Pengenalan: Masalah Penyelarasan Adalah Produk
Setiap perubahan dalam pengkomputeran membesarkan kebenaran lama: penyelarasan adalah terhad. Dalam era klien-pelayan, penyelarasan bermaksud soket dan protokol. Dalam era awan, ia bermaksud API dan orkestrasi. Dalam era AI, di mana model bahasa besar (LLM) mengubah teks probabilistik menjadi antara muka yang boleh diprogram, masalah penyelarasan tidak hilang—ia menjadi produk. Memahami sistem berbilang agen dan kerjasama antara agen AI bukan sekadar latihan teknikal; ia adalah soalan strategi tentang tempat nilai terakru dalam tindanan AI, lapisan mana yang sedia untuk dikomoditikan, dan mana yang akan mengagregatkan pengguna, data dan pengedaran.
Tesis penulisan ini adalah mudah: sistem berbilang agen ialah lapisan penyelarasan baru muncul di atas LLM yang mentakrifkan semula sempadan aplikasi dan infrastruktur. Pemenang bukanlah mereka yang hanya mendedahkan agen tetapi mereka yang menguasai kerjasama agen—penguraian tugas, penggunaan alat, konteks yang dikongsi, penyelesaian konflik dan gelung maklum balas—sambil menyelaraskan insentif merentas data, pengkomputeran dan pengalaman pengguna. Implikasi strategik merangkumi struktur kos hingga kebolehsediaan: kerjasama antara agen AI mengalihkan nilai daripada model monolitik kepada orkestrasi, daripada aplikasi statik kepada aliran kerja dinamik, dan daripada ciri titik kepada sistem yang belajar.
Analisis ini merangkumi empat tema: (1) definisi tepat sistem berbilang agen dan mekanik kerjasama agen; (2) penempatan sistem ini dalam rantaian nilai AI; (3) rangka kerja untuk menilai kebolehsediaan—Teori Pengagregatan untuk AI; dan (4) implikasi praktikal untuk pembina dan pembeli, termasuk tempat Sider.AI dan rakan-rakan sesuai dalam landskap. Latar Belakang: Apakah Sistem Berbilang Agen?
Sistem berbilang agen ialah koleksi agen autonomi yang menyelaraskan untuk mencapai matlamat. Setiap agen mempunyai peranan (perancang, penyelidik, pengekod, penyemak), satu set alat (pengambilan, pelaksanaan kod, API), memori (tetingkap konteks, stor vektor atau DB luaran) dan dasar untuk komunikasi dan kawalan (mesej, panggilan fungsi atau protokol berstruktur). Kerjasama antara agen AI ialah proses di mana unit-unit ini berkongsi keadaan, merundingkan sub-tugas dan mengesahkan hasil, idealnya dengan gelung asas luaran (manusia, ujian atau data) yang menghukum halusinasi dan memberi ganjaran kepada penumpuan.
Model mental yang paling berguna ialah menganggap LLM bukan sebagai produk tunggal tetapi sebagai kernel penaakulan. Sistem berbilang agen membungkus kernel itu dengan:
- Pengkhususan peranan: Gesaan, keupayaan dan objektif yang berbeza meningkatkan ketepatan.
- Agensi yang didayakan alat: Agen memanggil alat untuk mendapatkan fakta, melaksanakan kod atau menjalankan transaksi.
- Perancangan dan penguraian: Agen perancang membahagikan tugas kepada langkah-langkah dan menugaskannya kepada pakar.
- Pengesahan dan kritikan: Agen penyemak menyemak output terhadap kekangan.
- Pengurusan memori dan konteks: Keadaan yang dikongsi menghalang hanyutan dan membolehkan kesinambungan.
- Heuristik atau dasar kawalan: Siapa yang bercakap seterusnya, bila hendak berhenti dan cara meningkatkan kepada manusia.
Kerjasama bukanlah pilihan; ia adalah cara anda meningkatkan kebolehpercayaan dalam ketidakpastian. Agen tunggal boleh menjadi mengagumkan pada demo; sistem berbilang agen ialah apa yang menghasilkan kerja.
Metodologi: Cara Menilai Sistem Kerjasama Agen
Untuk memahami kerjasama antara agen AI dengan cara yang memaklumkan strategi, kita memerlukan kaedah penilaian yang konsisten. Empat lensa adalah berguna:
- Penaakulan: Kualiti perancangan, penguraian dan pembetulan kendiri.
