Anthropic நிறுவனம் 2024 இறுதியில் Building Effective Agents என்பதை வெளியிட்டபோது, அது அந்தத் துறைக்கு அரிதான ஒன்றைச் செய்தது: பொறியாளர்களுக்கு ஒரு பொதுவான சொல்லகராதியை வழங்கியது. செயற்கை பொது நுண்ணறிவு (AGI) பற்றிய மற்றொரு பிரகடனத்திற்குப் பதிலாக, இந்த வழிகாட்டி LLM அமைப்புகளைக் கட்டமைப்பதற்கான ஆறு தெளிவான முறைகளை (patterns) வழங்கியது. ஒன்றரை ஆண்டிற்குப் பிறகு, 2026-இல், இந்தத் துறை முற்றிலும் மாறுபட்ட தோற்றத்தைக் கொண்டுள்ளது. Model Context Protocol ஒரு உலகளாவிய தரநிலையாக மாறியுள்ளது. Claude புதிய திறன்களைப் பெற்றுள்ளது. பெரும்பாலான நிறுவனங்கள் இப்போது குறைந்தது ஒரு ஏஜென்ட்டை (agent) நடைமுறையில் (production) இயக்கி வருகின்றன. அந்தப் பின்னணியில், அந்த ஆறு முறைகளும் இன்னும் முக்கியமானவையா அல்லது அவை கடந்த ஆண்டின் மாடல் வெயிட்டுகளுடன் (model weights) ஆவணப்பகுதியிலேயே தங்கிவிட வேண்டுமா என்று கேட்பது நியாயமானதுதான்.
இதைக் கண்டறிய, ஒரு பக்கத் தொகுப்பில் (side repository) உள்ளூர் மாடலுடன் (local model) அனைத்து ஆறு முறைகளையும் நான் சோதித்துப் பார்த்தேன். பதில் 'ஆம்' என்பதே. அவை இப்போதும் நிலைத்து நிற்கின்றன. ஆனால் அவை மாறாத விதிகள் என்பதால் அல்ல. கடந்த பதினெட்டு மாத கால நடைமுறை அனுபவங்கள் இந்த கட்டமைப்பின் (framework) அடிப்படைத் தர்க்கத்தை (logic) உறுதிப்படுத்தியதே அவை இப்போதும் நிலைத்து நிற்கின்றன.
அந்த கட்டமைப்பு உண்மையில் நமக்கு வழங்கியது என்ன
அந்த ஆறு முறைகளையும் துல்லியமாக நினைவில் கொள்ள வேண்டியது அவசியம்: Prompt Chaining, Routing, Parallelization, Evaluator-Optimizer, Orchestrator-Workers, மற்றும் Autonomous Agents. கடைசி முறை என்பது அடிப்படையில் ஒரு சுழற்சி (loop); இதில் மாடல் திட்டமிடுகிறது, செயல்படுகிறது, கவனித்து, ஒரு நிபந்தனை பூர்த்தியாகும் வரை மீண்டும் மீண்டும் செய்கிறது.
இந்த வழிகாட்டி வருவதற்கு முன்பே பல பொறியாளர்கள் ஏற்கனவே ப்ராம்ப்ட்களைச் சங்கிலித் தொடராக இணைப்பதையோ (chaining prompts) அல்லது பணிகளை பணித்தளத் திரெட்களுக்கு (worker threads) ஒப்படைப்பதையோ செய்து வந்தனர். Anthropic வழங்கியது ஒரு வகைப்பாட்டை (taxonomy) மட்டுமே. ஒருவரின் "agent" என்பவருக்கு மற்றொருவரின் "workflow" ஆகவும், மூன்றாவது நபருக்கு "multi-step tool call" ஆகவும் இருந்தது. இந்த வழிகாட்டி அந்த குழப்பமான விஷயங்களை தெளிவான எல்லைகளுடன் கூடிய பிரிவுகளாகப் பிரித்தது. இது ஒருவரை ஒருவர் புரிந்து கொள்ளாமல் விவாதிப்பதைத் தவிர்த்து, சமரசங்கள் (trade-offs) பற்றித் தெளிவாக விவாதிக்க வழிவகை செய்தது. மிகைப்படுத்தப்பட்ட செய்திகளில் மூழ்கிக் கிடக்கும் ஒரு துறையில், தெளிவான மொழி ஒரு வகையான உள்கட்டமைப்பாகும்.
இந்தத் துறை அதைச் சுற்றியல்ல, அதன் மீதே கட்டமைக்கப்பட்டது
2026-ஆம் ஆண்டளவில், இந்த வகைப்பாடுகள் குழுக்கள் அமைப்புகளை வடிவமைக்கும் முறையிலேயே ஊறிப்போய்விட்டன. Anthropic இப்போதும் தனது Academy பாடநெறிகளில் இவற்றைத் கற்பிக்கிறது. ஆராய்ச்சித் தாள்களும் (research papers) பொறியியல் வலைப்பதிவுகளும் (engineering blogs) புதிய கட்டமைப்புகளை விவரிக்க இப்போதும் அதே ஆறு பிரிவுகளையே பயன்படுத்துகின்றன. ஒவ்வொரு காலாண்டிலும் தனது தொழில்நுட்பத் தொகுப்பை (stack) புதுப்பித்துக் கொள்ளும் ஒரு துறைக்கு இத்தகைய நீண்டகாலத் தன்மை என்பது அசாதாரணமானது.
