ഓട്ടോണമസ് ഏജന്റുകൾ: അവ എന്താണ്, എങ്ങനെ പ്രവർത്തിക്കുന്നു

എന്താണ് ഒരു സ്വയംഭരണ ഏജന്റ്

ഒരു ലക്ഷ്യത്തിലേക്ക് സ്വയം പ്രവർത്തിക്കുന്ന AI സിസ്റ്റമാണ് സ്വയംഭരണ ഏജന്റ്. തനിക്ക് വേണ്ട ഫലം ഒരാൾ വിവരിക്കുന്നു, അതിനുള്ള ഘട്ടങ്ങൾ കണ്ടെത്തി ഏജന്റ് അവ നടപ്പാക്കുന്നു.

മൂന്ന് പ്രോജക്റ്റ് മാനേജ്മെന്റ് ടൂളുകളിൽ ഒന്ന് തിരഞ്ഞെടുക്കാൻ ഒരാൾ ആഗ്രഹിക്കുന്നു എന്ന് കരുതുക. ഒരു സ്വയംഭരണ ഏജന്റിന് ഓരോ ടൂളിനെക്കുറിച്ചും തിരയാനും അതിന്റെ വിലനിർണ്ണയ പേജ് തുറക്കാനും വ്യത്യാസങ്ങൾ രേഖപ്പെടുത്താനും പൂർത്തിയായ ഒരു താരതമ്യം നൽകാനും കഴിയും. ആ വ്യക്തി ലക്ഷ്യം നിശ്ചയിക്കുകയും ഫലം അവലോകനം ചെയ്യുകയും ചെയ്യുന്നു; ഇടയിലുള്ള ജോലി ഏജന്റ് ചെയ്യുന്നു.

നിലവിലുള്ള പല സോഫ്റ്റ്‌വെയർ ഏജന്റുകളും നിർദ്ദേശങ്ങൾ മനസ്സിലാക്കാനും അടുത്തതായി എന്ത് ചെയ്യണമെന്ന് തീരുമാനിക്കാനും ഒരു ലാർജ് ലാംഗ്വേജ് മോഡൽ ഉപയോഗിക്കുന്നു. ചില മോഡലുകൾ ചിത്രങ്ങളോ ഓഡിയോയോ കൂടി പ്രോസസ് ചെയ്യുന്നു. വെബിൽ തിരയാനോ ബട്ടണുകൾ ക്ലിക്ക് ചെയ്യാനോ ഇമെയിൽ അയയ്ക്കാനോ, മോഡലിനെ ടൂളുകളുമായി ബന്ധിപ്പിക്കുകയും അതിന്റെ അഭ്യർത്ഥനകൾ നടപ്പാക്കുകയും ചെയ്യുന്ന സോഫ്റ്റ്‌വെയർ ഏജന്റിന് ആവശ്യമാണ്.

പ്രോജക്റ്റ് മാനേജ്മെന്റ് ഉദാഹരണത്തിൽ, LLM-ഉം ഏജന്റും ഇങ്ങനെയാണ് പ്രവർത്തിക്കുക:

1. LLM ലക്ഷ്യം വായിച്ച്, ആദ്യ ടൂളിന്റെ വിലനിർണ്ണയം തിരയാനുള്ള ഒരു അഭ്യർത്ഥന എഴുതുന്നു.
2. ഏജന്റിന്റെ സോഫ്റ്റ്‌വെയർ തിരയൽ നടത്തി ഫലങ്ങൾ ടെക്സ്റ്റായി LLM-ലേക്ക് തിരികെ നൽകുന്നു.
3. LLM ഫലങ്ങൾ വായിച്ച്, അടുത്ത ഘട്ടം (വിലനിർണ്ണയ പേജ് തുറക്കൽ) തിരഞ്ഞെടുത്ത്, പുതിയൊരു അഭ്യർത്ഥന എഴുതുന്നു.
4. താരതമ്യം പൂർത്തിയായെന്ന് LLM തീരുമാനിച്ച് അന്തിമ ഉത്തരം എഴുതുന്നതുവരെ ഈ ചക്രം ആവർത്തിക്കുന്നു.