- Penggunaan Alat: Keluasan (API, kod, carian, pangkalan data) dan kedalaman (latensi, kebolehpercayaan).
- Memori: Pengendalian konteks jangka pendek dan pengambilan jangka panjang; kos konteks.
- Kawalan: Logik giliran, pengelakan kebuntuan dan penamatan.
- Pengasasan: Pembesaran pengambilan dan sumber kebenaran luaran.
- Pengesahan: Ujian, semakan jenis, kekangan dan agen pengkritik.
- Manusia-dalam-Gelung: Pintu kelulusan, dasar peningkatan dan kebolehjelasan.
- Kos setiap tugas: Penggunaan token, overhed panggilan alat dan pancang pengkomputeran.
- Latensi: Pensejajaran berbanding pensirian; kos rangkaian berbanding inferens model.
- Kesan skala: Cara data, gesaan dan dasar bertambah baik dengan penggunaan.
- Data: Aliran kerja proprietari, kesan penggunaan, artifak penilaian.
- Pengedaran: Tertanam dalam alat harian; kos penukaran yang rendah adalah musuh.
- Ekosistem: Integrasi, API dan pasaran untuk agen khusus.
Kesimpulan: menilai sistem berbilang agen memerlukan ketelitian yang sama yang kita gunakan untuk orkestrasi awan—SLO, keterlihatan kos dan tadbir urus—kerana produk ialah saluran keputusan.
Analisis: Tempat Sistem Berbilang Agen Sesuai dalam Rantaian Nilai AI
Tindanan AI bersatu di sekitar lima lapisan:
- Model Asas: LLM tujuan umum dan model multimodal.
- Penalaan Halus/Penyesuai: Pengkhususan khusus domain dan rel panduan.
- Alat dan Data: Sistem pengambilan, pangkalan data operasi dan API transaksi.
- Orkestrasi: Rangka kerja agen, perancang, pengurus memori dan dasar kawalan.
- Aplikasi: Aliran kerja menghadap pengguna dalam produktiviti, alat pembangun, sokongan dan operasi.
Sistem berbilang agen merangkumi lapisan 3–5. Kerjasama antara agen AI berlaku dalam orkestrasi tetapi mendapat kuasa daripada alat dan data, dan akhirnya menjelma sebagai aplikasi yang terasa seperti “pasukan” dan bukannya “ciri.” Ketegangan strategik adalah jelas: model asas berusaha untuk bergerak ke atas tindanan dengan menawarkan penggunaan alat dan perancangan asli, manakala aplikasi bergerak ke bawah dengan membina orkestrasi proprietari. Di tengah-tengahnya ialah kawasan yang dipertandingkan—rangka kerja dan platform kerjasama agen.
Pengajaran daripada Teori Pengagregatan ialah nilai terakru kepada lapisan yang mengawal permintaan. Dalam AI, permintaan bukan sekadar “pengguna” tetapi “kerja.” Sesiapa yang memiliki penguraian kerja—cara tugas ditakrifkan, dihalakan, disahkan dan dipertingkatkan—akan mengagregatkan penggunaan dan data, walaupun model asas menjadi boleh ditukar ganti.
Mengapa Kerjasama Tidak Remeh
- Perancangan Tidak Boleh Dipercayai: LLM bersifat probabilistik; mereka boleh mencipta rancangan yang munasabah tetapi salah. Agen perancang mesti dikekang oleh skema, memori dan semakan luaran.
- Overhed Komunikasi: Setiap serahan agen menelan kos token dan masa; reka bentuk naif meletupkan kos dan latensi.
- Kerapuhan Alat: API gagal, skema hanyut; lapisan agen mesti mengendalikan percubaan semula dan versi.
- Hutang Penilaian: Tanpa penilaian sistematik, sistem berbilang agen merosot menjadi spageti gesaan.
Respons kejuruteraan ialah menganggap kerjasama agen sebagai mesin keadaan dengan peralihan yang diukur dan hasil yang boleh diperhatikan. Respons produk ialah untuk mendedahkan keterlihatan: pengguna perlu melihat mengapa sistem mengambil langkah, bukti apa yang digunakannya dan tempat bimbingan manusia penting.
Rangka Kerja: Daripada Sembang Satu Pukulan kepada Aliran Kerja yang Belajar
Rangka kerja perkembangan yang berguna untuk memahami sistem berbilang agen dan kerjasama antara agen AI:
Peringkat 0: Agen Tunggal, Satu Pukulan
- Satu panggilan LLM, alat yang minimum. Hebat untuk demo; rapuh untuk pengeluaran.
