ஆராய்ச்சியாளர்களான Yuxing Lu, Yicheng Chen மற்றும் Shanchan Wu ஆகியோர் ஒரு “Procedural Graph” கட்டமைப்பை வெளியிட்டுள்ளனர். இது பெரிய மொழி மாதிரி (LLM) முகவர்கள் (agents) தாங்கள் பணியாற்றும் போதே தங்களின் பணிச் செயலாக்கத் திட்டங்களை (task-execution plans) தாங்களாகவே மாற்றி எழுதும் வசதியை வழங்குகிறது.
இன்றைய முகவர்களிடம் உள்ள சிக்கல்
பெரும்பாலான LLM-ஆல் இயக்கப்படும் உதவியாளர்கள், ஒரு சமையல் குறிப்பை மட்டும் வாசிக்கத் தெரிந்த சமையல்காரரைப் போலச் செயல்படுகிறார்கள். இந்த மாதிரி (model) படிநிலைகளைத் தற்காலிக நினைவகத்தில் (transient memory) சேமித்து வைத்து, அடுத்த கருவியைத் (tool) தேர்ந்தெடுத்து, அடுத்த டோக்கன் (token) சரியாக அமையும் என்று நம்புகிறது. நடைமுறையில், மூன்று தோல்விகள் அடிக்கடி நிகழ்கின்றன:
- இலக்கு விலகல் (Goal drift) – சில சுற்றுகளுக்குப் பிறகு, முகவர் தனது அசல் நோக்கத்தை மறந்துவிடுகிறான்.
- கருவித் தவறான பயன்பாடு (Tool misuse) – இது ஒரு API-ஐத் தவறான வரிசையில் அழைக்கிறது அல்லது ஒரே அழைப்பைத் திரும்பத் திரும்பச் செய்கிறது.
- கற்றுக் கொள்ளப்படாத தவறுகள் (Unlearned mistakes) – தோல்வியைப் நிரந்தரமாகப் பதிவு செய்ய எதுவும் இல்லாததால், தொடர்பில்லாத அமர்வுகளிலும் (sessions) அதே தவறு மீண்டும் மீண்டும் நிகழ்கிறது.
பகுத்தறிவு (reasoning) மறைமுகமாகவே இருப்பதால், ஒரு செயல் ஏன் நடந்தது என்பதை டெவலப்பர்களால் பார்க்க முடிவதில்லை, மேலும் பயனர்களால் முறையான குறைபாடுகளைச் சரிசெய்ய முடிவதில்லை.
ப்ராம்ப்ட்களை (prompts) ஒரு வரைபடமாக (graph) மாற்றுதல்
Procedural Graphs, “நினைவகத்தை மட்டும் சார்ந்திருக்கும்” அணுகுமுறைக்கு மாற்றாக, ஒரு தெளிவான மற்றும் மாற்றியமைக்கக்கூடிய கட்டமைப்பை வழங்குகிறது. இந்த கட்டமைப்பு மூன்று முக்கிய கூறுகளை வரையறுக்கிறது:
| கூறு (Element) | பங்கு (Role) |
|---|---|
| Node (முனையம்) | “விமானத்தைத் தேடு” அல்லது “பணத்தைச் சரிபார்” போன்ற ஒரு குறிப்பிட்ட படிநிலை. |
| Edge (விளிம்பு) | முனைகளுக்கு இடையிலான ஓட்டம் – நேர்க்கோட்டு வரிசைகள், நிபந்தனைப் பிரிவுகள் (if/then) மற்றும் சுழற்சிகள் (loops). |
| Attribute (பண்பு) | ஒரு முனை அல்லது விளிம்புடன் இணைக்கப்பட்ட மெட்டாடேட்டா (metadata), உதாரணத்திற்கு: வெற்றி விகிதம், சராசரிச் செயலாக்க நேரம் அல்லது நம்பிக்கைப் புள்ளி (confidence score). |
ஒரு LLM முகவர் ஒரு கோரிக்கையைப் பெறும்போது, அது முதலில் அந்த கோரிக்கையை ஏற்கனவே உள்ள வரைபடத்தில் பொருத்துகிறது அல்லது புதிய ஒன்றை உடனுக்குடன் உருவாக்குகிறது. பின்னர் செயலாக்கம் விளிம்புகளைப் பின்பற்றி, கருவிகளை அழைக்கிறது மற்றும் முடிவுகளைப் பண்புகளில் சேமிக்கிறது. இந்த வரைபடம் மாதிரியின் டோக்கன் ஓட்டத்திற்கு (token stream) வெளியே இருப்பதால், மக்கள் அதை ஆய்வு செய்யவும், காட்சிப்படுத்தவும் மற்றும் மாற்றியமைக்கவும் முடியும்.
ஐந்து படிகளில் சுய-பரிணாமம் (Self-evolution)
முகவர் தனது சொந்த வரைபடத்தை மேம்படுத்த அனுமதிக்கும் இந்தச் சுழற்சியில்தான் இதன் புதுமை உள்ளது:
- பதிவு செய்தல் (Record) – முகவர் கடந்து செல்லும் ஒவ்வொரு பாதையையும், உள்ளீடுகள், கருவி அழைப்புகள் மற்றும் முடிவுகளைப் பதிவு செய்தல்.
- ஒப்பிடுதல் (Compare) – வெற்றிகரமான பாதைகளைத் தோல்வியடைந்த பாதைகளுடன் ஒப்பிட்டு, அவை எங்கு வேறுபடுகின்றன என்பதைக் கண்டறிதல்.