വലുതാക്കുക

സ്വയംഭരണത്തിന്റെ നിലകൾ

ഒരു ഏജന്റിക് AI സിസ്റ്റത്തിൽ (ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ മാത്രമല്ല, പ്രവർത്തനങ്ങൾ ചെയ്യാനും നിർമ്മിച്ച AI), സ്വയംഭരണം ഒരു ഡിസൈൻ തിരഞ്ഞെടുപ്പാണ്. ഓരോ ഘട്ടത്തിനും മുമ്പ് ചോദിക്കാനോ ഒരു മുഴുവൻ ടാസ്ക് ഒറ്റയ്ക്ക് പൂർത്തിയാക്കാനോ ഒരേ ഏജന്റിനെ സജ്ജമാക്കാം.

ഒരു ഏജന്റിന് ഉണ്ടാകാവുന്ന വിവിധ തലത്തിലുള്ള സ്വയംഭരണം വിശദീകരിക്കാൻ വാഷിംഗ്ടൺ സർവകലാശാലയിലെ ഗവേഷകർ അഞ്ച് നിലകളുള്ള ഒരു ചട്ടക്കൂട് മുന്നോട്ടുവയ്ക്കുന്നു:

നില 4-ൽ, ഒരു ഏജന്റ് ഒരു പർച്ചേസ് ഓർഡറിനായി സ്വയം ഗവേഷണം നടത്തി അത് ഡ്രാഫ്റ്റ് ചെയ്തേക്കാം, പക്ഷേ അത് സമർപ്പിക്കുന്നതിന് മുമ്പ് താൽക്കാലികമായി നിർത്തും. നില 5-ൽ, അത് ഓർഡർ സമർപ്പിക്കുകയും ചെയ്യും.

സ്വയംഭരണ AI ഏജന്റുകൾ, ഓട്ടോമേഷൻ, ചാറ്റ്ബോട്ടുകൾ: വ്യത്യാസങ്ങൾ

സ്വയംഭരണ ഏജന്റുകൾ ചാറ്റ്ബോട്ടുകളിൽ നിന്നും വർക്ക്ഫ്ലോ ഓട്ടോമേഷനിൽ നിന്നും രണ്ട് തരത്തിൽ വ്യത്യസ്തമാണ്: അവ സ്വന്തം ഘട്ടങ്ങൾ തീരുമാനിക്കുന്നു, മറ്റ് ആപ്പുകളിലും വെബ്സൈറ്റുകളിലും പ്രവർത്തനങ്ങൾ നടത്തുന്നു.

ഒരു ചാറ്റ്ബോട്ട് സംഭാഷണത്തിനുള്ളിൽ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നു, പക്ഷേ സാധാരണയായി അതിന് പുറത്ത് പ്രവർത്തിക്കാറില്ല. വർക്ക്ഫ്ലോ ഓട്ടോമേഷൻ പ്രവർത്തിക്കുന്നുണ്ട്, പക്ഷേ ആരെങ്കിലും മുൻകൂട്ടി സജ്ജമാക്കിയ ഘട്ടങ്ങൾ പിന്തുടർന്ന് മാത്രം. ഇതിന്റെ ഒരു സാധാരണ രൂപമാണ് റോബോട്ടിക് പ്രോസസ് ഓട്ടോമേഷൻ (RPA): ഒരു സിസ്റ്റത്തിൽ നിന്ന് മറ്റൊന്നിലേക്ക് ഡാറ്റ പകർത്തുന്നത് പോലുള്ള ലളിതവും നിയമാധിഷ്ഠിതവുമായ ടാസ്ക്കുകൾ ആവർത്തിക്കുന്ന സോഫ്റ്റ്‌വെയർ.

ഒരു സ്വയംഭരണ ഏജന്റ് ഇവ രണ്ടും ചെയ്യുന്നു: അത് മറ്റ് സോഫ്റ്റ്‌വെയറുകളിൽ പ്രവർത്തിക്കുന്നു, കൂടാതെ തനിക്ക് നൽകിയിട്ടുള്ള ടൂളുകൾ, അനുമതികൾ, നിർദ്ദേശങ്ങൾ എന്നിവയുടെ പരിധിക്കുള്ളിൽ ഒരു ലക്ഷ്യത്തിലേക്കുള്ള സ്വന്തം ഘട്ടങ്ങൾ തിരഞ്ഞെടുക്കുന്നു.

