The internet has decided that this is the year of the agent. LangGraph, CrewAI, and AutoGen are the names on every engin

இணைய உலகம் இது ஏஜென்ட்டுகளின் (agent) ஆண்டு என்று முடிவு செய்துவிட்டது. LangGraph, CrewAI மற்றும் AutoGen ஆகிய பெயர்கள் ஒவ்வொரு பொறியியல் வரைபடத்திலும் (engineering roadmap) இடம் பிடித்துள்ளன. குழுக்கள் ஒருங்கிணைப்பு அடுக்குகளை (orchestration layers) சோதனை செய்கின்றன, ஸ்டேட் மெஷின்கள் (state machines) மற்றும் ரோல்-ப்ளே (role-play) ஆகியவற்றைப் பற்றி விவாதிக்கின்றன, மேலும் எந்த லைப்ரரி (library) இறுதியாக பெரிய மொழி மாதிரிகளை (large language models) தன்னாட்சி கொண்டவையாக (autonomous) மாற்றும் என்று ஆவலுடன் காத்திருக்கின்றன.

இங்கே ஒரு சங்கடமான உண்மை உள்ளது: அந்த ஒப்பመationsகளில் பெரும்பாலானவை முன்கூட்டியே எடுக்கப்பட்டவை. கட்டமைப்புகள் (frameworks) கடினமான பகுதி அல்ல. கடினமான பகுதி என்னவென்றால், நாம் நமது சொற்களை வரையறுப்பதை நிறுத்திவிட்டோம் என்பதுதான். இப்போது எல்லாவற்றையும் மக்கள் ஏஜென்ட் என்று அழைக்கிறார்கள். ஒரு டூல் கால் (tool call) என்பது ஏஜென்ட் அல்ல. ஒரு சாட்பாட் (chatbot) என்பது ஏஜென்ட் அல்ல. அந்தத் தெளிவற்ற வரையறை நேரடியாகத் தவறான பொறியியல், அளவுக்கு அதிகமான கட்டமைக்கப்பட்ட அமைப்புகள் மற்றும் ஒரு எளிய ஸ்கிரிப்ட் மூலம் தவிர்க்க முடிந்த தயாரிப்புச் சூழல் முடங்கல்களுக்கு (production outages) வழிவகுக்கிறது.

நீங்கள் ஒரு கட்டமைப்பைத் தேர்ந்தெடுப்பதற்கு முன், நீங்கள் உண்மையில் எதை உருவாக்குகிறீர்கள் என்பதை வரையறுக்கவும்.

ஏஜென்ட் என்பது உண்மையில் என்ன

ஒரு ஏஜென்ட் என்பது அது இயங்கும் மாடல் அல்லது அது செய்யும் API அழைப்புகளின் எண்ணிக்கையால் வரையறுக்கப்படுவதில்லை. ஒரு ஏஜென்ட் அதன் நடத்தையாலேயே (behavior) வரையறுக்கப்படுகிறது. அதற்கு ஒரு தெளிவான நோக்கம் இருக்க வேண்டும். ஒரு மனிதன் முன்னரே பாதையைத் தீர்மானிக்காமல், அடுத்த கட்டம் என்ன என்பதை அதுவே தீர்மானிக்க வேண்டும். அந்தப் படிநிலையில் ஏதேனும் தோல்வி ஏற்பட்டால் அதை அது கையாள வேண்டும். மேலும் எப்போது நிறுத்த வேண்டும் என்பதும் அதற்குத் தெரிந்திருக்க வேண்டும்.

ஒரு ஆதரவு அமைப்பை (support system) கற்பனை செய்து பாருங்கள்: அது வரும் மின்னஞ்சலைப் படிக்கிறது, அதை ஒரு ரீஃபண்ட் கோரிக்கையாக வகைப்படுத்துகிறது, ஆர்டர் எண்ணைப் பிரித்தெடுக்கிறது, ஷிப்பிங் தரவுத்தளத்தைக் (shipping database) கேட்கிறது, திரும்பப் பெறும் கொள்கை கால அளவைச் சரிபார்க்கிறது, ஒரு பதிலைத் தயார் செய்கிறது மற்றும் அந்த டிக்கெட்டைத் தீர்க்கப்பட்டதாகக் குறிக்கிறது. தரவுத்தளம் காலாவதியானால் (times out), அது காத்திருந்து மீண்டும் முயற்சிக்கிறது. கொள்கை கால அளவு தெளிவற்றதாக இருந்தால், அது ஒரு மனிதருக்குத் தெரியப்படுத்துகிறது. பதில் அனுப்பப்பட்டதும், அது நின்றுவிடுகிறது. இதுதான் ஒரு ஏஜென்ட். ஒரு ஒற்றை LLM அழைப்பைச் சுற்றியுள்ள ஒரு ரேப்பர் (wrapper) என்பது ஏஜென்ட் அல்ல, மார்க்கெட்டிங் குழு எத்தனை "agent" ஸ்டிக்கர்களை ஒட்டினாலும் அது மாறாது.

இந்த வேறுபாடு முக்கியமானது, ஏனெனில் சிக்கலான தன்மைக்கு ஒரு விலை உண்டு. தன்னாட்சித் திறன் (autonomy) தேவையில்லாத ஒரு அமைப்பு அதற்காக விலையைச் செலுத்த வேண்டிய அவசியமில்லை.

