ಸಂಶೋಧಕರಾದ Yuxing Lu, Yicheng Chen ಮತ್ತು Shanchan Wu ಅವರು "Procedural Graph" ಎಂಬ ಚೌಕಟ್ಟನ್ನು (framework) ಬಿಡುಗಡೆ ಮಾಡಿದ್ದಾರೆ. ಇದು ಲಾರ್ಜ್-ಲ್ಯಾಂಗ್ವೇಜ್-ಮಾಡೆಲ್ (LLM) ಏಜೆಂಟ್ಗಳು ಕೆಲಸ ಮಾಡುವಾಗ ತಮ್ಮದೇ ಆದ ಕಾರ್ಯ-ನಿರ್ವಹಣಾ ಯೋಜನೆಗಳನ್ನು (task-execution plans) ಮರುಬರೆಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ಇಂದಿನ ಏಜೆಂಟ್ಗಳ ಸಮಸ್ಯೆಗಳು
ಹೆಚ್ಚಿನ LLM-ಚಾಲಿತ ಸಹಾಯಕರು ಕೇವಲ ಅಡುಗೆಯ ವಿಧಾನವನ್ನು ಹೇಳಬಲ್ಲ ಅಡುಗೆಯವನಂತೆ (chef) ವರ್ತಿಸುತ್ತಾರೆ. ಮಾಡೆಲ್ ಹಂತಗಳನ್ನು ತಾತ್ಕಾಲಿಕ ನೆನಪಿನಲ್ಲಿ (transient memory) ಸಂಗ್ರಹಿಸುತ್ತದೆ, ಮುಂದಿನ ಪರಿಕರವನ್ನು (tool) ಆರಿಸುತ್ತದೆ ಮತ್ತು ಮುಂದಿನ ಟೋಕನ್ ಸರಿಯಾಗಿ ಬರುತ್ತದೆ ಎಂದು ಭಾವಿಸುತ್ತದೆ. ಪ್ರಾಯೋಗಿಕವಾಗಿ ಮೂರು ವಿಫಲತೆಗಳು ಹೆಚ್ಚಾಗಿ ಕಂಡುಬರುತ್ತವೆ:
- ಗುರಿ ಬದಲಾವಣೆ (Goal drift) – ಕೆಲವು ಹಂತಗಳ ನಂತರ ಏಜೆಂಟ್ ತನ್ನ ಮೂಲ ಉದ್ದೇಶವನ್ನು ಮರೆತುಬಿಡುತ್ತದೆ.
- ಪರಿಕರಗಳ ದುರುಪಯೋಗ (Tool misuse) – ಇದು API ಅನ್ನು ತಪ್ಪಾದ ಕ್ರಮದಲ್ಲಿ ಕರೆಯುತ್ತದೆ ಅಥವಾ ಒಂದೇ ಕರೆಯನ್ನು ಪದೇ ಪದೇ ಮಾಡುತ್ತದೆ.
- ಕಲಿತಿಲ್ಲದ ತಪ್ಪುಗಳು (Unlearned mistakes) – ವಿಫಲತೆಯನ್ನು ಶಾಶ್ವತವಾಗಿ ದಾಖಲಿಸುವ ವ್ಯವಸ್ಥೆ ಇಲ್ಲದ ಕಾರಣ, ಸಂಬಂಧವಿಲ್ಲದ ಸೆಷನ್ಗಳಲ್ಲಿಯೂ ಅದೇ ತಪ್ಪು ಮತ್ತೆ ಮತ್ತೆ ಎದುರಾಗುತ್ತದೆ.
ತರ್ಕವು (reasoning) ಅಂತರ್ಗತವಾಗಿರುವುದರಿಂದ (implicit), ಒಂದು ಕ್ರಿಯೆ ಏಕೆ ಸಂಭವಿಸಿತು ಎಂಬುದನ್ನು ಡೆವಲಪರ್ಗಳಿಗೆ ನೋಡಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ ಮತ್ತು ಬಳಕೆದಾರರಿಗೆ ವ್ಯವಸ್ಥಿತ ದೋಷಗಳನ್ನು ಸರಿಪಡಿಸಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ.
ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ಗ್ರಾಫ್ ಆಗಿ ಪರಿವರ್ತಿಸುವುದು
Procedural Graphs "ಕೇವಲ ನೆನಪು" (memory-only) ವಿಧಾನದ ಬದಲಿಗೆ ಸ್ಪಷ್ಟವಾದ, ಎಡಿಟ್ ಮಾಡಬಹುದಾದ ರಚನೆಯನ್ನು ಬಳಸುತ್ತದೆ. ಈ ಚೌಕಟ್ಟು ಮೂರು ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ:
| ಅಂಶ | ಪಾತ್ರ |
|---|---|
| ನೋಡ್ (Node) | "ಫ್ಲೈಟ್ ಹುಡುಕು" ಅಥವಾ "ಪಾವತಿಯನ್ನು ಪರಿಶೀಲಿಸಿ" ಎಂಬಂತಹ ಒಂದು ನಿರ್ದಿಷ್ಟ ಹಂತ. |
| ಎಡ್ಜ್ (Edge) | ನೋಡ್ಗಳ ನಡುವಿನ ಹರಿವು – ನೇರ ಸಾಲುಗಳು, ಷರತ್ತುಬದ್ಧ ಶಾಖೆಗಳು (if/then) ಮತ್ತು ಲೂಪ್ಗಳು. |
| ಅಟ್ರಿಬ್ಯೂಟ್ (Attribute) | ನೋಡ್ ಅಥವಾ ಎಡ್ಜ್ಗೆ ಲಗತ್ತಿಸಲಾದ ಮೆಟಾಡೇಟಾ, ಉದಾಹರಣೆಗೆ, ಯಶಸ್ಸಿನ ದರ, ಸರಾಸರಿ ಕಾರ್ಯನಿರ್ವಹಣಾ ಸಮಯ ಅಥವಾ ಕಾನ್ಫಿಡೆನ್ಸ್ ಸ್ಕೋರ್. |
LLM ಏಜೆಂಟ್ ಒಂದು ವಿನಂತಿಯನ್ನು ಸ್ವೀಕರಿಸಿದಾಗ, ಅದು ಮೊದಲು ವಿನಂತಿಯನ್ನು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಗ್ರಾಫ್ಗೆ ಹೊಂದಿಸುತ್ತದೆ ಅಥವಾ ಹೊಸದನ್ನು ತಕ್ಷಣವೇ ನಿರ್ಮಿಸುತ್ತದೆ. ನಂತರ ಕಾರ್ಯನಿರ್ವಹಣೆಯು ಎಡ್ಜ್ಗಳನ್ನು ಅನುಸರಿಸುತ್ತದೆ, ಪರಿಕರಗಳನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಅಟ್ರಿಬ್ಯೂಟ್ಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸುತ್ತದೆ. ಗ್ರಾಫ್ ಮಾಡೆಲ್ನ ಟೋಕನ್ ಸ್ಟ್ರೀಮ್ನ ಹೊರಗೆ ಇರುವುದರಿಂದ, ಜನರು ಅದನ್ನು ಪರೀಕ್ಷಿಸಬಹುದು, ದೃಶ್ಯೀಕರಿಸಬಹುದು ಮತ್ತು ಎಡಿಟ್ ಮಾಡಬಹುದು.
ಐದು ಹಂತಗಳಲ್ಲಿ ಸ್ವಯಂ-ವಿಕಾಸ (Self-evolution)
ಏಜೆಂಟ್ ತನ್ನದೇ ಆದ ಗ್ರಾಫ್ ಅನ್ನು ಸುಧಾರಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುವ ಲೂಪ್ನಲ್ಲಿ ಇದರ ನಾವೀನ್ಯತೆಯಿದೆ:
- ದಾಖಲಿಸಿ (Record): ಏಜೆಂಟ್ ಕ್ರಮಿಸುವ ಪ್ರತಿಯೊಂದು ಹಾದಿಯನ್ನು, ಇನ್ಪುಟ್ಗಳು, ಟೂಲ್ ಕರೆಗಳು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಲಾಗ್ ಮಾಡಿ.
- ಹೋಲಿಸಿ (Compare): ಯಶಸ್ವಿ ಹಾದಿಗಳನ್ನು ವಿಫಲ ಹಾದಿಗಳೊಂದಿಗೆ ಹೋಲಿಸಿ, ಅವು ಎಲ್ಲಿ ಭಿನ್ನವಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ಗುರುತಿಸಿ.
