: ਇੱਕ ਸਿਸਟਮ ਜੋ LLM ਦੁਆਰਾ ਗਤੀਸ਼ੀਲ ਰੂਪ ਵਿੱਚ ਨਿਰਦੇਸ਼ਿਤ ਹੁੰਦਾ ਹੈ, ਆਪਣੇ ਕਾਰਜਾਂ ਅਤੇ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਨੂੰ ਸਵੈ-ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ।

ਏਜੰਟਾਂ ਦੀ ਵਰਤੋਂ ਕਦੋਂ ਕਰੀਏ

Anthropic AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਵਿਕਸਿਤ ਕਰਦੇ ਸਮੇਂ "ਸਾਦਾ ਰੱਖੋ, ਜਦੋਂ ਤੱਕ ਜ਼ਰੂਰੀ ਨਾ ਹੋਵੇ" ਦੇ ਸਿਧਾਂਤ ਦੀ ਪਾਲਣਾ ਕਰਨ ਦੀ ਸਲਾਹ ਦਿੰਦਾ ਹੈ। ਹਰ ਸਥਿਤੀ ਲਈ ਗੁੰਝਲਦਾਰ ਇੰਟੈਲੀਜੈਂਟ ਸਿਸਟਮ ਬਣਾਉਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ। ਇੰਟੈਲੀਜੈਂਟ ਸਿਸਟਮ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੁੰਦੇ ਹਨ, ਪਰ ਇਹਨਾਂ ਨਾਲ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਦੇਰੀ ਅਤੇ ਲਾਗਤਾਂ ਵੱਧ ਸਕਦੀਆਂ ਹਨ। ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਕਾਰਜਸ਼ੀਲਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਵਿਚਕਾਰ ਸੰਤੁਲਨ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

• ਕਾਰਜ ਪ੍ਰਵਾਹ: ਸਪਸ਼ਟ ਕੰਮਾਂ ਲਈ ਢੁਕਵੇਂ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਭਵਿੱਖਬਾਣੀ ਯੋਗਤਾ ਅਤੇ ਇਕਸਾਰਤਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
• ਏਜੰਟ: ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਦ੍ਰਿਸ਼ਾਂ ਲਈ ਵਧੇਰੇ ਢੁਕਵੇਂ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਲਚਕਤਾ ਅਤੇ ਮਾਡਲ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਫੈਸਲੇ ਲੈਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਬਹੁਤ ਸਾਰੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ, ਚੰਗੇ ਪ੍ਰੋਂਪਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ, ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨਾ ਅਤੇ ਸੰਦਰਭ ਉਦਾਹਰਣਾਂ ਨਾਲ ਜੋੜ ਕੇ, ਸਿੱਧੇ ਵੱਡੇ ਮਾਡਲਾਂ ਤੋਂ ਪੁੱਛਣਾ ਕਾਫੀ ਹੁੰਦਾ ਹੈ।

ਫਰੇਮਵਰਕ ਦੀ ਵਰਤੋਂ

ਮਾਰਕੀਟ ਵਿੱਚ ਕਈ ਫਰੇਮਵਰਕ ਮੌਜੂਦ ਹਨ ਜੋ ਡਿਵੈਲਪਰਾਂ ਨੂੰ AI ਏਜੰਟ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ:

• LangChain ਦਾ LangGraph
• Amazon Bedrock ਦਾ AI ਏਜੰਟ ਫਰੇਮਵਰਕ
• ਡਰੈਗ-ਐਂਡ-ਡ੍ਰੌਪ ਵੱਡਾ ਮਾਡਲ ਵਰਕਫਲੋ ਬਿਲਡਿੰਗ ਟੂਲ Rivet
• ਗੁੰਝਲਦਾਰ ਵਰਕਫਲੋ ਬਣਾਉਣ ਅਤੇ ਟੈਸਟ ਕਰਨ ਲਈ GUI ਟੂਲ Vellum

