ప్రతి ఒక్కరూ AI ఏజెంట్ల బృందాన్ని నిర్మించాలని కోరుకుంటారు. వాటి డెమోలు చూడటానికి చాలా ఆకర్షణీయంగా ఉంటాయి. ఒక ఏజెంట్ పరిశోధన చేస్తుంది, మరొకటి కోడ్ రాస్తుంది, మరియు మూడవది పరీక్షలను (tests) నిర్వహిస్తుంది. కానీ ఈ వ్యవస్థల mayoría లో ఒక రహస్యం దాగి ఉంది: అవి చాలా సున్నితమైనవి (fragile). ఐదు నిమిషాల డెమో సమయంలో అవి అద్భుతంగా పనిచేస్తాయి, కానీ నిజమైన పరిశోధన సమయంలో విఫలమవుతాయి. వైఫల్యం అనేది భాషా నమూనా (language model) యొక్క తార్కిక సామర్థ్యం లేదా స్వార్మ్ (swarm) లోని ఏజెంట్ల సంఖ్య వల్ల తక్కువగా వస్తుంది. అది వాటి మధ్య ఉన్న ఖాళీ వల్ల వస్తుంది. మల్టీ-ఏజెంట్ వ్యవస్థలు కొలాబరేషన్ ప్లేన్ (collaboration plane) వద్ద విఫలమవుతాయి.
సూపర్వైజర్ ట్రాప్
డిఫాల్ట్ ఆర్కిటెక్చర్ చాలా సరళంగా కనిపిస్తుంది. ఒక సూపర్వైజర్ ఏజెంట్ ఒక లక్ష్యాన్ని స్వీకరించి, దానిని ఉప-పనులుగా (subtasks) విభజించి, వర్కర్ ఏజెంట్లకు అప్పగిస్తుంది. వర్కర్లు ఆ పనులను పూర్తి చేసి, ఫలితాలను తిరిగి పంపిస్తారు, మరియు సూపర్వైజర్ వాటన్నింటినీ కలిపి తుది సమాధానంగా మారుస్తుంది. మీరు పది వ్యాసాలను సారాంశం చేస్తున్నా, ఆడియో ఫైళ్లను ట్రాన్స్క్రిప్ట్ చేస్తున్నా, లేదా వంద ఒకే రకమైన వెబ్ పేజీల నుండి డేటాను సేకరిస్తున్నా ఈ పద్ధతి సరిపోతుంది. ఈ పనులు స్వతంత్రమైనవి. అవి ఒకదానితో ఒకటి సంభాషించవు.
సంక్లిష్టమైన పరిశోధనలు వేరుగా ఉంటాయి. ఒక ఏజెంట్ ఏదైనా ఆశ్చర్యకరమైన విషయాన్ని కనుగొన్నప్పుడు, పని యొక్క మొత్తం దిశ మారాల్సి రావచ్చు. ఆ మార్పును తెలియజేయడానికి వ్యవస్థలో ఎటువంటి నిర్మాణాత్మక మార్గం లేకపోతే, ఇతర ఏజెంట్లు తప్పు దిశలో పనులను కొనసాగిస్తూనే ఉంటాయి. దీనివల్ల సంభాషణకు బదులుగా, సమాంతర ఏకపాత్రాభినయాల (parallel monologues) సమూహం ఏర్పడుతుంది. సూపర్వైజర్ సమన్వయకర్తగా కాకుండా, అడ్డంకిగా (bottleneck) మారుతుంది.
సమన్వయం విఫలమైనప్పుడు ఏది కోల్పోతాము
పరిశోధన లోతుగా సాగుతున్నప్పుడు, మీకు తుది సమాధానం కంటే మించిన సమాచారం అవసరం. ఎవరు, ఏమి, ఎప్పుడు తెలుసుకున్నారో మీకు తెలియాలి. ఏ అంశం పని యొక్క దిశను మార్చిందో మీరు గుర్తించగలగాలి. రెండు గంటల క్రితం ఒక ఏజెంట్ తన ప్రణాళికను ఎందుకు మార్చుకుందో మీరు అర్థం చేసుకోవాలి. కొలాబరేషన్ ప్లేన్ లేకపోతే, ఇవేవీ కనిపించవు. మీ దగ్గర లాగ్లు (logs) ఉంటాయి. లాగ్లు కేవలం కాలక్రమానుసార శబ్దాలు (chronological noise) మాత్రమే. ఏజెంట్ C అకస్మాత్తుగా API కాల్స్కు బదులుగా డేటాబేస్ లావాదేవీలను విశ్లేషించడం ప్రారంభించిందని అవి నమోదు చేస్తాయి, కానీ ఎందుకు అనేది వివరించవు. మీరు అది జరుగుతున్నట్లు చూసి ఊహించగలరు తప్ప.