വൈകിയ ഒരു ഓർഡറിനെക്കുറിച്ചുള്ള പരാതി ഈ വ്യത്യാസം വ്യക്തമാക്കുന്നു. ഒരു ചാറ്റ്ബോട്ടിന് ഷിപ്പിംഗ് നയത്തെക്കുറിച്ച് മുൻകൂട്ടി എഴുതിയ ഒരു വിശദീകരണം മറുപടിയായി നൽകാം. ഒരു വർക്ക്ഫ്ലോ ഓട്ടോമേഷന് സാധാരണ “ഓർഡർ വൈകൽ” ഇമെയിൽ അയയ്ക്കാം. ഒരു സ്വയംഭരണ ഏജന്റിന് ഓർഡർ പരിശോധിച്ച്, അത് ട്രാൻസിറ്റിൽ നഷ്ടപ്പെട്ടതായി കണ്ടെത്തി, പകരം ഒന്ന് അയയ്ക്കാനും ഉപഭോക്താവിനെ വിവരം അറിയിക്കാനും കഴിയും.

സ്വയംഭരണ ഏജന്റുകൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു

ഒരു ടാസ്ക് പൂർത്തിയാക്കാൻ സ്വയംഭരണ ഏജന്റ് നാല് കഴിവുകളെ ആശ്രയിക്കുന്നു: ഘട്ടങ്ങൾ ആസൂത്രണം ചെയ്യൽ, ടൂളുകൾ ഉപയോഗിക്കൽ, ചെയ്തത് ഓർമ്മിക്കൽ, സ്വന്തം ഫലങ്ങൾ പരിശോധിക്കൽ. വലിയ ടാസ്ക്കുകൾക്കായി, ചില ഏജന്റുകൾ ജോലി ഏജന്റുകളുടെ ഒരു ടീമിനിടയിൽ വിഭജിക്കുകയും ചെയ്യുന്നു.

1. ലക്ഷ്യങ്ങൾ വിഭജിക്കലും പ്ലാനുകൾ തയ്യാറാക്കലും

ഒരു ലക്ഷ്യം സാധാരണയായി ഒറ്റ ഘട്ടത്തിൽ നടപ്പാക്കാൻ കഴിയാത്തത്ര വലുതായിരിക്കും, അതിനാൽ ഒരു ഏജന്റിന്റെ ആദ്യ ജോലി അതിനെ ചെറിയ ടാസ്ക്കുകളായി വിഭജിക്കുകയാണ്. ഉദാഹരണത്തിന്, ഒരു ടീം ഓഫ്‌സൈറ്റ് ആസൂത്രണം ചെയ്യാൻ ഉപയോക്താവ് ഏജന്റിനോട് ആവശ്യപ്പെട്ടാൽ, തീയതികൾ തിരഞ്ഞെടുക്കൽ, ബജറ്റിനുള്ളിലുള്ള വേദികൾ കണ്ടെത്തൽ, ലഭ്യത പരിശോധിക്കൽ, ക്ഷണക്കത്ത് തയ്യാറാക്കൽ എന്നിങ്ങനെ അതിന് ലക്ഷ്യത്തെ വിഭജിക്കാം.

ഏജന്റുകൾ എങ്ങനെ നിർമ്മിച്ചിരിക്കുന്നു എന്നതിനനുസരിച്ച്, അവയ്ക്ക് മുൻകൂട്ടി ആസൂത്രണം ചെയ്യാം അല്ലെങ്കിൽ മുന്നോട്ടുപോകുന്നതിനനുസരിച്ച് ആസൂത്രണം ചെയ്യാം. മുൻകൂട്ടി ആസൂത്രണം ചെയ്യുക എന്നാൽ തുടങ്ങുന്നതിന് മുമ്പ് എല്ലാ ഘട്ടങ്ങളും എഴുതുക എന്നാണ്; ഹ്രസ്വവും പ്രവചിക്കാവുന്നതുമായ ടാസ്ക്കുകൾക്ക് ഇത് യോജിക്കും. മുന്നോട്ടുപോകുന്നതിനനുസരിച്ച് ആസൂത്രണം ചെയ്യുക എന്നാൽ അടുത്ത ഒന്നോ രണ്ടോ ഘട്ടങ്ങൾ മാത്രം രൂപപ്പെടുത്തി, പ്രവർത്തിച്ച്, തിരികെ ലഭിക്കുന്നതിനനുസരിച്ച് പരിഷ്കരിക്കുക എന്നാണ്. ഓഫ്‌സൈറ്റിനായി ആദ്യം തിരഞ്ഞെടുത്ത വേദി ബുക്ക് ചെയ്യപ്പെട്ടതാണെങ്കിൽ, ഏജന്റിന് വീണ്ടും ആദ്യം മുതൽ തുടങ്ങാതെ അടുത്ത ഓപ്ഷനിലേക്ക് നീങ്ങാം.