ਇਹ ਫਰੇਮਵਰਕ ਵਿਕਾਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਰਲ ਬਣਾਉਂਦੇ ਹਨ, ਪਰ ਇਹ ਕੋਡ ਵਿੱਚ ਐਬਸਟਰੈਕਸ਼ਨ ਦੀ ਇੱਕ ਪਰਤ ਵੀ ਜੋੜਦੇ ਹਨ, ਅੰਤਰੀਵ ਤਰਕ ਨੂੰ ਘੱਟ ਪਾਰਦਰਸ਼ੀ ਬਣਾਉਂਦੇ ਹਨ, ਡੀਬੱਗਿੰਗ ਨੂੰ ਮੁਸ਼ਕਲ ਬਣਾਉਂਦੇ ਹਨ, ਅਤੇ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਸਧਾਰਨ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਗੁੰਝਲਦਾਰ ਹੱਲ ਪੇਸ਼ ਕਰਦੇ ਹਨ।

Anthropic ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਸਿੱਧੇ ਵੱਡੇ ਮਾਡਲਾਂ ਦੇ API ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸ਼ੁਰੂਆਤ ਕਰਨ ਦੀ ਸਲਾਹ ਦਿੰਦਾ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਮਾਡਲ ਸਿਰਫ਼ ਕੁਝ ਕੋਡ ਲਾਈਨਾਂ ਨਾਲ ਹੀ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਜੇਕਰ ਤੁਸੀਂ ਫਰੇਮਵਰਕ ਵਰਤਣ ਦਾ ਫੈਸਲਾ ਕਰਦੇ ਹੋ, ਤਾਂ ਇਸਦੇ ਅੰਤਰੀਵ ਸਿਧਾਂਤਾਂ ਨੂੰ ਸਮਝਣਾ ਯਕੀਨੀ ਬਣਾਓ। ਫਰੇਮਵਰਕ ਦੇ ਅੰਤਰੀਵ ਮਕੈਨਿਜ਼ਮ ਦੀ ਅਧੂਰੀ ਸਮਝ ਵਿਕਾਸ ਸਮੱਸਿਆਵਾਂ ਦਾ ਇੱਕ ਮੁੱਖ ਕਾਰਨ ਹੈ।

Anthropic ਦਾ ਕੁੱਕਬੁੱਕ ਖਾਸ ਉਦਾਹਰਣਾਂ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਬਿਲਡਿੰਗ ਬਲਾਕ, ਕਾਰਜ ਪ੍ਰਵਾਹ, ਅਤੇ ਏਜੰਟ

ਮੂਲ ਬਿਲਡਿੰਗ ਬਲਾਕ: ਵਧੇ ਹੋਏ LLM

ਇੰਟੈਲੀਜੈਂਟ ਸਿਸਟਮਾਂ ਦਾ ਮੂਲ ਬਿਲਡਿੰਗ ਬਲਾਕ ਇੱਕ ਵਧਿਆ ਹੋਇਆ LLM ਹੈ, ਜਿਸ ਵਿੱਚ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਅਤੇ ਯਾਦ ਰੱਖਣ ਵਰਗੀਆਂ ਸਮਰੱਥਾਵਾਂ ਹਨ। Anthropic ਦੇ ਮਾਡਲ ਸਰਗਰਮੀ ਨਾਲ ਇਹਨਾਂ ਸਮਰੱਥਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਖੋਜ ਪੁੱਛਗਿੱਛਾਂ ਤਿਆਰ ਕਰਨਾ, ਟੂਲ ਚੁਣਨਾ ਅਤੇ ਰੱਖੀ ਜਾਣ ਵਾਲੀ ਜਾਣਕਾਰੀ ਦਾ ਫੈਸਲਾ ਕਰਨਾ।

ਕਾਰਜਸ਼ੀਲਤਾ ਨੂੰ ਵਧਾਉਂਦੇ ਸਮੇਂ, ਇਹਨਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ:

• ਖਾਸ ਐਪਲੀਕੇਸ਼ਨ ਦ੍ਰਿਸ਼ਾਂ ਦੇ ਅਨੁਸਾਰ ਕਾਰਜਸ਼ੀਲਤਾ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰੋ
• ਮਾਡਲ ਲਈ ਸਧਾਰਨ ਅਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਸਤਾਵੇਜ਼ੀ ਇੰਟਰਫੇਸ ਪ੍ਰਦਾਨ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ

Anthropic ਦੁਆਰਾ ਹਾਲ ਹੀ ਵਿੱਚ ਜਾਰੀ ਕੀਤਾ ਮਾਡਲ ਸੰਦਰਭ ਪ੍ਰੋਟੋਕੋਲ AI ਮਾਡਲਾਂ ਨੂੰ ਤੀਜੀ-ਧਿਰ ਦੇ ਸਾਧਨਾਂ ਦੇ ਈਕੋਸਿਸਟਮ ਨਾਲ ਏਕੀਕ੍ਰਿਤ ਕਰਨਾ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ।

ਕਾਰਜ ਪ੍ਰਵਾਹ: ਪ੍ਰੋਂਪਟ ਚੇਨ

ਪ੍ਰੋਂਪਟ ਚੇਨ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਨੂੰ ਕਈ ਕਦਮਾਂ ਵਿੱਚ ਤੋੜ ਦਿੰਦੀ ਹੈ, ਹਰ ਕਦਮ ਵਿੱਚ ਇੱਕ ਵਾਰ ਵੱਡੇ ਮਾਡਲ ਨੂੰ ਕਾਲ ਕਰਦੀ ਹੈ, ਅਤੇ ਬਾਅਦ ਵਾਲੇ ਕਦਮ ਪਿਛਲੇ ਕਦਮ ਦੇ ਨਤੀਜਿਆਂ 'ਤੇ ਅਧਾਰਤ ਹੁੰਦੇ ਹਨ। ਡਿਵੈਲਪਰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਵਿਚਕਾਰਲੇ ਪੜਾਵਾਂ ਵਿੱਚ ਚੈਕਪੁਆਇੰਟ ਜੋੜ ਸਕਦੇ ਹਨ ਕਿ ਪ੍ਰਕਿਰਿਆ ਉਮੀਦ ਅਨੁਸਾਰ ਅੱਗੇ ਵਧ ਰਹੀ ਹੈ।

ਪ੍ਰੋਂਪਟ ਚੇਨ ਉਹਨਾਂ ਦ੍ਰਿਸ਼ਾਂ ਲਈ ਢੁਕਵੀਆਂ ਹਨ ਜਿੱਥੇ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਸਥਿਰ ਉਪ-ਕਾਰਜਾਂ ਦੀ ਇੱਕ ਲੜੀ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਹਰੇਕ ਮਾਡਲ ਇੱਕ ਸਧਾਰਨ ਕੰਮ ਨੂੰ ਪੂਰਾ ਕਰਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਤ ਕਰਦਾ ਹੈ, ਅਤੇ ਹਾਲਾਂਕਿ ਸਮੁੱਚਾ ਜਵਾਬ ਸਮਾਂ ਥੋੜਾ ਲੰਬਾ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ।

ਵਿਸ਼ੇਸ਼ ਐਪਲੀਕੇਸ਼ਨ ਕੇਸ:

• ਪਹਿਲਾਂ ਮਾਰਕੀਟਿੰਗ ਕਾਪੀ ਤਿਆਰ ਕਰੋ, ਫਿਰ ਇਸਨੂੰ ਹੋਰ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰੋ।
• ਪਹਿਲਾਂ ਇੱਕ ਦਸਤਾਵੇਜ਼ ਦੀ ਰੂਪਰੇਖਾ ਲਿਖੋ ਅਤੇ ਪਾਲਣਾ ਜਾਂਚ ਕਰੋ, ਫਿਰ ਰੂਪਰੇਖਾ ਦੇ ਅਧਾਰ 'ਤੇ ਇੱਕ ਪੂਰਾ ਦਸਤਾਵੇਜ਼ ਲਿਖੋ।