- ರೋಗನಿರ್ಣಯ ಮಾಡಿ (Diagnose): ನೋಡ್ ಅಟ್ರಿಬ್ಯೂಟ್ಗಳನ್ನು (ಉದಾಹರಣೆಗೆ, ಕಡಿಮೆ ಯಶಸ್ಸಿನ ದರ) ಮತ್ತು ಎಡ್ಜ್ ಷರತ್ತುಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಮೂಲಕ ದೋಷವನ್ನು ಪತ್ತೆಹಚ್ಚಿ.
- ಸಲಹೆ ನೀಡಿ (Propose): LLM ವಿಫಲತೆಯ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸ್ವೀಕರಿಸುತ್ತದೆ ಮತ್ತು ಗ್ರಾಫ್ ಮಾರ್ಪಾಡುಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ (ಕಾಣೆಯಾದ ವ್ಯಾಲಿಡೇಶನ್ ಹಂತವನ್ನು ಸೇರಿಸುವುದು, ಅನಗತ್ಯ ಲೂಪ್ ಅನ್ನು ತೆಗೆದುಹಾಕುವುದು ಅಥವಾ ಷರತ್ತನ್ನು ಕಟ್ಟುನಿಟ್ಟಾಗಿಸುವುದು).
- ಪರಿಶೀಲಿಸಿ (Validate): ಪರಿಷ್ಕೃತ ಗ್ರಾಫ್ ಅನ್ನು ಟೆಸ್ಟ್ ಇನ್ಸ್ಟೆನ್ಸ್ನಲ್ಲಿ ಪರಿಶೀಲಿಸಿ; ಕಾರ್ಯಕ್ಷಮತೆ ಸುಧಾರಿಸಿದರೆ, ಆ ಬದಲಾವಣೆಯನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ.
ಗ್ರಾಫ್ ಒಂದೇ ಸತ್ಯದ ಮೂಲವಾಗಿ (single source of truth) ಕಾರ್ಯನಿರ್ವಹಿಸುವುದರಿಂದ, ಏಜೆಂಟ್ ಮಾನವ ಸಹಾಯವಿಲ್ಲದೆ ಹಂತಗಳನ್ನು ಸೇರಿಸಬಹುದು, ಅತಿಕ್ರಮಿಸುವ ಹಾದಿಗಳನ್ನು ತೆಗೆದುಹಾಕಬಹುದು ಅಥವಾ ತರ್ಕವನ್ನು ಮರುಹೊಂದಿಸಬಹುದು. ಅಸ್ತವ್ಯಸ್ತವಾಗಿರುವ ಮಾನವ ನಿರ್ಮಿತ ವರ್ಕ್ಫ್ಲೋ ಕೂಡ ಕಾಲಾನಂತರದಲ್ಲಿ ಸುಧಾರಿಸಿಕೊಳ್ಳಬಹುದು.
ಈ ಬದಲಾವಣೆ ಏಕೆ ಮುಖ್ಯ
ನೆನಪಿಸಿಕೊಳ್ಳುವುದನ್ನು ಮೀರಿದ ಸಾಮಾನ್ಯೀಕರಣ (Generalization)
ಒಂದು ಸ್ಥಿರ ಪ್ರಾಂಪ್ಟ್ ಕೇವಲ ಒಂದು ಕಾರ್ಯದ ಉದಾಹರಣೆಯನ್ನು ಮಾತ್ರ ಸೆರೆಹಿಡಿಯುತ್ತದೆ. ಗ್ರಾಫ್ ಇಡೀ ವರ್ಗಕ್ಕೆ (ಉದಾಹರಣೆಗೆ- ಸರ್ಚ್-ಅಂಡ್-ಬುಕ್, ಡೇಟಾ-ಎಂಟ್ರಿ ಪೈಪ್ಲೈನ್ಗಳು, ಟ್ರಬಲ್ಶೂಟಿಂಗ್ ಸಂಭಾಷಣೆಗಳು) "ಹೇಗೆ ಮಾಡುವುದು" ಎಂಬುದನ್ನು ಅಬ್ಸ್ಟ್ರಾಕ್ಟ್ ಮಾಡುತ್ತದೆ, ಇದರಿಂದ ಒಂದೇ ರಚನೆಯು ವಿಭಿನ್ನ ಪ್ಯಾರಾಮೀಟರ್ಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ತಂಡಗಳು ಪ್ರತಿ ಬದಲಾವಣೆಗೂ ಮಾಡೆಲ್ಗೆ ಮತ್ತೆ ಪ್ರಾಂಪ್ಟ್ ನೀಡುವ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ.
