𝗪𝗵𝘆 𝗠𝗼𝘀𝘁 𝗔𝗜 𝗔𝗴𝗲𝗻𝘁𝘀 𝗔𝗿𝗲 𝗢𝘃𝗲𝗿𝗲𝗻𝗴𝗶𝗻𝗲𝗲𝗿𝗲𝗱
AI ഏജന്റുകൾ എല്ലായിടത്തുമുണ്ട്.
ഏജന്റ് കൂട്ടങ്ങൾ (agent swarms), സ്വയംഭരണ ടീമുകൾ (autonomous teams), പ്ലാനിംഗ് ഏജന്റുകൾ എന്നിവ നിങ്ങൾ കാണുന്നുണ്ടാകും. ഓരോ ആഴ്ചയും പുതിയ ഫ്രെയിംവർക്കുകൾ വരുന്നുണ്ട്. AI വർക്ക്ഫ്ലോകൾ പഠിച്ചതിനുശേഷം ഞാൻ ഒരു നിഗമനത്തിൽ എത്തിയിരിക്കുന്നു.
മിക്ക AI ഏജന്റുകളും അമിതമായി സങ്കീർണ്ണമാക്കപ്പെട്ടവയാണ് (overengineered).
ഏജന്റുകൾ ഉപയോഗശൂന്യമല്ല. എന്നാൽ ലളിതമായ വർക്ക്ഫ്ലോകൾ കൊണ്ട് പരിഹരിക്കാവുന്ന പ്രശ്നങ്ങൾ നിർമ്മാതാക്കൾ പലപ്പോഴും ഏജന്റുകൾ ഉപയോഗിച്ച് പരിഹരിക്കാൻ ശ്രമിക്കുന്നു.
വ്യവസായം സങ്കീർണ്ണതയെ ഇഷ്ടപ്പെടുന്നു
PDF-കൾ വായിച്ച് ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്ന ഒരു സിസ്റ്റം നിർമ്മിക്കണമെന്ന് നിങ്ങൾ സങ്കൽപ്പിക്കുക.
ചില നിർമ്മാതാക്കൾ ഇതിനായി വലിയ ആർക്കിടെക്ചറുകൾ നിർമ്മിക്കുന്നു. അവർ ആറ് ഏജന്റുകളും, സങ്കീർണ്ണമായ സ്റ്റേറ്റ് മാനേജ്മെന്റും (state management), മെമ്മറി സിൻക്രണൈസേഷനും (memory synchronization) ഉപയോഗിക്കുന്നു. ഇത് പലപ്പോഴും വലിയ തലവേദനയുണ്ടാക്കുന്നു.
പലപ്പോഴും ലളിതമായ ഒരു ക്രമത്തിലൂടെ (sequence) നിങ്ങൾക്ക് ഇതേ പ്രശ്നം പരിഹരിക്കാം: • PDF • Chunk • Embed • Vector DB • LLM • Response
ഒരു വർക്ക്ഫ്ലോ മാത്രം മതിയാകും. നിങ്ങൾക്ക് ഒരു ഏജന്റ് സൈന്യത്തിന്റെ ആവശ്യമില്ല.
വർക്ക്ഫ്ലോകൾ മിക്ക പ്രശ്നങ്ങളും പരിഹരിക്കുന്നു
മിക്ക AI ആപ്ലിക്കേഷനുകളും ഡെറ്റർമിനിസ്റ്റിക് (deterministic) ആണ്. അവ ഒരു നിശ്ചിത ക്രമം പിന്തുടരുന്നു.
ഉദാഹരണങ്ങൾ: • Document Q&A • Customer support • Meeting summaries • Blog generation • Code review
ഇവ വർക്ക്ഫ്ലോകളാണ്, സ്വയംഭരണ സംവിധാനങ്ങളല്ല (autonomous systems). വർക്ക്ഫ്ലോകൾ ഡീബഗ് ചെയ്യാനും (debug), സ്കെയിൽ ചെയ്യാനും (scale), പരിപാലിക്കാനും (maintain) എളുപ്പമാണ്. സങ്കീർണ്ണത എന്നത് ആവശ്യമായ ഘട്ടങ്ങളിൽ മാത്രം കൊണ്ടുവരേണ്ടതാണ്.