വലുതാക്കുക

ഫലങ്ങളൊന്നും കാണുന്നതിന് മുമ്പ് കുറ്റമറ്റ ഒരു പ്ലാൻ എഴുതുക പ്രയാസമായതിനാൽ, സങ്കീർണ്ണമായ ടാസ്ക്കുകൾ ഈ രണ്ടാമത്തെ രീതി കൂടുതൽ നന്നായി കൈകാര്യം ചെയ്യുന്നുവെന്ന് ചൈനയിലെ റെൻമിൻ സർവകലാശാലയിൽ നിന്നുള്ള LLM അധിഷ്ഠിത സ്വയംഭരണ ഏജന്റുകളെക്കുറിച്ചുള്ള ഒരു സർവേ കണ്ടെത്തുന്നു. പല ഏജന്റുകളും ഇവ രണ്ടും സംയോജിപ്പിക്കുന്നു: ആദ്യം ഒരു പൂർണ്ണ പ്ലാനിന്റെ രൂപരേഖ തയ്യാറാക്കി, പ്രവർത്തിക്കുന്നതിനിടെ അത് പരിഷ്കരിക്കുന്നു.

2. ടൂളുകൾ ഉപയോഗിച്ച് പ്രവർത്തിക്കൽ

പ്ലാൻ തയ്യാറായാൽ, ഏജന്റ് ഓരോ ടാസ്ക്കായി അത് പൂർത്തിയാക്കുന്നു, ഓരോന്നിനും ഒരു ടൂൾ തിരഞ്ഞെടുക്കുന്നു.

• വേദികൾ കണ്ടെത്താൻ, “ഓസ്റ്റിനു സമീപം 20 പേർക്കുള്ള ഓഫ്‌സൈറ്റ് വേദികൾ” പോലുള്ള ഒരു ക്വറി ഉപയോഗിച്ച് അത് വെബ് സെർച്ച് നടത്തിയേക്കാം.
• ലഭ്യത പരിശോധിക്കാൻ, അത് ഓരോ വേദിയുടെയും ബുക്കിംഗ് പേജ് ബ്രൗസറിൽ തുറന്ന് കലണ്ടർ വായിച്ചേക്കാം.
• ക്ഷണം അയയ്ക്കാൻ, അത് ഒരു API വഴി വ്യക്തിയുടെ ഇമെയിലുമായി ബന്ധിപ്പിച്ചേക്കാം. ഒരു സോഫ്റ്റ്‌വെയറിന് മറ്റൊന്നിൽ നിന്ന് ഡാറ്റയോ പ്രവർത്തനങ്ങളോ അഭ്യർത്ഥിക്കാൻ അനുവദിക്കുന്ന കണക്ഷനാണ് API.

ഓരോ പ്രവർത്തനത്തിനും ശേഷം, തിരികെ ലഭിച്ചത് വായിച്ച് ഏജന്റ് അടുത്ത നീക്കം തീരുമാനിക്കുന്നു. തിരയലിൽ അഞ്ച് വേദികൾ കണ്ടെത്തിയാൽ, അത് അവയുടെ ലഭ്യത പരിശോധിക്കുന്നു. ഒരു ബുക്കിംഗ് പേജ് ലോഡ് ആകുന്നില്ലെങ്കിൽ, വേദിയുടെ ഫോൺ ലിസ്റ്റിംഗ് പരീക്ഷിക്കുകയോ അടുത്ത ഓപ്ഷനിലേക്ക് നീങ്ങുകയോ ചെയ്യുന്നു.