Peringkat 1: Agen Tunggal, Peralatan
- Satu agen dengan pengambilan, pelaksanaan kod atau API tertentu. Kebolehpercayaan bertambah baik dengan pengasasan dan kekangan.
Peringkat 2: Berbilang Agen, Kerjasama Bersiri
- Perancang mewakilkan kepada pakar (penyelidik → pengekod → penguji). Jelas tetapi perlahan; titik permulaan yang paling biasa.
Peringkat 3: Berbilang Agen, Pelaksanaan Selari
- Sub-tugas bebas berjalan serentak; penyelaras menggabungkan hasil. Memerlukan pengasingan konteks yang teliti.
Peringkat 4: Sistem Memperbaiki Kendiri
- Penilaian berterusan, penangkapan data dan evolusi gesaan/dasar. Lapisan kerjasama menjadi memori institusi, bukan sekadar masa jalan.
Kemajuan melalui peringkat ini meningkatkan keupayaan dan kebolehsediaan, tetapi hanya jika skala ekonomi: kos setiap tugas yang diselesaikan mesti jatuh apabila kualiti meningkat.
Analogi Sejarah: Perkhidmatan Mikro, Tetapi dengan Kebarangkalian
Peralihan daripada monolit kepada perkhidmatan mikro membuka kunci pembangunan selari tetapi mewujudkan overhed penyelarasan—penemuan perkhidmatan, kontrak, percubaan semula. Sistem berbilang agen ialah varian kognitif: agen ialah “perkhidmatan” dengan output kabur; kontrak ialah gesaan dan skema; percubaan semula ialah kitaran perancangan semula. Penyelesaian yang sama terpakai:
- Antara muka yang kukuh: Output berstruktur dan skema alat.
- Kebolehperhatian: Kesan, log dan metrik untuk langkah agen.
- Tadbir Urus: Gesaan versi, dasar dan alat.
Analogi ini menjelaskan mengapa kerjasama antara agen AI ialah masalah platform: ia bukan tentang mempunyai agen terbaik, tetapi sistem terbaik untuk membiarkan banyak agen bekerja bersama dengan selamat dan ekonomik.
Struktur Industri: Pengkomoditian, Pembezaan dan Parit
- Model Mengkomoditi ke Atas: Apabila lebih banyak model berkualiti tinggi tiba, penukaran meningkat. Lapisan orkestrasi yang menghalakan tugas ke model terbaik pada harga semasa menang dari segi ekonomi.
- Alat Membezakan ke Bawah: Data dan integrasi proprietari menjadi parit; menghubungkan agen ke sistem syarikat yang unik (tiket, log, inventori) mendorong kelekatan.
- Orkestrasi Mengagregatkan: Lapisan kerjasama boleh mengunci melalui penangkapan aliran kerja. Kesan penggunaan, data penilaian dan dasar agen menjadi aset proprietari.
- Aplikasi Memiliki Hubungan: Aplikasi yang membantu orang dan pasukan menghantar kerja—diukur sebagai tiket yang diselesaikan, PR yang digabungkan, tawaran yang ditutup—memperoleh pengedaran dan penggunaan aktif harian.
Dalam erti kata lain: jika produk anda ialah “agen,” anda ialah ciri. Jika produk anda ialah “sistem yang membolehkan banyak agen menyelaraskan untuk menyelesaikan kerja,” anda ialah platform.
Mekanik Kerjasama Antara Agen AI
Mari kita konkrit tentang blok bangunan.
- Perancangan dan Penguraian Tugas
- Teknik: Rantai-Pemikiran (tersembunyi), Pokok-Pemikiran, Graf-Pemikiran.
- Amalan: Kekang perancangan dengan skema; hadkan kedalaman; lebih suka beberapa langkah bernilai tinggi.
- Mesej: JSON berstruktur dengan peranan, niat dan bukti.
- Panggilan Fungsi: Panggilan alat berjenis sebagai lingua franca; menguatkuasakan skema.
- Gangguan: Manusia dan sistem luaran boleh memasukkan kekangan.
- Jangka Pendek: Tetingkap konteks dengan ingatan terpilih; meringkaskan secara agresif.
- Jangka Panjang: Stor vektor dikunci mengikut tugas, artifak dan hasil; pengambilan termasuk keyakinan dan asal usul.
