ஏஜென்டிக் ரிசோர்ஸ் டிஸ்கவரி (Agentic Resource Discovery) ஏன் விடுபட்ட அடுக்காக உள்ளது?
AI ஏஜென்ட்கள் ஒரு பெரிய சிக்கலை எதிர்கொள்கின்றன. சரியான நேரத்தில் சரியான கருவியைத் (tool) தேர்ந்தெடுப்பதில் அவை சிரமப்படுகின்றன.
ஒரு மாடல் (model) சிறப்பாகச் சிந்திக்கலாம். ஒரு கருவி சிறப்பாகத் தேடலாம். ஒரு GUI கன்ட்ரோலர் சிறப்பாகச் செயல்படலாம். ஆனால், என்னென்ன கருவிகள் உள்ளன அல்லது அவற்றை எவ்வாறு வரிசைப்படுத்துவது என்பது தெரியவில்லை என்றால், ஏஜென்ட்கள் தோல்வியடைகின்றன.
பெரும்பாலான டெவலப்பர்கள் ஒரு நிலையான (static) அணுகுமுறையைப் பயன்படுத்துகின்றனர். நீங்கள் ஒரு கருவியை நிறுவிவிட்டுப் பிறகு அதைப் பயன்படுத்துகிறீர்கள். திறன்களை (skills) முன்கூட்டியே இணைத்துவிட்டு அவை வேலை செய்யும் என்று நம்புகிறீர்கள். உங்கள் ஏஜென்ட் வளரும்போது இது முறிந்துவிடும். நூற்றுக்கணக்கான கருவிகளைத் தனித்தனியாக நிர்வகிப்பது சாத்தியமற்றது.
Agentic Resource Discovery (ARD) இதைச் சரிசெய்கிறது. கருவிகளைத் தொடக்கத்திலேயே (hardcoding) வரையறுப்பதற்குப் பதிலாக, ஏஜென்ட்கள் இயங்கும் நேரத்தில் (runtime) ஒரு பதிவேட்டைத் (registry) தேடுகின்றன.
ARD தற்போதுள்ள புரோட்டோகால்களுடன் (protocols) இணைந்து செயல்படுகிறது:
- MCP ஒரு கருவியை எவ்வாறு அழைப்பது என்பதை ஏஜென்ட்டிடம் கூறுகிறது.
- Skills ஒரு ஏஜென்ட் எவ்வாறு வழிமுறைகளைப் பின்பற்றுவது என்பதைத் தெரிவிக்கிறது.
- A2A ஒரு ஏஜென்ட் மற்றொரு ஏஜென்ட்டை எவ்வாறு சென்றடைவது என்பதைத் தெரிவிக்கிறது.
- இவற்றுக்கு முன்பே, எதைத் தேட வேண்டும் என்பதை ARD ஏஜென்ட்டிடம் கூறுகிறது.
ARD விவரக்குறிப்பு (spec) இரண்டு முக்கியப் பகுதிகளைப் பயன்படுத்துகிறது:
- வெளியிடுபவர்கள் (Publishers) ஒரு
ai-catalog.jsonகோப்பைப் பகிர்ந்து கொள்கிறார்கள். இந்த கோப்பில் டேக்ஸ் (tags) மற்றும் மாதிரி வினவல்கள் (sample queries) போன்ற மெட்டாடேட்டா (metadata) இருக்கும். - ஒரு search API, ஏஜென்ட் ஒரு இயல்பான மொழி (natural language) கோரிக்கையை அனுப்ப அனுமதிக்கிறது. பதிவேடு (registry) திறன்களின் வரிசைப்படுத்தப்பட்ட பட்டியலைத் திருப்பித் தருகிறது.
ஒவ்வொரு கருவியின் விளக்கத்தையும் ஒரு பிராம்ப்ட்டில் (prompt) வைப்பதை விட இந்த முறை செலவு குறைவானது. இது உங்கள் கான்டெக்ஸ்ட் விண்டோவையும் (context window) சுத்தமாக வைத்திருக்க உதவுகிறது.
Hugging Face தனது Discover கருவி மூலம் இதைச் செயல்படுத்துகிறது. இது Hub முடிவுகளைத் திறன்களாகவோ (skills) அல்லது MCP சர்வர்களாகவோ மாற்றுகிறது.
GUI ஏஜென்ட்களுக்குத் தேடுதல் (Discovery) இன்னும் முக்கியமானது. இந்த ஏஜென்ட்கள் சரியான திறன் தொகுப்பு (skill pack) அல்லது விஷுவல் பிளேபுக்கை (visual playbook) தேர்ந்தெடுக்க வேண்டும். மல்டிமோடல் திறன்கள் (multimodal skills) உதவுவதாக ஆய்வுகள் காட்டுகின்றன. VISUALSKILL பயன்படுத்தும் ஒரு Claude ஏஜென்ட், உரை சார்ந்த (text-only) அடிப்படையை விட 15.3 புள்ளிகள் அதிகமாகப் பெற்றுள்ளது.
ஏஜென்ட் சுற்றுச்சூழல் (ecosystem) வேகமாக வளர்ந்து வருகிறது. திறன்களில் இப்போது APIs, UI பணிப்பாய்வுகள் (workflows) மற்றும் ரோபோட் கொள்கைகள் (robot policies) அடங்கும். இந்தச் சூழலில் ஒவ்வொரு கருவியையும் நீங்கள் கைமுறையாக அமைக்க முடியாது.
நீங்கள் ஏஜென்ட் தயாரிப்புகளை உருவாக்குகிறீர்கள் என்றால், இந்த மூன்று விதிகளைப் பின்பற்றுங்கள்:
- நிலையான கருவிப் பட்டியல்களைப் பயன்படுத்துவதை நிறுத்துங்கள். அவை விரைவாகப் பழையதாகிவிடும்.
- விரிவான மெட்டாடேட்டாவைப் (rich metadata) பயன்படுத்துங்கள். தேடல் தரத்தை மேம்படுத்த பணி வகைகள் (task types) மற்றும் வினவல்களைச் சேர்க்கவும்.
- தேடுதலை (discovery) செயல்பாட்டிலிருந்து (execution) பிரிக்கவும். கருவியைக் கண்டறிய தேடலைப் பயன்படுத்துங்கள். அதை இயக்க ஒரு புரோட்டோகாலைப் பயன்படுத்துங்கள்.
ஏஜென்ட்களுக்கான மிகப்பெரிய சவால் வெறும் சிந்தனைத் திறன் (reasoning) மட்டுமல்ல. அது திறன்களை வழிநடத்துவதே (capability routing) ஆகும். சிறந்த ஏஜென்ட்கள் சரியான ஆதாரங்களை மிக விரைவாகக் கண்டறியும்.
விருப்பத்தேர்வு கற்றல் சமூகம்: https://t.me/GyaanSetuAi