ഏജന്റുകൾ ഒളിഞ്ഞിരിക്കുന്ന ചിലവുകൾ ഉണ്ടാക്കുന്നു
ഓരോ അധിക ഏജന്റും താഴെ പറയുന്നവ വർദ്ധിപ്പിക്കുന്നു: • ഉയർന്ന ടോക്കൺ ചിലവ് • കൂടുതൽ ലേറ്റൻസി (latency) • ഹാലുസിനേഷൻസ് (hallucinations) ഉണ്ടാകാനുള്ള കൂടുതൽ സാധ്യതകൾ • പ്രയാസകരമായ ഡീബഗ്ഗിംഗ് • സങ്കീർണ്ണമായ ഇൻഫ്രാസ്ട്രക്ചർ
ഒരു ലളിതമായ ആപ്ലിക്കേഷൻ പെട്ടെന്ന് തന്നെ ഒരു വലിയ എഞ്ചിനീയറിംഗ് പ്രോജക്റ്റായി മാറുന്നു.
ഏജന്റുകൾ യഥാർത്ഥത്തിൽ തിളങ്ങുന്ന ഇടങ്ങൾ
ഞാൻ ഏജന്റുകൾക്ക് എതിരാളിയല്ല. ഏജന്റുകൾ താഴെ പറയുന്ന സാഹചര്യങ്ങളിൽ നന്നായി പ്രവർത്തിക്കുന്നു: • ഒന്നിലധികം വെബ്സൈറ്റുകൾ ഗവേഷണം ചെയ്യുന്നത് പോലുള്ള ദീർഘസമയമെടുക്കുന്ന ജോലികൾ. • ലോജിക് അടിസ്ഥാനമാക്കി തീരുമാനങ്ങൾ എടുക്കേണ്ടി വരുമ്പോൾ. • Email, GitHub, Slack എന്നിവ പോലെ ഒന്നിലധികം ടൂളുകൾ ഒന്നിച്ച് പ്രവർത്തിക്കേണ്ടി വരുമ്പോൾ. • മനുഷ്യന്റെ ഇടപെടൽ ഒരു ഭാഗമായിരിക്കുമ്പോൾ.
എന്റെ നിയമം
നിർമ്മാതാക്കൾ പലപ്പോഴും ഉടൻ തന്നെ CrewAI അല്ലെങ്കിൽ LangGraph പോലുള്ള ഫ്രെയിംവർക്കുകളിലേക്ക് കടക്കുന്നു. അതിനുമുമ്പ് ഒരു ചോദ്യം ചോദിക്കുക: ഒരു വർക്ക്ഫ്ലോ കൊണ്ട് ഇത് പരിഹരിക്കാൻ കഴിയുമോ?
ഉത്തരം 'അതെ' എന്നാണെങ്കിൽ, അവിടെ നിന്ന് തുടങ്ങുക. സങ്കീർണ്ണത ആവശ്യമായി വരുമ്പോൾ മാത്രം ഏജന്റുകളെ ഉപയോഗിക്കുക. വെറും പ്രചാരം (hype) കണ്ട് അവ ഉപയോഗിക്കരുത്.
ഞാൻ ഈ തത്വം പിന്തുടരുന്നു:
- ആദ്യം വർക്ക്ഫ്ലോ.
- രണ്ടാമതായി ഏജന്റ്.
- അവസാനമായി മൾട്ടി-ഏജന്റ്.
സങ്കീർണ്ണത എന്നത് ഇന്നൊവേഷൻ (innovation) അല്ല. സങ്കീർണ്ണത എന്നത് ഒരു ചിലവാണ്. നിങ്ങൾ എത്ര ഏജന്റുകളെ ഉപയോഗിക്കുന്നു എന്നതിനെക്കുറിച്ച് ഉപയോക്താക്കൾക്ക് ആശങ്കയില്ല. നിങ്ങളുടെ ടൂൾ കൃത്യമായി പ്രവർത്തിക്കുന്നുണ്ടോ എന്നാണ് അവർ നോക്കുന്നത്.
ലാളിത്യമാണ് ഏറ്റവും മികച്ച ഫീച്ചർ.
Source: https://dev.to/jaideepparashar/why-i-think-most-ai-agents-are-overengineered-249o
Optional learning community: https://t.me/GyaanSetuAi