2024ರ ಅಂತ್ಯದಲ್ಲಿ Anthropic ಸಂಸ್ಥೆಯು Building Effective Agents ಅನ್ನು ಪ್ರಕಟಿಸಿದಾಗ, ಅದು ಈ ಉದ್ಯಮಕ್ಕೆ ಅಪರೂಪದ ಕೆಲಸವೊಂದನ್ನು ಮಾಡಿತು: ಎಂಜಿನಿಯರ್ಗಳಿಗೆ ಒಂದು ಸಮಾನವಾದ ಶಬ್ದಕೋಶವನ್ನು ನೀಡಿತು. ಕೃತಕ ಸಾಮಾನ್ಯ ಬುದ್ಧಿಮತ್ತೆಯ (artificial general intelligence) ಬಗ್ಗೆ ಮತ್ತೊಂದು ಮ್ಯಾನಿಫೆಸ್ಟೋ ನೀಡುವ ಬದಲು, ಈ ಮಾರ್ಗದರ್ಶಿಯು LLM ವ್ಯವಸ್ಥೆಗಳನ್ನು ರಚಿಸಲು ಆರು ಸ್ಪಷ್ಟ ಮಾದರಿಗಳನ್ನು (patterns) ನೀಡಿತು. ಒಂದೂವರೆ ವರ್ಷಗಳ ನಂತರ, ಅಂದರೆ 2026ರಲ್ಲಿ, ಈ ಪರಿಸ್ಥಿತಿ ಸಂಪೂರ್ಣವಾಗಿ ಬದಲಾಗಿದೆ. Model Context Protocol ಈಗ ಒಂದು ಸಾರ್ವತ್ರಿಕ ಮಾನದಂಡವಾಗಿದೆ. Claude ಹೊಸ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಪಡೆದುಕೊಂಡಿದೆ. ಹೆಚ್ಚಿನ ಸಂಸ್ಥೆಗಳು ಈಗ ಕನಿಷ್ಠ ಒಂದು ಏಜೆಂಟ್ ಅನ್ನು ಪ್ರೊಡಕ್ಷನ್ನಲ್ಲಿ ಬಳಸುತ್ತಿವೆ. ಈ ಹಿನ್ನೆಲೆಯಲ್ಲಿ, ಆ ಆರು ಮಾದರಿಗಳು ಇಂದಿಗೂ ಮುಖ್ಯವೇ ಅಥವಾ ಅವು ಕಳೆದ ವರ್ಷದ ಮಾಡೆಲ್ ತೂಕಗಳಂತೆ (model weights) ಆರ್ಕೈವ್ನಲ್ಲಿ ಸೇರಿಕೊಳ್ಳಬೇಕೇ ಎಂದು ಕೇಳುವುದು ಸಮಂಜಸವಾಗಿದೆ.
ಇದನ್ನು ಪತ್ತೆಹಚ್ಚಲು ನಾನು ಒಂದು ಸೈಡ್ ರೆಪೊಸಿಟರಿಯಲ್ಲಿ ಲೋಕಲ್ ಮಾಡೆಲ್ ಬಳಸಿ ಆ ಎಲ್ಲಾ ಆರು ಮಾದರಿಗಳನ್ನು ಪರೀಕ್ಷಿಸಿದೆ. ಉತ್ತರ 'ಹೌದು' ಎಂದೇ ಇದೆ. ಅವು ಇಂದಿಗೂ ಅನ್ವಯಿಸುತ್ತವೆ. ಆದರೆ ಅವು ಬದಲಿಸಲಾಗದ ನಿಯಮಗಳಾಗಿರುವುದರಿಂದ ಅಲ್ಲ. ಕಳೆದ ಹದಿನೆಂಟು ತಿಂಗಳ ಪ್ರೊಡಕ್ಷನ್ ಅನುಭವವು ಈ ಫ್ರೇಮ್ವರ್ಕ್ನ ಮೂಲ ತರ್ಕವನ್ನು (core logic) ಸಾಬೀತುಪಡಿಸಿರುವುದರಿಂದ ಅವು ಇಂದಿಗೂ ಅನ್ವಯಿಸುತ್ತಿವೆ.
ಈ ಫ್ರೇಮ್ವರ್ಕ್ ನಮಗೆ ವಾಸ್ತವವಾಗಿ ಏನು ನೀಡಿತು
ಆ ಆರು ಮಾದರಿಗಳನ್ನು ನಿಖರವಾಗಿ ನೆನಪಿಟ್ಟುಕೊಳ್ಳುವುದು ಮುಖ್ಯ: Prompt Chaining, Routing, Parallelization, Evaluator-Optimizer, Orchestrator-Workers, ಮತ್ತು Autonomous Agents. ಕೊನೆಯ ಮಾದರಿಯು ಮೂಲತಃ ಒಂದು ಲೂಪ್ ಆಗಿದ್ದು, ಅದರಲ್ಲಿ ಮಾಡೆಲ್ ಯೋಜಿಸುತ್ತದೆ, ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಗಮನಿಸುತ್ತದೆ ಮತ್ತು ಒಂದು ನಿರ್ದಿಷ್ಟ ಸ್ಥಿತಿ ಪೂರೈಕೆಯಾಗುವವರೆಗೆ ಇದನ್ನು ಪುನರಾವರ್ತಿಸುತ್ತದೆ.