- Episodik lwn. Semantik: Simpan kedua-duanya—episod untuk proses, semantik untuk fakta.
- Statik: Linting, semakan jenis, penyelesai kekangan.
- Dinamik: Ujian unit, larian kenari, pelaksanaan kotak pasir.
- Permusuhan: Agen pengkritik dengan gesaan yang berbeza untuk mengurangkan ralat yang berkorelasi.
- Pensejajaran: Sekat sub-tugas bebas; hadkan panggilan alat serentak.
- Caching: Memoize pengambilan dan artifak perantaraan.
- Penghalaan: Pilih model mengikut jenis tugas dan kos; turunkan apabila mungkin.
- Tadbir Urus dan Keselamatan
- Dasar: Senarai benarkan/tolak untuk alat; had kadar; pengendalian PII.
- Audit: Kesan penuh dengan artifak; kebolehulangan untuk setiap laluan keputusan.
- Maklum Balas: Pengukuhan melalui isyarat pengguna dan metrik hasil.
Ukuran kematangan bukanlah betapa pintarnya gesaan itu, tetapi sama ada sistem menunjukkan kos yang semakin menurun setiap tugas yang diselesaikan pada kualiti yang stabil atau bertambah baik.
Data dan Metrik: Apa yang Hendak Diukur
- Kadar Kejayaan Tugas: Peratusan tugas hujung ke hujung yang diselesaikan tanpa campur tangan manusia.
- Skor Kualiti: Penilaian manusia atau penilaian berasaskan rubrik bagi output.
- Kos setiap Tugas: Token + pengkomputeran alat + overhed orkestrasi.
- Latensi: P50/P95 untuk serahan hujung ke hujung dan setiap agen.
- Kadar Kerja Semula: Bilangan kitaran perancangan semula setiap tugas; matlamatnya ialah pengurangan dari semasa ke semasa.
- Liputan: Bahagian aliran kerja yang dikendalikan oleh sistem lwn. manual.
Peta jalan berbilang agen yang boleh dipercayai menunjukkan metrik ini cenderung ke arah yang betul apabila penggunaan meningkat. Jika tidak, anda mempunyai demo, bukan produk.
Implikasi Strategik: Siapa yang Menang dan Mengapa
- Perusahaan: Lapisan kerjasama ialah tempat tadbir urus, pematuhan dan integrasi berada. Pembeli perusahaan akan mengutamakan platform yang memetakan kepada sistem rekod mereka dan menyediakan kebolehperhatian.
- Syarikat Permulaan: Pilih aliran kerja menegak dengan hasil yang boleh diukur (penyelesaian sokongan, operasi hasil, orientasi). Miliki penguraian dan pengesahan; tukar model secara bebas.
- Pembekal Model: Teruskan ke atas tindanan dengan perancangan dan penggunaan alat yang lebih baik, tetapi jangkakan vendor orkestrasi kekal melekat di mana data domain penting.
- Pembangun: Anggap agen seperti perkhidmatan mikro dengan ujian. Reka bentuk untuk kegagalan, bukan untuk laluan gembira.
Dari perspektif strategik, kerjasama antara agen AI mengubah “ciri AI” menjadi sistem pengendalian untuk kerja. Kawal aliran kerja; model menjadi bahagian yang boleh diganti.
Peranan Sider.AI dan Laluan Praktikal ke Hadapan
Pertimbangkan Sider.AI: diletakkan di persimpangan aliran kerja agentik dan produktiviti pembangun, ia mencontohkan cara orkestrasi, pengambilan dan kritikan boleh dijadikan produk untuk pasukan. Kaitan di sini adalah tinggi: cadangan nilai Sider.AI selaras dengan keperluan untuk menyelaraskan berbilang agen khusus—penyelidikan, pengekodan dan analisis—di sebalik antara muka yang telus. Dari perspektif strategik, kesesuaian adalah jelas: tangkap aliran kerja (pengekodan, penyemakan, penyahpepijatan), log kesan dan biarkan sistem belajar. Begitulah cara kerjasama antara agen AI bertambah. Untuk pasukan yang menilai platform atau membina dalaman, peta jalan pragmatik:
- Mulakan dengan Sempit: Pilih aliran kerja dengan metrik kejayaan yang jelas—cth., “mengasingkan dan menyelesaikan pepijat P1” atau “draf, uji dan hantar ciri kecil.”