ಪಾರದರ್ಶಕ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ
ಗ್ರಾಫ್ ಫ್ಲೋಚಾರ್ಟ್ನಂತೆ ಕಾಣುತ್ತದೆ. ಯಾವ ನೋಡ್ ಟೂಲ್ ಕರೆಯನ್ನು ಪ್ರಚೋದಿಸಿತು ಮತ್ತು ಯಾವ ಶಾಖೆಯನ್ನು ಏಕೆ ಆರಿಸಲಾಯಿತು ಎಂಬುದನ್ನು ಸ್ಟೇಕ್ಹೋಲ್ಡರ್ಗಳು ನಿಖರವಾಗಿ ಪತ್ತೆಹಚ್ಚಬಹುದು.
ನ್ಯೂರೋ-ಸಿಂಬೋಲಿಕ್ ಸಿнерಜಿ (Neuro-symbolic synergy)
Procedural Graphs ಎಂಬುದು ಡೀಪ್-ಲರ್ನಿಂಗ್ ಪ್ಯಾಟರ್ನ್ ರೆಕಗ್ನಿಷನ್ (LLM ನ ಭಾಷಾ ತಿಳುವಳಿಕೆ) ಅನ್ನು ಸಿಂಬೋಲಿಕ್ ರೀಸನಿಂಗ್ (ಸ್ಪಷ್ಟವಾದ ಗ್ರಾಫ್ ಲಾಜಿಕ್) ಜೊತೆಗೆ ಜೋಡಿಸುತ್ತದೆ. LLM ಹಂತಗಳನ್ನು ರಚಿಸಲು ಅಥವಾ ಮಾರ್ಪಡಿಸಲು ಅಂತಃಪ್ರಜ್ಞೆಯನ್ನು (intuition) ಒದಗಿಸಿದರೆ; ಗ್ರಾಫ್ ತಾರ್ಕಿಕ ಸ್ಥಿರತೆಯನ್ನು (logical consistency) ಕಾಯ್ದುಕೊಳ್ಳುತ್ತದೆ. ಲೇಖಕರು ಇದನ್ನು LLMಗಳಿಗೆ "System 2" ಮೆದುಳನ್ನು ನೀಡುವುದೆಂದು ವಿವರಿಸುತ್ತಾರೆ—ಅಂದರೆ ಕೇವಲ ಟೋಕನ್ ಪ್ರೆಡಿಕ್ಷನ್ ಮಾಡುವ ವೇಗದ, ಅಸೋಸಿಯೇಟಿವ್ "System 1" ಗೆ ಪೂರಕವಾಗಿರುವ, ಉದ್ದೇಶಪೂರ್ವಕವಾದ ಮತ್ತು ಪರಿಶೀಲಿಸಬಹುದಾದ ಕಂಟ್ರೋಲರ್.
ಸಾರಾಂಶ (Takeaway)
Procedural Graphs ಎಂಬುದು LLM ಏಜೆಂಟ್ಗಳಿಗೆ ಬದಲಾಯಿಸಬಹುದಾದ ಮತ್ತು ಪರೀಕ್ಷಿಸಬಹುದಾದ ಬೆನ್ನೆಲುಬನ್ನು ನೀಡುತ್ತದೆ, ಇದು ಅವುಗಳು ಪ್ರತಿ ಕಾರ್ಯನಿರ್ವಹಣೆಯಿಂದ ಕಲಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಕ್ಷಣಿಕ ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ಶಾಶ್ವತ ರಚನೆಗಳನ್ನಾಗಿ ಪರಿವರ್ತಿಸುವ ಮೂಲಕ, ಈ ವಿಧಾನವು ಮುರಿಯಲು ಕಷ್ಟವಾದ, ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸುಲಭವಾದ ಮತ್ತು ಹೊಸ ಸವಾಲುಗಳಿಗೆ ಹೆಚ್ಚು ಹೊಂದಿಕೊಳ್ಳುವ AI ಸಹಾಯಕರನ್ನು ಭರವಸೆ ನೀಡುತ್ತದೆ.