ഒരു ഏജന്റിനുള്ള ടൂളുകളാണ് അതിന് സ്വയം പൂർത്തിയാക്കാൻ കഴിയുന്ന ടാസ്ക്കുകൾ ഏതൊക്കെയെന്ന് നിർണ്ണയിക്കുന്നത്. ഇമെയിൽ ആക്സസ് ഇല്ലെങ്കിൽ, അതിന് ക്ഷണം ഡ്രാഫ്റ്റ് ചെയ്യാനാകും, പക്ഷേ അയയ്ക്കാനാകില്ല.

3. മെമ്മറി ഉപയോഗിച്ച് പുരോഗതി ട്രാക്ക് ചെയ്യൽ

പ്രവർത്തിക്കുന്നതിനിടെ, താൻ എന്തൊക്കെ ചെയ്തു, എന്തൊക്കെ മനസ്സിലാക്കി എന്നത് ഏജന്റ് ട്രാക്ക് ചെയ്യണം. മൂന്ന് വേദികൾ പരിശോധിച്ചു കഴിയുമ്പോഴേക്കും, ഏതൊക്കെ ബുക്ക് ചെയ്യപ്പെട്ടു, ഏതിലൊക്കെ സ്ഥലമുണ്ട്, ഓരോന്നിനും എത്ര ചെലവാകും എന്ന് അതിന് അറിയണം. ആ രേഖ LLM-ന്റെ കോൺടെക്സ്റ്റ് വിൻഡോയിലാണ് സൂക്ഷിക്കുന്നത്, അതായത് മോഡലിന് ഒരേസമയം പരിഗണിക്കാൻ കഴിയുന്ന ടെക്സ്റ്റിന്റെ അളവ്.

ദൈർഘ്യമേറിയ ടാസ്ക്കുകൾ ആ കോൺടെക്സ്റ്റ് വിൻഡോയുടെ പരിധി കവിഞ്ഞേക്കാം. ദീർഘകാല മെമ്മറിയുള്ള ഏജന്റുകൾ വിവരങ്ങൾ മോഡലിന് പുറത്ത്, സാധാരണയായി ഒരു ഡാറ്റാബേസിൽ, സംരക്ഷിക്കുകയും നിലവിലെ ഘട്ടത്തിന് ആവശ്യമുള്ളത് മാത്രം വീണ്ടെടുക്കുകയും ചെയ്തുകൊണ്ട് ഇത് കൈകാര്യം ചെയ്യുന്നു.

ദീർഘകാല മെമ്മറി ടാസ്ക്കുകൾക്കിടയിലും നിലനിൽക്കുന്നു. അടുത്ത വർഷത്തെ ഓഫ്‌സൈറ്റ് ആസൂത്രണം ചെയ്യേണ്ട സമയമാകുമ്പോൾ, ഏജന്റിന് ഈ വർഷത്തെ വേദികളുടെ പട്ടികയും ബജറ്റും വീണ്ടും ഉപയോഗിക്കാം, അല്ലെങ്കിൽ ഒരു മണിക്കൂർ ഡ്രൈവ് ദൂരത്തിനുള്ളിലുള്ള വേദികളാണ് ടീമിന് ഇഷ്ടമെന്ന് ഓർത്തെടുക്കാം.

4. ഫലങ്ങൾ പരിശോധിക്കലും ദിശ തിരുത്തലും

പ്രവർത്തിക്കുന്നതിനിടെ, ഒരു ഘട്ടം പിഴച്ചതിന്റെ സൂചനകൾ പല ഏജന്റുകളും ശ്രദ്ധിക്കുന്നു. ഒരു ബുക്കിംഗ് ഫോം പിശക് നൽകുകയോ തിരയലിൽ ഫലങ്ങളൊന്നും ലഭിക്കാതിരിക്കുകയോ ചെയ്താൽ, അത് മറ്റൊരു രീതി പരീക്ഷിക്കുന്നു. ബജറ്റിനെക്കാൾ അൽപ്പം കൂടുതലുള്ള ഒരു വേദി സ്വീകാര്യമാണോ എന്നതുപോലെ, ഒറ്റയ്ക്ക് എടുക്കാൻ പാടില്ലാത്ത ഒരു തീരുമാനത്തിലെത്തുമ്പോൾ, അത് വ്യക്തിയോട് ചോദിക്കുകയും ലഭിക്കുന്ന ഉത്തരത്തിനനുസരിച്ച് മാറ്റങ്ങൾ വരുത്തുകയും ചെയ്യുന്നു.