இதற்கான காரணம் எளிமையானது. இந்தத் துறை அந்த கட்டமைப்பை மாற்றவில்லை. மாறாக, அதன் மீதே புதியவற்றை உருவாக்கியது. MCP மற்றும் புதிய Agent Skills போன்ற புதிய கருவிகள் குழாய் அமைப்புகளைப் (plumbing) போலச் செயல்படுகின்றன. அவை ஒரு மாடலைத் தரவுத்தளத்துடன் (database) இணைப்பதையோ, ஒரு கருவியைப் பயன்படுத்துவதையோ அல்லது நிலையை (state) நிர்வகிப்பதையோ எளிதாக்குகின்றன. ஆனால் ஒரு orchestrator-க்கு பதிலாக எப்போது router-ஐப் பயன்படுத்த வேண்டும் என்ற தர்க்கத்தை அவை மாற்றுவதில்லை. ஒரு சிறந்த குழாய் அமைப்பானது வீட்டின் வரைபடத்தை மாற்றிவிடாது.
2026-இன் நடைமுறைத் தரவுகள் (production data) இதை உறுதிப்படுத்துகின்றன. மிகவும் பொதுவான பயன்பாட்டு முறை (deployment pattern) இப்போதும் மனித ஆய்வோடு இணைக்கப்பட்ட ஒரு ஒற்றை கருவிப் பயன்பாட்டு அழைப்பு (single tool-use call) மட்டுமே. இரண்டாவது பொதுவான முறை, ஒரு நபருக்குத் துல்லியமாக ஒரு முறை ஒப்படைப்பு (handoff) கொண்ட பல படிநிலை பணிப்பாய்வு (multi-step workflow) ஆகும். இவை இரண்டும் Prompt Chaining மற்றும் Routing ஆகியவற்றின் நேரடி வாரிசுகள். நேரடி அமைப்புகளில் (live systems) முழுமையான தன்னாட்சி சுழற்சிகள் (full autonomous loops) விதிமுறை அல்ல, அவை விதிவிலக்காகவே உள்ளன.
நிதானமே சந்தையை வென்றது
அந்த அசல் வழிகாட்டியின் சிறந்த அறிவுரை, 2024-இல் பெரும்பாலும் புறக்கணிக்கப்பட்ட அறிவுரையாகவும் இருந்தது: வேலை செய்யக்கூடிய மிக எளிமையான முறையைப் பயன்படுத்துங்கள். ஒரு கடினமான நிரலாக்கப் பாதை (hardcoded path) வேலையைச் செய்து முடிக்கும் என்றால், ஒரு முழுமையான தன்னாட்சி ஏஜென்ட்டை (full autonomous agent) பயன்படுத்த வேண்டாம்.
சந்தை இறுதியாக இதை உள்வாங்கிக் கொண்டுள்ளது. பெரும்பாலான ஏஜென்ட் முன்னோடித் திட்டங்கள் (agent pilots) இப்போதும் தோல்வியடைகின்றன, மேலும் அவை ஒரே மாதிரியான கணிக்கக்கூடிய காரணத்திற்காகவே தோல்வியடைகின்றன. முடிவெடுக்கும் எல்லையை (decision boundary) யாராலும் கண்டறிய முடியாத அளவிற்குத் टीमें ஒன்றன் மேல் ஒன்றாகப் பல அடுக்குகளை (abstraction) அடுக்குகின்றன. அமைப்பு திசைமாறும்போது, பிழைத்திருத்தம் (debugging) தொல்லையாய் (archaeology) மாறிவிடுகிறது. நடைமுறையில் வெற்றி பெற்ற நிறுவனங்கள் நிதானத்தைக் காட்டியவைதான். அவை ஒற்றை முறை கருவிப் பயன்பாட்டையே (single-turn tool use) முன்னுரிமையாகக் கொண்டன. ஒரு ஒற்றைப் ப்ராம்ப்ட் நிலையற்றது என்று நிரூபிக்கப்பட்ட பின்னரே அவை ஒரு routing அடுக்கைச் சேர்த்தன. அவை தன்னாட்சியை (autonomy) கொண்டாடப்பட வேண்டிய ஒரு அம்சமாகப் பார்க்காமல், நியாயப்படுத்தப்பட வேண்டிய ஒரு பொறுப்பாகக் கருதின.
இது லட்சியத்திற்கு எதிரான வாதம் அல்ல. இது ஒருங்கிணைப்பிற்கான (composition) வாதம். மெனுவில் உள்ள மிகவும் சிக்கலான விருப்பத்தைத் தானாகத் தேடிச் செல்வதை விட, அவற்றைச் சிந்தனைபூர்வமாக இணைக்கும்போது அந்த முறைகள் சிறப்பாகச் செயல்படுகின்றன.
எங்கே விரிசல்கள் தெரியத் தொடங்குகின்றன
இந்த கட்டமைப்பு அனைத்துப் பிரச்சினைகளுக்கும் தீர்வல்ல. நீங்கள் முன்மாதிரி நிலையிலிருந்து (prototype stage) வெளியேறும் தருணத்திலேயே சில கடினமான வரம்புகள் வெளிப்படும்.
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