ਕਾਰਜ ਪ੍ਰਵਾਹ: ਸਮਾਰਟ ਸੋਰਟਿੰਗ

ਸੋਰਟਿੰਗ ਤਕਨੀਕਾਂ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀਆਂ ਹਨ ਕਿ ਇੱਕ ਇਨਪੁਟ ਕੰਮ ਕਿਸ ਕਿਸਮ ਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਸੰਬੰਧਿਤ ਮੋਡੀਊਲ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀਆਂ ਹਨ। ਇਹ ਡਿਜ਼ਾਈਨ ਹਰੇਕ ਮੋਡੀਊਲ ਨੂੰ ਖਾਸ ਕੰਮਾਂ ਲਈ ਅਨੁਕੂਲਿਤ ਕਰਨ ਅਤੇ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਕੰਮਾਂ ਵਿਚਕਾਰ ਦਖਲਅੰਦਾਜ਼ੀ ਤੋਂ ਬਚਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਸਮਾਰਟ ਸੋਰਟਿੰਗ ਉਹਨਾਂ ਦ੍ਰਿਸ਼ਾਂ ਲਈ ਢੁਕਵੀਂ ਹੈ ਜਿੱਥੇ ਕੰਮਾਂ ਵਿੱਚ ਸਪੱਸ਼ਟ ਵਰਗੀਕਰਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ। AI ਸਿਸਟਮ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਜਾਂ ਰਵਾਇਤੀ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੰਮ ਦੀ ਕਿਸਮ ਦੀ ਸਹੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਥਾਵਾਂ 'ਤੇ ਭੇਜ ਸਕਦੇ ਹਨ।

ਵਿਸ਼ੇਸ਼ ਐਪਲੀਕੇਸ਼ਨ ਕੇਸ:

• ਕਸਟਮਰ ਸੇਵਾ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ, ਆਮ ਪੁੱਛਗਿੱਛਾਂ, ਰਿਫੰਡ ਬੇਨਤੀਆਂ ਅਤੇ ਤਕਨੀਕੀ ਸਹਾਇਤਾ ਵਰਗੇ ਮੁੱਦਿਆਂ ਨੂੰ ਸੰਬੰਧਿਤ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਭੇਜੋ।
• ਛੋਟੇ ਮਾਡਲਾਂ ਨੂੰ ਸਧਾਰਨ ਅਤੇ ਆਮ ਮੁੱਦਿਆਂ 'ਤੇ ਨਿਰਧਾਰਤ ਕਰੋ ਅਤੇ ਵੱਧ ਲਾਗਤ ਅਤੇ ਗਤੀ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਵਧੇਰੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਾਡਲਾਂ ਨੂੰ ਮੁਸ਼ਕਲ ਅਤੇ ਦੁਰਲੱਭ ਮੁੱਦਿਆਂ 'ਤੇ ਨਿਰਧਾਰਤ ਕਰੋ।

ਕਾਰਜ ਪ੍ਰਵਾਹ: ਸਮਾਨਾਂਤਰ

ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ ਇੱਕੋ ਸਮੇਂ ਕਈ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲ ਸਕਦੇ ਹਨ ਅਤੇ ਪ੍ਰੋਗਰਾਮੇਟਿਕ ਤੌਰ 'ਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਇਕੱਠਾ ਕਰ ਸਕਦੇ ਹਨ। ਸਮਾਨਾਂਤਰ ਕਾਰਜ ਪ੍ਰਵਾਹਾਂ ਵਿੱਚ ਹੇਠ ਲਿਖੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ:

• ਟਾਸਕ ਸੈਗਮੈਂਟੇਸ਼ਨ: ਇੱਕ ਕੰਮ ਨੂੰ ਉਪ-ਕਾਰਜਾਂ ਵਿੱਚ ਵੰਡੋ ਜੋ ਸਮਾਨਾਂਤਰ ਰੂਪ ਵਿੱਚ ਚਲਾਏ ਜਾ ਸਕਦੇ ਹਨ, ਅਤੇ ਫਿਰ ਨਤੀਜਿਆਂ ਨੂੰ ਜੋੜੋ।
• ਵੋਟਿੰਗ ਵਿਧੀ: ਇੱਕ ਕੰਮ ਨੂੰ ਕਈ ਵਾਰ ਚਲਾਓ, ਸਭ ਤੋਂ ਵਧੀਆ ਨਤੀਜਾ ਚੁਣੋ ਜਾਂ ਕਈ ਜਵਾਬਾਂ ਨੂੰ ਜੋੜੋ।