ജോലി തിരികെ ഏൽപ്പിക്കുന്നതിന് മുമ്പ്, പല ഏജന്റുകളും അവയുടെ ഫലങ്ങൾ അവലോകനം ചെയ്യും. LLM താൻ തയ്യാറാക്കിയത് വീണ്ടും വായിച്ച്, ലക്ഷ്യവുമായി താരതമ്യം ചെയ്ത്, വിട്ടുപോയതോ തെറ്റായതോ ആയ കാര്യങ്ങൾ പട്ടികപ്പെടുത്തുന്നു. ഫലം ലക്ഷ്യം നിറവേറ്റുന്നതുവരെ ഏജന്റ് പരിഷ്കരിക്കുകയും വീണ്ടും പരിശോധിക്കുകയും ചെയ്യുന്നു. ഉദാഹരണത്തിന്, ക്ഷണത്തിൽ വേദിയുടെ വിലാസം വിട്ടുപോയിട്ടുണ്ടെങ്കിൽ, അവലോകനത്തിൽ അത് കണ്ടെത്തുകയും അയയ്ക്കുന്നതിന് മുമ്പ് ഏജന്റ് അത് ചേർക്കുകയും ചെയ്യുന്നു.

5. ജോലി ഏജന്റുകൾക്കിടയിൽ വിഭജിക്കൽ

ചില ടാസ്ക്കുകൾ ഒന്നിലധികം ഏജന്റുകൾ പങ്കിട്ട് ചെയ്യുമ്പോൾ വേഗത്തിൽ പൂർത്തിയാകും. ഒരു ലീഡ് ഏജന്റ് ജോലി വിഭജിച്ച് ഭാഗങ്ങൾ സബ്-ഏജന്റുകൾക്ക് കൈമാറുന്നു.

Perplexity Computer ഈ രീതിയിലാണ് പ്രവർത്തിക്കുന്നത്. ഒരാൾ തനിക്ക് വേണ്ട ഫലം വിവരിക്കുന്നു, Computer അതിനെ ടാസ്ക്കുകളും സബ്‌ടാസ്ക്കുകളുമായി വിഭജിച്ച്, അവ നടപ്പാക്കാൻ സബ്-ഏജന്റുകളെ സൃഷ്ടിക്കുന്നു. സബ്-ഏജന്റുകൾക്ക് വെബിൽ ഗവേഷണം നടത്താനും ഡോക്യുമെന്റുകൾ സൃഷ്ടിക്കാനും ഡാറ്റ പ്രോസസ് ചെയ്യാനും API-കൾ വഴി ബന്ധിപ്പിച്ച സേവനങ്ങളെ വിളിക്കാനും കഴിയും.

Computer ഒരു പ്രശ്നം നേരിടുമ്പോൾ, അത് പരിഹരിക്കാൻ പുതിയ സബ്-ഏജന്റുകളെ സൃഷ്ടിക്കുന്നു. ഓരോ സബ്-ഏജന്റിനും വ്യത്യസ്തമായ ഒരു AI മോഡലിൽ പ്രവർത്തിക്കാനും കഴിയും, അതിനാൽ ജോലിയുടെ ഓരോ ഭാഗവും അതിന് ഏറ്റവും അനുയോജ്യമായ മോഡലിലേക്ക് പോകുന്നു.

അതിനാൽ, ഓഫ്‌സൈറ്റ് ഉദാഹരണത്തിൽ, ഒരു സബ്-ഏജന്റ് വേദികളെക്കുറിച്ച് ഗവേഷണം നടത്തുമ്പോൾ മറ്റൊന്ന് ടീം കലണ്ടറുകൾ പരിശോധിക്കുകയും മൂന്നാമതൊന്ന് യാത്രാ ഓപ്ഷനുകൾ അന്വേഷിക്കുകയും ചെയ്തേക്കാം.