- Reka Bentuk Pasukan: Tentukan 3–5 agen dengan peranan yang jelas dan skop alat.
- Tambahkan Rel Panduan Awal: Alat terhad skema, pelaksanaan kotak pasir dan agen pengkritik.
- Ukur Tanpa Belas Kasihan: Kos, latensi dan kualiti pada setiap langkah; tunjukkan peningkatan dari semasa ke semasa.
- Bina Memori: Kekalkan artifak dan pengajaran; pengambilan hendaklah termasuk asal usul.
- Pastikan Manusia dalam Gelung: Peraturan peningkatan yang jelas dan kelulusan satu klik; ukur campur tangan.
Tujuannya bukan untuk membina paling banyak agen; ia adalah untuk membina bilangan paling sedikit yang boleh menyelesaikan kerja dengan pasti, pada kos marginal yang menurun.
Contoh Kes: Kerjasama di Alam Liar
- Penghantaran Perisian: Perancang membahagikan tiket kepada tugas; penyelidik mengumpulkan konteks daripada kod dan dokumen; pengekod mencadangkan tampung; penguji menjalankan ujian unit dan integrasi; penyemak menguatkuasakan kekangan; penyebar menggabungkan di sebalik bendera ciri. Metrik bertambah baik apabila sistem menyimpan artifak binaan dalam cache dan mempelajari mod kegagalan biasa.
- Sokongan Pelanggan: Penghala mengelaskan niat; pengambil mendapatkan coretan pangkalan pengetahuan; penulis merangka respons; pemeriksa mengesahkan nada dan pematuhan dasar; penutup menjejaki resolusi dan mencetuskan susulan. Nilai diperoleh daripada integrasi yang ketat dengan sistem CRM dan tiket.
- Operasi Data: Agen spec mentakrifkan transformasi; agen pertanyaan menjana SQL dengan keturunan; pengesah menyemak terhadap skema dan ambang anomali; penerbit mengemas kini papan pemuka dengan makluman. Lapisan kerjasama menghalang kerosakan data senyap dengan menguatkuasakan kontrak dan audit.
Contoh ini menggambarkan corak yang sama: kerjasama antara agen AI mengubah penaakulan stokastik menjadi aliran kerja deterministik dengan mengehadkan antara muka dan mengumpulkan bukti.
Ekonomi Kerjasama Agen
Pemacu kos terbesar ialah token dalam konteks, langkah perancangan berulang dan latensi panggilan alat. Pengoptimuman praktikal termasuk:
- Ringkaskan Awal, Ringkaskan Kerap: Gantikan transkrip panjang dengan ringkasan berstruktur.
- Promosikan Rancangan Stabil: Bekukan langkah setelah disahkan; elakkan gelung perancangan semula.
- Hala Tuju dengan Bijak: Gunakan model kecil dan pantas untuk tugas hafalan; tingkatkan kepada model yang lebih besar untuk sintesis atau langkah kritikal.
- Selari dengan Berhati-hati: Selari hanya apabila bebas; jika tidak, anda membayar kos penyegerakan dua kali.
Permainan akhir ekonomi menyerupai pengurusan kos awan: platform kerjasama yang mendedahkan kawalan kos, belanjawan dan anjakan menurun automatik akan memenangi kepercayaan perusahaan.
Tadbir Urus, Pematuhan dan Risiko
Perusahaan tidak akan menggunakan sistem agen yang luas tanpa tadbir urus yang kukuh:
- Kediaman Data dan Kawalan PII: Penghalaan alat dan model mengikut klasifikasi data.
- Kebolehauditan: Log gesaan, output, alat dan keputusan yang tidak boleh diubah.
- Penguatkuasaan Dasar: Kekangan keras pada tindakan; kebolehjelasan untuk semakan.
- Risiko Vendor: Model dan abstraksi alat untuk mengelakkan penguncian vendor tunggal.
Jika kolaborasi antara ejen AI ialah sistem pengendalian untuk kerja, tadbir urus ialah mod kernel. Tanpa itu, sistem tidak boleh diboot dalam konteks terkawal.
Tinjauan Masa Depan: Pelbagai Ejen sebagai Antara Muka Baharu
Arah jangka panjang adalah jelas. Apabila sistem pelbagai ejen menjadi matang, UI beralih daripada sembang kepada kawalan misi. Pengguna tidak akan meminta perenggan; mereka akan menetapkan objektif, memeriksa rancangan, meluluskan langkah dan mengaudit hasil. Kerjasama antara ejen AI akan terasa kurang seperti perbualan dan lebih seperti menguruskan pasukan dengan papan pemuka, amaran dan postmortem.