- கண்டறிதல் (Diagnose) – முனைப் பண்புகளை (எ.கா. குறைந்த வெற்றி விகிதம்) மற்றும் விளிம்பு நிபந்தனைகளை ஆராய்வதன் மூலம் பிழையைக் கண்டறிதல்.
- திருத்தங்களை முன்மொழிதல் (Propose) – LLM தோல்வி பகுப்பாய்வைப் பெற்று வரைபட மாற்றங்களை முன்மொழிகிறது (விடுபட்ட சரிபார்ப்புப் படிநிலையைச் சேர்த்தல், தேவையற்ற சுழற்சியை நீக்குதல், நிபந்தனையை இறுக்கமாக்குதல்).
- சரிபார்த்தல் (Validate) – திருத்தப்பட்ட வரைபடத்தை ஒரு சோதனை மாதிரியில் சரிபார்க்கவும்; செயல்திறன் மேம்பட்டால், அந்த மாற்றம் நிரந்தரமாக்கப்படும்.
இந்த வரைபடம் உண்மையான ஆதாரமாக (single source of truth) செயல்படுவதால், முகவர் மனித உதவியின்றிப் புதிய படிநிலைகளைச் சேர்க்கவோ, பயனற்ற பாதைகளை நீக்கவோ அல்லது தர்க்கத்தை (logic) மாற்றியமைக்கவோ முடியும். மனிதர்களால் உருவாக்கப்பட்ட ஒரு தடுமாற்றமான பணிப்பாய்வு (workflow) கூட காலப்போக்கில் தன்னைத்தானே சரிசெய்துகொள்ள முடியும்.
இந்த மாற்றம் ஏன் முக்கியமானது
மனப்பாடம் செய்வதைத் தாண்டிய பொதுமைப்படுத்துதல் (Generalization)
ஒரு நிலையான ப்ராம்ப்ட் (static prompt) ஒரு பணியின் ஒரு நிகழ்வை மட்டுமே குறிக்கும். ஆனால் ஒரு வரைபடம், தேடுதல் மற்றும் முன்பதிவு, தரவுப் பதிவேற்றப் பாதைகள் (data-entry pipelines), சிக்கலைத் தீர்க்கும் உரையாடல்கள் போன்ற ஒரு முழு வகையினனுக்கான "செய்முறை"யையும் சுருக்கமாக வழங்குகிறது—இதனால் ஒரே கட்டமைப்பு வெவ்வேறு அளவுருக்களுடன் (parameters) செயல்படும். ஒவ்வொரு மாற்றத்திற்கும் மாடலுக்கு மீண்டும் ப்ராம்ப்ட் அளிக்க வேண்டிய அவசியம் குழுக்களுக்குத் தேவையில்லை.
வெளிப்படையான முடிவெடுத்தல்
இந்த வரைபடம் ஒரு ஓட்ட வரைபடம் (flowchart) போலத் தோற்றமளிக்கும். எந்த முனை ஒரு கருவி அழைப்பைத் தூண்டியது மற்றும் ஏன் ஒரு குறிப்பிட்ட கிளை தேர்ந்தெடுக்கப்பட்டது என்பதைப் பங்குதாரர்கள் துல்லியமாகக் கண்டறிய முடியும்.
நரம்பியல்-குறியீட்டு ஒருங்கிணைப்பு (Neuro-symbolic synergy)
Procedural Graphs, ஆழமான கற்றல் முறை அங்கீகாரத்தையும் (deep-learning pattern recognition - LLM-ன் மொழிப் புரிதல்) குறியீட்டு பகுத்தறிவோடு (symbolic reasoning - தெளிவான வரைபடத் தர்க்கம்) இணைக்கிறது. LLM படிநிலைகளை உருவாக்க அல்லது மாற்றத் தேவையான உள்ளுணர்வை (intuition) வழங்குகிறது; வரைபடம் தர்க்கரீதியான ஒருமைப்பாட்டை (logical consistency) உறுதி செய்கிறது. இதை LLM-களுக்கு ஒரு “System 2” மூளையை வழங்குவதாக ஆசிரியர்கள் விவரிக்கிறார்கள்—அதாவது வேகமான, தொடர்பியல் சார்ந்த “System 1” டோக்கன் கணிப்புக்குத் துணையாக இருக்கும் ஒரு திட்டமிட்ட, சரிபார்க்கக்கூடிய கட்டுப்பாட்டாளர் ஆகும்.
சுருக்கம்
Procedural Graphs, LLM முகவர்களுக்கு மாற்றியமைக்கக்கூடிய மற்றும் ஆய்வு செய்யக்கூடிய ஒரு முதுகெலும்பைக் கொடுக்கிறது, இது ஒவ்வொரு செயலாக்கத்திலிருந்தும் அவை கற்றுக்கொள்ள அனுமதிக்கிறது. தற்காலிகமான ப்ராம்ப்ட்களை நிலையான கட்டமைப்புகளாக மாற்றுவதன் மூலம், இந்த அணுகுமுறை எளிதில் உடைக்க முடியாத, புரிந்துகொள்ள எளிதான மற்றும் புதிய சவால்களுக்கு ஏற்பத் தகவமைத்துக் கொள்ளக்கூடிய AI உதவியாளர்களை உருவாக்குவதை உறுதி செய்கிறது.