ਸਮਾਨਾਂਤਰ ਵਿਧੀਆਂ ਉਦੋਂ ਬਹੁਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੁੰਦੀਆਂ ਹਨ ਜਦੋਂ ਉਪ-ਕਾਰਜਾਂ ਨੂੰ ਗਤੀ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਸਮਾਨਾਂਤਰ ਰੂਪ ਵਿੱਚ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਾਂ ਜਦੋਂ ਉੱਚ ਭਰੋਸੇਯੋਗਤਾ ਵਾਲੇ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਈ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ ਤੋਂ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਲਈ, ਹਰੇਕ ਕਾਲ ਨੂੰ ਇੱਕ ਖਾਸ ਪਹਿਲੂ ਨੂੰ ਸੰਭਾਲਣ 'ਤੇ ਧਿਆਨ ਦੇਣ ਨਾਲ ਬਿਹਤਰ ਨਤੀਜੇ ਮਿਲਣਗੇ।

ਵਿਸ਼ੇਸ਼ ਐਪਲੀਕੇਸ਼ਨ ਕੇਸ:

• ਟਾਸਕ ਸੈਗਮੈਂਟੇਸ਼ਨ:
  • ਸੁਰੱਖਿਆ: ਇੱਕ ਮਾਡਲ ਉਪਭੋਗਤਾ ਬੇਨਤੀਆਂ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ ਅਤੇ ਦੂਜਾ ਸਮੱਗਰੀ ਦੀ ਸਮੀਖਿਆ ਕਰਦਾ ਹੈ।
  • ਪ੍ਰਦਰਸ਼ਨ ਮੁਲਾਂਕਣ: ਵੱਖ-ਵੱਖ ਮਾਡਲ ਸਿਸਟਮ ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਨ।
• ਵੋਟਿੰਗ ਵਿਧੀ:
  • ਕੋਡ ਸੁਰੱਖਿਆ ਜਾਂਚ: ਕਈ ਖੋਜ ਮਾਡਲ ਮਿਲ ਕੇ ਕੋਡ ਕਮੀਆਂ ਲੱਭਦੇ ਹਨ।
  • ਸਮੱਗਰੀ ਦੀ ਸਮੀਖਿਆ: ਕਈ ਮਾਡਲ ਵੱਖ-ਵੱਖ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ ਤੋਂ ਸਮੱਗਰੀ ਦੀ ਸੁਰੱਖਿਆ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਨ।

ਕਾਰਜ ਪ੍ਰਵਾਹ: ਲੀਡਰ - ਐਗਜ਼ੀਕਿਊਟਰ

ਇੱਕ ਕੇਂਦਰੀ ਵੱਡਾ ਭਾਸ਼ਾ ਮਾਡਲ ਗਤੀਸ਼ੀਲ ਰੂਪ ਵਿੱਚ ਕੰਮ ਨੂੰ ਤੋੜਦਾ ਹੈ, ਐਗਜ਼ੀਕਿਊਟਰ ਮਾਡਲਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਅਤੇ ਨਤੀਜਿਆਂ ਦਾ ਸਾਰ ਦਿੰਦਾ ਹੈ।

ਇਹ ਕਾਰਜ ਪ੍ਰਵਾਹ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਲਈ ਢੁਕਵਾਂ ਹੈ ਜਿਨ੍ਹਾਂ ਲਈ ਖਾਸ ਕਦਮਾਂ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਨਿਰਧਾਰਤ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ। ਟਾਸਕ ਬ੍ਰੇਕਡਾਊਨ ਸਥਿਰ ਨਹੀਂ ਹੈ, ਪਰ AI ਸਿਸਟਮ ਦੁਆਰਾ ਸਥਿਤੀ ਦੇ ਅਨੁਸਾਰ ਗਤੀਸ਼ੀਲ ਰੂਪ ਵਿੱਚ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਵਿਸ਼ੇਸ਼ ਐਪਲੀਕੇਸ਼ਨ ਕੇਸ:

