Kāpēc AI aģentu izstrādē vienkāršs kods bieži vien pārspēj sarežģītus ietvarus

Mākslīgā intelekta (AI) aģenti šobrīd ir viena no karstākajām tēmām tehnoloģiju pasaulē. Daudzi uzņēmumi un izstrādātāji steidzas ieviest autonomus aģentus, kas spēj plānot, pieņemt lēmumus un izmantot dažādus digitālos rīkus. Lai paātrinātu šo procesu, talkā nāk tādi populāri ietvari kā LangChain, CrewAI un AutoGen.

Tomēr aizvien biežāk nozares eksperti sāk uzdot jautājumu: vai šie sarežģītie aģentu ietvari (frameworks) tiešām ir nepieciešami? Analītiskā viedokļa rakstā vietnē Towards Data Science tiek pamatots, kāpēc lielākajai daļai praktisko biznesa lietojumprogrammu šie rīki var radīt vairāk problēmu nekā ieguvumu. Vienkārša, tieša kontroles plūsma un standarta programmēšanas loģika bieži vien sniedz daudz labākus, stabilākus un lētākus rezultātus.

Sarežģītības slazds: Kāpēc ietvari var traucēt

Gatavie aģentu ietvari sola ātru un vienkāršu startu. Ar dažām koda rindiņām ir iespējams izveidot sistēmu, kurā vairāki aģenti savā starpā sarunājas un risina uzdevumus. Problēmas sākas tad, kad šī sistēma ir jāpielāgo reālām biznesa vajadzībām un jāievieš ražošanas vidē (production).

Galvenie izaicinājumi, ko rada pārlieku sarežģītu ietvaru izmantošana:

• Zema kontrole un neparedzamība: Daudzi ietvari slēpj (abstrahē) reālos pieprasījumus (prompts), kas tiek sūtīti uz lielo valodas modeli (LLM). Rezultātā ir grūti saprast, kāpēc aģents rīkojas nepareizi un kā to labot.
• Sarežģīta atkļūdošana (Debugging): Kad sistēmā rodas kļūda, izstrādātājiem nākas urbties cauri neskaitāmiem ietvara koda slāņiem, nevis vienkārši labot savu uzrakstīto loģiku.
• Atkarība no ārējas bibliotēkas (Vendor Lock-in): LLM pasaule attīstās tik strauji, ka ietvaru uzturētāji bieži nespēj laicīgi integrēt jaunas funkcijas vai arī maina API struktūru, kas liek pārrakstīt jau funkcionējošu sistēmu.

Salīdzinājums: Gatavie ietvari pret pielāgotu kodu

Lai labāk saprastu, kad izmantot gatavu risinājumu un kad veidot savu sistēmu, aplūkosim būtiskākās atšķirības.

"Vienkāršība ir augstākā izsmalcinātības pakāpe. AI sistēmās labākais kods ir tas, kuru jūs pilnībā kontrolējat un saprotat."

Kā izskatās vienkārša aģenta loģika bez ietvariem?

Lai izveidotu aģentu, nav nepieciešamas simtiem rindiņu garas svešu bibliotēku klases. Lielākā daļa mūsdienu LLM nodrošina iebūvētu rīku izsaukšanas (Tool Calling vai Function Calling) funkciju. Aģenta pamatā ir parasta while cilpa, kas saņem datus, nodod tos modelim, saņem lēmumu par rīka izmantošanu, izpilda to un nodod rezultātu atpakaļ modelim.

Šeit ir vienkāršots piemērs, kā izskatās aģenta kontroles cilpa parastā Python valodā:

def run_agent(user_prompt):
    messages = [{"role": "user", "content": user_prompt}]
    while True:
        # Sūta vēsturi uz LLM ar definētajiem rīkiem
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=messages,
            tools=my_business_tools
        )
        message = response.choices[0].message
        messages.append(message)

        # Ja modelis prasa izsaukt rīku, mēs to izpildām
        if message.tool_calls:
            for tool_call in message.tool_calls:
                result = execute_tool(tool_call)
                messages.append({"role": "tool", "tool_call_id": tool_call.id, "content": result})
        else:
            # Ja rīki vairs nav vajadzīgi, atgriež gala atbildi
            return message.content

Šāda pieeja nodrošina, ka izstrādātājam ir pilnīga pārskatāmība pār to, kas tiek sūtīts modelim, cik daudz žetonu (tokens) tiek patērēts un kā tiek apstrādātas kļūdas. Ja kāda biznesa procesa daļa ir jāautomatizē, šos procesus palīdz automatizēt mākslīgā intelekta asistenti uzņēmumiem, kas izveidoti uz šādiem stabiliem, viegli uzturamiem pamatiem.

Secinājums

Gatavie AI aģentu ietvari ir lieliski piemēroti ātriem prototipiem un eksperimentiem, taču tie bieži kļūst par šķērsli, kad nepieciešams izveidot stabilu, mērogojamu un uzturamu risinājumu biznesa vidē. Vienkārša koda rakstīšana, izmantojot tiešus API izsaukumus un skaidru kontroles plūsmu, nodrošina kontroli un elastību, kas nepieciešama sekmīgai AI integrācijai uzņēmuma ikdienas procesos.