Dua peralihan untuk diperhatikan:
- Ekosistem Ejen Asli: Pasaran untuk ejen dan alat khusus, dengan pensijilan dan SLA.
- Gelung Pembelajaran Berterusan: Jejak penggunaan menjana set data sintetik yang meningkatkan dasar perancangan dan rel panduan.
Keadaan akhir bukanlah satu model untuk menguasai semuanya, tetapi ejen yang bekerjasama yang tidak terkira banyaknya diselaraskan oleh platform yang memahami kerja dengan lebih baik daripada yang boleh dilakukan oleh mana-mana manusia—dan yang dinilai berdasarkan hasil, bukan output.
Kesimpulan: Kawal Aliran Kerja, Peroleh Hak kepada Model
Kerjasama antara ejen AI ialah langkah semula jadi seterusnya dalam tindanan AI: ia memprofesionalkan penaakulan probabilistik dengan struktur, memori dan pengesahan. Pengajaran strategik adalah konsisten dengan peralihan pengkomputeran sebelumnya: nilai terakru kepada lapisan yang mengagregat permintaan—dalam kes ini, lapisan orkestrasi yang menguraikan, mengesahkan dan menyampaikan kerja. Model asas akan bertambah baik; alatan akan berkembang biak; tetapi pemenang akan memiliki aliran kerja, ekzos data dan kepercayaan.
Memahami sistem pelbagai ejen adalah perlu tetapi tidak mencukupi. Peluang terletak pada membina kerjasama yang bertambah: langkah yang lebih sedikit, kitaran yang lebih pantas, hasil yang lebih baik dan kos yang lebih rendah dari semasa ke semasa. Sama ada anda sebuah syarikat permulaan yang memilih baji sempit, sebuah perusahaan yang menyeragamkan platform orkestrasi, atau penyedia model yang bergerak ke atas tindanan, imperatifnya adalah sama: jadikan penyelarasan sebagai produk anda. Di situlah strategi menjadi perisian, dan di situlah AI berhenti menjadi demo dan mula menjadi perniagaan.
Soalan Lazim (FAQ)
S1: Apakah sistem pelbagai ejen dalam AI, dari segi praktikal?
Ia adalah set ejen khusus yang diselaraskan—perancang, penyelidik, pengekod, penyemak—yang bekerja melalui alatan dan memori yang dikongsi untuk menyelesaikan tugas. Kerjasama antara ejen AI mengubah output probabilistik menjadi aliran kerja yang boleh dipercayai dengan menguatkuasakan peranan, pengesahan dan tadbir urus.
S2: Mengapakah kerjasama antara ejen AI penting untuk perniagaan?
Kerana nilai terakru kepada kerja yang telah selesai, bukan respons tunggal. Kerjasama yang berkesan antara ejen AI mengurangkan kos setiap tugas, meningkatkan ketekalan melalui pengesahan dan memori, dan mencipta ekzos data proprietari yang bertambah dari semasa ke semasa.
S3: Bagaimanakah cara saya menilai platform untuk aliran kerja pelbagai ejen?
Instrumenkan untuk kadar kejayaan, kos setiap tugas, kependaman dan kadar kerja semula; cari skema alat yang kukuh, kebolehlihatan dan tadbir urus. Platform yang mengendalikan kerjasama antara ejen AI—perancangan, kritikan dan memori—lebih berkemungkinan untuk berskala dalam pengeluaran.
S4: Di manakah model asas sesuai berbanding dengan lapisan kerjasama?
Model menyediakan kernel penaakulan, tetapi orkestrasi memiliki penguraian, penghalaan dan pengesahan. Apabila model menjadi komoditi, kerjasama antara ejen AI di lapisan orkestrasi menjadi lokus pembezaan dan kebolehan untuk dipertahankan.
S5: Bagaimanakah pasukan harus bermula dengan sistem pelbagai ejen dengan selamat?
Mulakan dengan aliran kerja yang sempit dan tentukan 3–5 ejen dengan peranan yang jelas, kekangan alat dan pengkritik. Tambahkan kelulusan manusia dalam gelung dan jejaki metrik supaya kerjasama antara ejen AI bertambah baik dengan cara yang boleh diramal dan bukannya melonjakkan kos.