• ਪ੍ਰੋਗਰਾਮਿੰਗ ਐਪਲੀਕੇਸ਼ਨਾਂ ਜਿਹਨਾਂ ਨੂੰ ਕਈ ਫਾਈਲਾਂ ਵਿੱਚ ਗੁੰਝਲਦਾਰ ਸੋਧਾਂ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
• ਖੋਜ ਕਾਰਜ ਜਿਨ੍ਹਾਂ ਨੂੰ ਕਈ ਸਰੋਤਾਂ ਤੋਂ ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਇਕੱਠੀ ਕਰਨ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਕਾਰਜ ਪ੍ਰਵਾਹ: ਮੁਲਾਂਕਣ - ਅਨੁਕੂਲਨ

ਇੱਕ LLM ਕਾਲ ਜਵਾਬ ਤਿਆਰ ਕਰਦੀ ਹੈ, ਅਤੇ ਦੂਜਾ ਮੁਲਾਂਕਣ ਅਤੇ ਫੀਡਬੈਕ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਇੱਕ ਚੱਕਰ ਬਣਾਉਂਦਾ ਹੈ।

ਇਹ ਕਾਰਜ ਪ੍ਰਵਾਹ ਉਦੋਂ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਸਪਸ਼ਟ ਮੁਲਾਂਕਣ ਮਾਪਦੰਡ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਜਦੋਂ ਦੁਹਰਾਓ ਦੁਆਰਾ ਵਧੀਆ ਬਣਾਉਣ ਨਾਲ ਮਹੱਤਵਪੂਰਨ ਮੁੱਲ ਮਿਲ ਸਕਦਾ ਹੈ। LLM ਫੀਡਬੈਕ ਪ੍ਰਦਾਨ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ, ਜੋ ਮਨੁੱਖੀ ਲੇਖਕ ਦੁਆਰਾ ਦੁਹਰਾ ਕੇ ਸੋਧਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਸਮਾਨ ਹੈ।

ਵਿਸ਼ੇਸ਼ ਐਪਲੀਕੇਸ਼ਨ ਕੇਸ:

• ਸਾਹਿਤਕ ਅਨੁਵਾਦ: ਮੁਲਾਂਕਣ ਮਾਡਲ ਅਨੁਵਾਦ ਵਿੱਚ ਛੱਡੇ ਗਏ ਭਾਸ਼ਾਈ ਅੰਤਰਾਂ ਨੂੰ ਲੱਭਦਾ ਹੈ ਅਤੇ ਸੋਧ ਸੁਝਾਅ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
• ਗੁੰਝਲਦਾਰ ਖੋਜ: ਮੁਲਾਂਕਣ ਮਾਡਲ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਡੂੰਘਾਈ ਨਾਲ ਖੋਜ ਜਾਰੀ ਰੱਖਣ ਦੀ ਲੋੜ ਹੈ ਜਾਂ ਨਹੀਂ।

ਏਜੰਟ

ਏਜੰਟ LLMs ਵਿੱਚ ਗੁੰਝਲਦਾਰ ਇਨਪੁਟਸ ਨੂੰ ਸਮਝਣ, ਯੋਜਨਾ ਬਣਾਉਣ, ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਅਤੇ ਗਲਤੀਆਂ ਤੋਂ ਠੀਕ ਹੋਣ ਵਰਗੀਆਂ ਮੁੱਖ ਸਮਰੱਥਾਵਾਂ ਦੇ ਵਿਕਾਸ ਨਾਲ ਉਭਰਦੇ ਹਨ।

ਏਜੰਟ ਦਾ ਕੰਮ ਮਨੁੱਖੀ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਆਦੇਸ਼ਾਂ ਜਾਂ ਗੱਲਬਾਤ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਵਾਰ ਕੰਮ ਸਪੱਸ਼ਟ ਹੋ ਜਾਣ 'ਤੇ, ਏਜੰਟ ਸੁਤੰਤਰ ਰੂਪ ਵਿੱਚ ਯੋਜਨਾ ਬਣਾਉਣ ਅਤੇ ਕੰਮ ਕਰਨਗੇ, ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਮਨੁੱਖਾਂ ਤੋਂ ਹੋਰ ਜਾਣਕਾਰੀ ਮੰਗਣ ਜਾਂ ਫੈਸਲੇ ਲੈਣ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।