ಈ ಮಾರ್ಗದರ್ಶನ ಬರುವ ಮೊದಲೇ ಅನೇಕ ಎಂಜಿನಿಯರ್ಗಳು ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ಚೇನ್ ಮಾಡುತ್ತಿದ್ದರು ಅಥವಾ ವರ್ಕರ್ ಥ್ರೆಡ್ಗಳಿಗೆ ಕಾರ್ಯಗಳನ್ನು ವಹಿಸುತ್ತಿದ್ದರು. Anthropic ಒದಗಿಸಿದ್ದು ಒಂದು ವರ್ಗೀಕರಣವನ್ನು (taxonomy). ಒಬ್ಬರ "agent" ಮತ್ತೊಬ್ಬರಿಗೆ "workflow" ಆಗಿತ್ತು ಮತ್ತು ಮೂರನೇ ವ್ಯಕ್ತಿಗೆ ಅದು "multi-step tool call" ಆಗಿತ್ತು. ಈ ಮಾರ್ಗದರ್ಶಿಯು ಆ ಗೊಂದಲವನ್ನು ಸ್ಪಷ್ಟವಾದ ಗಡಿಗಳಿರುವ ವಿಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸಿತು. ಇದು ಪರಸ್ಪರರ ಮಾತು ಅರ್ಥವಾಗದೆ ಚರ್ಚಿಸುವ ಬದಲು, ಲಾಭ-ನಷ್ಟಗಳ (trade-offs) ಬಗ್ಗೆ ಚರ್ಚಿಸಲು ಸಾಧ್ಯವಾಗುವಂತೆ ಮಾಡಿತು. ಅತಿಯಾದ ಪ್ರಚಾರದಲ್ಲಿ (hype) ಮುಳುಗಿರುವ ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ, ಸ್ಪಷ್ಟವಾದ ಭಾಷೆಯು ಒಂದು ರೀತಿಯ ಮೂಲಸೌಕರ್ಯದಂತೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ.
ಉದ್ಯಮವು ಇದರ ಸುತ್ತ ಬೆಳೆಯಲಿಲ್ಲ, ಬದಲಾಗಿ ಇದರ ಮೇಲೆ ನಿರ್ಮಾಣವಾಯಿತು
2026ರ ವೇಳೆಗೆ, ತಂಡಗಳು ವ್ಯವಸ್ಥೆಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ರೀತಿಯಲ್ಲಿಯೇ ಈ ವರ್ಗೀಕರಣಗಳು ಬೆರೆತುಹೋಗಿವೆ. Anthropic ಇಂದಿಗೂ ತನ್ನ ಅಕಾಡೆಮಿ ಕೋರ್ಸ್ಗಳಲ್ಲಿ ಇವುಗಳನ್ನು ಕಲಿಸುತ್ತಿದೆ. ಸಂಶೋಧನಾ ಪ್ರಬಂಧಗಳು ಮತ್ತು ಎಂಜಿನಿಯರಿಂಗ್ ಬ್ಲಾಗ್ಗಳು ಹೊಸ ಆರ್ಕಿಟೆಕ್ಚರ್ಗಳನ್ನು ವಿ
For high-frequency, low-cost tasks, deterministic code still wins. An LLM should not be normalizing a CSV column when pandas can do it in milliseconds without hallucinating. Avoid autonomous loops if you cannot define a crisp evaluation goal. Without a clear stopping condition, the model will iterate until it invents a reason to stop. For high-stakes decisions that require external grounding, do not rely solely on the model’s internal knowledge. And watch for bottlenecks in data retrieval. Any pattern that depends on vector search or external APIs can choke if your database is slow or your context window is clogged with irrelevant chunks.
These are not hypothetical edge cases. They are the constraints that separate a working demo from a system that survives the weekend.
A Rigid Check and a Wrong Failure
I learned the practical value of this framework while building my test repository. I was implementing the Evaluator-Optimizer pattern. My evaluator started as a hardcoded regex that scanned the model’s output for specific keywords. The model returned a correct, well-reasoned answer that happened to use synonyms instead of the exact words I was hunting. The evaluator flagged it as a failure.
The model was right. My check was too rigid.
Fixing it required more than expanding a word list. I switched the evaluator itself to an LLM-based judgment. That cost extra tokens and a few more milliseconds, but it restored the evaluation to the right level of abstraction. The pattern itself was sound. I had simply chosen the wrong implementation for the task. That is exactly the kind of mistake the framework is meant to prevent. Some evaluations need code. Others need a model. Knowing which is which is the whole point.
How to Use Them Now
Treat these six patterns as a starting point, not absolute law. Begin with a single prompt. If quality is inconsistent across input types, add a routing layer to send different requests to specialized prompts. If you need multiple independent perspectives before making a call, use Parallelization. If the task is large and divisible, try Orchestrator-Workers. Only reach for the full autonomous loop when the problem space is too wide to pre-map and when you have a reliable