தயாரிப்புச் சூழலில் உள்ள AI-ன் உண்மையான வடிவம்

தற்போது தயாரிப்புச் சூழலில் (production) இயங்கும் பெரும்பாலான AI அமைப்புகள் குறுகிய எல்லை கொண்டவை (narrow). அவை ஒரு வேலையைச் சிறப்பாகச் செய்கின்றன. அவை ஆதரவு டிக்கெட்டுகளை (support tickets) வரிசைப்படுத்துகின்றன. ஸ்கேன் செய்யப்பட்ட ஆவணங்களிலிருந்து காலாவதி தேதிகளைப் பிரித்தெடுக்கின்றன. வாடிக்கையாளர் கேள்விகளை ஏற்கனவே உள்ள அறிவுத் தளக் கட்டுரைகளுடன் பொருத்துகின்றன. அவை பொதுவான தர்க்க இயந்திரங்கள் (general reasoning engines) அல்ல, அவ்வாறு கற்பனை செய்வது மிக மோசமான அளவுக்கு அதிகமான பொறியியல் (overengineering) முறைக்கு வழிவகுக்கும்.

இது மாடல் வெளியீடுகளின் மீதான ஒரு அழிவுகரமான மோகத்திற்கும் வழிவகுக்கிறது. முறையற்ற கட்டமைப்பைக் (architecture) கடந்துவிட புதிய அடிப்படை மாடல்களை (foundation models) குழுக்கள் துரத்துகின்றன. அது பலன் தராது. பிழை கையாளுதல் (error handling) இல்லாத ஒரு உடையக்கூடிய லூப்பிற்குள் (brittle loop) இயங்கும் ஒரு திறமையான மாடல், அதிக நம்பிக்கையுடனும் அதிக கற்பனைத் தவறுகளுடனும் (hallucinations) தோல்வியடையும். பெஞ்ச்மார்க்ஸைத் (benchmarks) துரத்துவதை நிறுத்துங்கள். கட்டமைப்பைத் (structure) துரத்துங்கள்.

கட்டமைப்பானது (Framework) தயாரிப்பு அல்ல

LangGraph உங்களுக்குத் தெளிவான ஸ்டேட் மெஷின்கள் மற்றும் சுழற்சிகளை (cycles) வழங்குகிறது. CrewAI என்பது ஏஜென்ட்கள் குறிப்பிட்ட பாத்திரங்களை ஏற்று இயங்கும் பாத்திர அடிப்படையிலான ஒருங்கிணைப்பில் (role-based orchestration) கவனம் செலுத்துகிறது. AutoGen என்பது சிக்கல்களைத் தீர்க்க ஒருவருக்கொருவர் உரையாடும் உரையாடல் ஏஜென்ட்களை (conversational agents) மையமாகக் கொண்டது. இவை அனைத்தும் திறமையான கருவிகள். இவை கட்டுப்பாட்டு ஓட்டத்திற்கு (control flow) அடிப்படையான வெவ்வேறு அணுகுமுறைகளாகும்.

ஆனால் நீங்கள் தேர்ந்தெடுக்கும் கட்டமைப்பை விட, அதற்குள் நீங்கள் பின்பற்றும் முறைகளே (patterns) முக்கியம். எல்லைகளை மதித்ததால், வெறும் Python மற்றும் Redis ஆகியவற்றைப் பயன்படுத்தி மிகவும் உறுதியான ஆட்டோமேஷனை (automation) உருவாக்கிய குழுக்களை நான் பார்த்திருக்கிறேன். வடிவமைப்பிற்கு மாற்றாக கட்டமைப்பைப் பயன்படுத்தியதால், சிக்கலான ஒருங்கிணைப்புகளின் சுமையால் சரிந்து போன பிற குழுக்களையும் நான் பார்த்திருக்கிறேன்.

உங்கள் ஒப்படைப்புகள் (handoffs) தெளிவற்றதாக இருந்தால், உங்கள் கருவிகள் உடையக்கூடியதாக இருந்தால் மற்றும் உங்கள் மறுமுயற்சி தர்க்கம் (retry logic) இல்லையென்றால், உங்கள் requirements.txt-ல் உள்ள லோகோ உங்களைக் காப்பாற்றாது.

உண்மையிலேயே உங்கள் நேரத்திற்குத் தகுதியான மூன்று விஷயங்கள்

நீங்கள் ஏஜென்டிக் அமைப்புகளை (agentic systems) உருவாக்குகிறீர்கள் என்றால், உங்கள் முயற்சியை இந்த மூன்று பகுதிகளில் செலவிடுங்கள்.

டூல் வடிவமைப்பு (Tool design). உங்கள் ஏஜென்ட் அழைக்கக்கூடிய ஒவ்வொரு செயல்பாடும் (function) ஒரு இடைமுகத்தில் (interface) சுற்றப்பட்ட ஒரு பொறுப்பு (liability). அவற்றைத் துல்லியமாக வடிவமைக்கவும். உள்ளீடுகளைத் (inputs) தீவிரமாகச் சரிபார்க்கவும். 500 பிழைகளைத் தராமல், உண்மையில் வாசிக்கக்கூடிய பிழைகளைத் திருப்பியனுப்பவும். ஒரு சிறந்த கருவி என்பது ஏதேனும் தவறு நடக்கும்போது ஏஜென்ட் தர்க்கரீதியாகச் சிந்திக்கக்கூடிய ஒன்றாக இருக்க வேண்டும்.

தோல்வி கையாளுதல் (Failure handling). ஒவ்வொரு LLM-உம்...