ਇੰਟਰੈਕਸ਼ਨ ਦੌਰਾਨ ਹਰੇਕ ਕਦਮ 'ਤੇ, ਵਾਤਾਵਰਣ ਤੋਂ "ਅਸਲ ਸਥਿਤੀ" ਪ੍ਰਾਪਤ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ। ਏਜੰਟ ਚੈਕਪੁਆਇੰਟਾਂ 'ਤੇ ਜਾਂ ਰੁਕਾਵਟਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨ 'ਤੇ ਮਨੁੱਖੀ ਫੀਡਬੈਕ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਰੋਕ ਸਕਦੇ ਹਨ। ਕਾਰਜ ਆਮ ਤੌਰ 'ਤੇ ਪੂਰਾ ਹੋਣ ਤੋਂ ਬਾਅਦ ਖਤਮ ਹੋ ਜਾਂਦੇ ਹਨ, ਪਰ ਉਹਨਾਂ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਰੁਕਣ ਦੀਆਂ ਸ਼ਰਤਾਂ ਵੀ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ।

ਏਜੰਟ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਸਮਰੱਥ ਹਨ, ਪਰ ਉਹਨਾਂ ਦਾ ਲਾਗੂਕਰਨ ਆਮ ਤੌਰ 'ਤੇ ਸਧਾਰਨ ਹੁੰਦਾ ਹੈ, ਆਮ ਤੌਰ 'ਤੇ ਸਿਰਫ ਇੱਕ ਲੂਪ ਵਿੱਚ ਵਾਤਾਵਰਣ ਤੋਂ ਫੀਡਬੈਕ ਦੇ ਅਧਾਰ 'ਤੇ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲਾ ਇੱਕ ਵੱਡਾ ਭਾਸ਼ਾ ਮਾਡਲ ਹੁੰਦਾ ਹੈ। ਇਸ ਲਈ, ਟੂਲਸੈਟਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨਾ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸਾਫ਼ ਅਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਸਤਾਵੇਜ਼ੀ ਰੂਪ ਵਿੱਚ ਦਰਸਾਉਣਾ ਜ਼ਰੂਰੀ ਹੈ।

ਏਜੰਟ ਖੁੱਲ੍ਹੇ ਸਿਰੇ ਵਾਲੇ ਮੁੱਦਿਆਂ ਲਈ ਢੁਕਵੇਂ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਲੋੜੀਂਦੇ ਕਦਮਾਂ ਦੀ ਗਿਣਤੀ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਮੁਸ਼ਕਲ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸਥਿਰ ਮਾਰਗਾਂ ਵਿੱਚ ਹਾਰਡ-ਕੋਡ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਏਜੰਟਾਂ ਦੀ ਖੁਦਮੁਖਤਿਆਰੀ ਉਹਨਾਂ ਨੂੰ ਭਰੋਸੇਯੋਗ ਵਾਤਾਵਰਨ ਵਿੱਚ ਕੰਮਾਂ ਨੂੰ ਵਧਾਉਣ ਲਈ ਇੱਕ ਆਦਰਸ਼ ਵਿਕਲਪ ਬਣਾਉਂਦੀ ਹੈ। ਏਜੰਟਾਂ ਦੀ ਖੁਦਮੁਖਤਿਆਰੀ ਦਾ ਮਤਲਬ ਹੈ ਉੱਚ ਲਾਗਤਾਂ ਅਤੇ ਗਲਤੀ ਦੇ ਇਕੱਤਰ ਹੋਣ ਦਾ ਖਤਰਾ। ਇਹ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਸੈਂਡਬਾਕਸ ਵਾਤਾਵਰਣ ਵਿੱਚ ਵਿਆਪਕ ਟੈਸਟਿੰਗ ਕੀਤੀ ਜਾਵੇ ਅਤੇ ਢੁਕਵੇਂ ਸੁਰੱਖਿਆ ਉਪਾਅ ਸਥਾਪਤ ਕੀਤੇ ਜਾਣ।