ఒక సెక్యూరిటీ ఇన్సిడెంట్ రెస్పాన్స్ను ఊహించుకోండి. ఏజెంట్ A సర్వర్ లాగ్లను క్షుణ్ణంగా పరిశీలించి, బ్రీచ్ (breach) అక్కడి నుండి ప్రారంభం కాలేదని నిర్ధారిస్తుంది. అది తన ఫలితాన్ని సూపర్వైజర్కు పంపుతుంది. నెట్వర్క్ ట్రాఫిక్ను విశ్లేషించడానికి కేటాయించబడిన ఏజెంట్ B, ఆ ముగింపును ఒక తిరస్కరించబడిన పరికల్పనగా (rejected hypothesis) చూడదు. దాని అసలు టాస్క్ వివరణలో సర్వర్ను ఇంకా ప్రధాన అనుమానితుడిగానే పరిగణించడం వల్ల, ఏజెంట్ B అదే లాగ్లలో ఆధారాల కోసం వెతుకుతూ మరో సమయాన్ని వృథా చేస్తుంది. వ్యవస్థ ఒకే పని కోసం రెండుసార్లు శ్రమిస్తుంది మరియు మొదటి ప్రయత్నం నుండి ఏమీ నేర్చుకోదు.
కొలాబరేషన్ ప్లేన్ అంటే మెమరీ కాదు
కొలాబరేషన్ ప్లేన్ అనేది కేవలం వాస్తవాల కోసం ఉండే మెమరీ బకెట్ మాత్రమే కాదు. మెమరీ సమాచారాన్ని నిల్వ చేస్తుంది. కొలాబరేషన్ స్టేట్ (Collaboration state) ప్రస్తుతం జరుగుతున్న పనిని (work in progress) నిల్వ చేస్తుంది. డాక్యుమెంట్లతో నిండిన వెక్టర్ డేటాబేస్ ఏజెంట్కు రిఫరెన్స్ మెటీరియల్ను అందిస్తుంది. కానీ ఏజెంట్ X ప్రస్తుతం ఒక పరికల్పనను పరీక్షిస్తోందని, దాని వల్ల ఏజెంట్ Y యొక్క ప్రస్తుత పని అనవసరమవుతుందని అది ఏజెంట్కు చెప్పదు. మెమరీ అనేది స్థిరమైన సందర్భం (static context). కొలాబరేషన్ స్టేట్ అనేది ఆపరేషన్ యొక్క ప్రత్యక్ష మ్యాప్ (live map).
మీరు ఈ రెండింటినీ గందరగోళం చేస్తే, మీ కంపెనీ హ్యాండ్బుక్లోని ప్రతి పేరాను వెలికితీసి ఇవ్వగలవు కానీ, మరొక ఏజెంట్ మీ ప్రస్తుత పనిని అనవసరమని నిరూపించిందో లేదో చెప్పలేని వ్యవస్థలను మీరు నిర్మిస్తారు.
షేర్డ్ స్టేట్ యొక్క ఐదు బకెట్లు
నిజమైన కొలాబరేషన్ ప్లేన్కు ఐదు నిర్దిష్ట బకెట్లు అవసరం.
Claims. ఇవి ఏజెంట్ పరీక్షిస్తున్న చురుకైన పరికల్పనలు (active hypotheses). ఒక మోసపూరిత పరిశోధనలో (fraud investigation), "అసాధారణత వీకెండ్ బ్యాచ్ జాబ్లతో సంబంధం కలిగి ఉంది" అనేది ఒక క్లెయిమ్ కావచ్చు. ఏ క్లెయిమ్లు ఇంకా పెండింగ్లో ఉన్నాయి, ఏవి పరీక్షించబడుతున్నాయి మరియు వాటిని ఎవరు నిర్వహిస్తున్నారు అనేది ప్రతి ఏజెంట్ చూడగలగాలి. లేకుండా