ਏਜੰਟਾਂ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨ ਉਦਾਹਰਣਾਂ:

• ਇੱਕ ਕੋਡ ਏਜੰਟ SWE-ਬੈਂਚ ਕਾਰਜ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਜੋ ਕਾਰਜ ਵਰਣਨ ਦੇ ਅਧਾਰ 'ਤੇ ਕਈ ਫਾਈਲਾਂ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰਨ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ।
• Anthropic ਦਾ "ਕੰਪਿਊਟਰ ਦੀ ਵਰਤੋਂ" ਫੰਕਸ਼ਨ, ਜਿਸ ਵਿੱਚ ਕਲਾਉਡ ਕੰਮ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਕੰਪਿਊਟਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

ਸੁਮੇਲ ਅਤੇ ਅਨੁਕੂਲਤਾ

ਇਹ ਬਿਲਡਿੰਗ ਬਲਾਕ ਨਿਰਧਾਰਤ ਨਹੀਂ ਹਨ, ਅਤੇ ਡਿਵੈਲਪਰ ਉਹਨਾਂ ਨੂੰ ਵਰਤੋਂ ਦੇ ਕੇਸਾਂ ਦੇ ਅਨੁਸਾਰ ਢਾਲ ਸਕਦੇ ਹਨ ਅਤੇ ਜੋੜ ਸਕਦੇ ਹਨ। ਸਫਲਤਾ ਦੀ ਕੁੰਜੀ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਮਾਪਣ ਅਤੇ ਦੁਹਰਾ ਕੇ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਹੈ। ਗੁੰਝਲਦਾਰਤਾ ਉਦੋਂ ਹੀ ਵਧਾਈ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ ਜਦੋਂ ਸਧਾਰਨ ਹੱਲ ਕੰਮ ਨਹੀਂ ਕਰਦੇ। LLM ਖੇਤਰ ਵਿੱਚ ਸਫਲਤਾ ਸਭ ਤੋਂ ਗੁੰਝਲਦਾਰ ਸਿਸਟਮ ਬਣਾਉਣ ਵਿੱਚ ਨਹੀਂ ਹੈ, ਬਲਕਿ ਲੋੜਾਂ ਦੇ ਅਨੁਸਾਰ ਸਿਸਟਮ ਬਣਾਉਣ ਵਿੱਚ ਹੈ। ਸਧਾਰਨ ਪ੍ਰੋਂਪਟਾਂ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ, ਵਿਆਪਕ ਮੁਲਾਂਕਣਾਂ ਨਾਲ ਉਹਨਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਓ, ਅਤੇ ਕੇਵਲ ਤਾਂ ਹੀ ਬਹੁ-ਪੜਾਵੀ ਏਜੰਟ ਸਿਸਟਮ ਸ਼ਾਮਲ ਕਰੋ ਜਦੋਂ ਸਧਾਰਨ ਹੱਲ ਸੰਭਵ ਨਾ ਹੋਣ।

ਏਜੰਟਾਂ ਨੂੰ ਤੈਨਾਤ ਕਰਦੇ ਸਮੇਂ, ਹੇਠਾਂ ਦਿੱਤੇ ਸਿਧਾਂਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ:

• ਏਜੰਟ ਡਿਜ਼ਾਈਨ ਨੂੰ ਸਧਾਰਨ ਰੱਖੋ।
• ਏਜੰਟ ਦੀ ਪਾਰਦਰਸ਼ਤਾ ਨੂੰ ਤਰਜੀਹ ਦਿਓ ਅਤੇ ਯੋਜਨਾਬੱਧ ਹਰੇਕ ਕਦਮ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਦਿਖਾਓ।
• ਵਿਆਪਕ ਟੂਲ ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਅਤੇ ਟੈਸਟਿੰਗ ਦੁਆਰਾ ਇੱਕ ਚੰਗੀ ਤਰ੍ਹਾਂ ਤਿਆਰ ਕੀਤਾ ਏਜੰਟ-ਕੰਪਿਊਟਰ ਇੰਟਰਫੇਸ (ACI) ਬਣਾਓ।