വലുതാക്കുക

ആളുകൾ സ്വയംഭരണ ഏജന്റുകൾ എങ്ങനെ ഉപയോഗിക്കുന്നു

ആളുകൾ സ്വയംഭരണ ഏജന്റുകൾ കൂടുതലും ദൈനംദിന വിജ്ഞാന ജോലികൾക്കാണ് ഉപയോഗിക്കുന്നത്: ഗവേഷണം, എഴുത്ത്, ഇമെയിൽ, പഠനം. ഹാർവാർഡിലെയും Perplexity-യിലെയും ഗവേഷകർ നടത്തിയ ഒരു പഠനത്തിൽ, ഏജന്റിക് ക്വറികളിൽ 57% ഉൽപ്പാദനക്ഷമത, പഠന ടാസ്ക്കുകളായിരുന്നു. ഓരോ തരം ജോലിക്കും ഒരു ഏജന്റ് എന്തുചെയ്യുന്നുവെന്ന് താഴെയുള്ള ഉദാഹരണങ്ങൾ കാണിക്കുന്നു.

ഗവേഷണവും വിശകലനവും

നിരവധി ചെറിയ ഘട്ടങ്ങൾ ആവശ്യമുള്ളതിനാൽ ഗവേഷണം ഏജന്റുകൾക്ക് നന്നായി ഇണങ്ങുന്ന ജോലിയാണ്. ഒരു ഏജന്റിന് തിരയാനും ഉറവിടങ്ങൾ തുറന്ന് വായിക്കാനും അവ പറയുന്നത് താരതമ്യം ചെയ്യാനും കഴിയും. “റിമോട്ട് വർക്കിനെയും ഉൽപ്പാദനക്ഷമതയെയും കുറിച്ചുള്ള സമീപകാലത്തെ മൂന്ന് പഠനങ്ങൾ കണ്ടെത്തി ഓരോന്നിന്റെയും കണ്ടെത്തലുകൾ സംഗ്രഹിക്കുക” എന്നതുപോലുള്ള ഒരു ക്വറി എടുക്കുക. ഏജന്റ് പഠനങ്ങൾക്കായി തിരഞ്ഞ് ഏറ്റവും പ്രസക്തമായവ തുറക്കുന്നു. ഓരോ പഠനത്തിന്റെയും കണ്ടെത്തലുകൾ വായിച്ച്, എല്ലാ ഉറവിടങ്ങളിലേക്കുമുള്ള ലിങ്കുകൾ സഹിതം ഒരു സംഗ്രഹം എഴുതുന്നു. ഒരു പഠനം പേവാളിന് പിന്നിലാണെങ്കിൽ, ഏജന്റ് അടുത്തതിലേക്ക് നീങ്ങുന്നു. ആ പഠനത്തിൽ, ഏജന്റിക് ക്വറികളിൽ 7% ഗവേഷണം സംഗ്രഹിക്കലും വിശകലനം ചെയ്യലുമാണ്.

ഡോക്യുമെന്റുകൾ, ഇമെയിൽ, കലണ്ടറുകൾ

ആളുകൾ ദിവസവും ഉപയോഗിക്കുന്ന ടൂളുകളിൽ തന്നെയാണ് ഏജന്റുകൾ പലപ്പോഴും പ്രവർത്തിക്കുന്നത്. ഹാർവാർഡിന്റെയും Perplexity-യുടെയും പഠനത്തിൽ, Google-ന്റെ ഡോക്യുമെന്റ് ടൂളുകളും ഇമെയിലുമായിരുന്നു ഏറ്റവും സാധാരണമായ രണ്ടെണ്ണം; ഇവ ചേർന്ന് ഏജന്റിക് ക്വറികളുടെ ഏകദേശം നാലിലൊന്ന് വരും. “ഈ ആഴ്ചയിലെ വായിക്കാത്ത ഇമെയിലുകൾ പരിശോധിച്ച്, ക്ലയന്റുകളിൽ നിന്നുള്ളവ ഫ്ലാഗ് ചെയ്ത്, ഷെഡ്യൂളിംഗ് അഭ്യർത്ഥനകൾക്ക് മറുപടികൾ ഡ്രാഫ്റ്റ് ചെയ്യുക” എന്നതുപോലുള്ള ഒരു ക്വറി എടുക്കുക. ഏജന്റ് ഇൻബോക്സ് തുറന്ന് സന്ദേശങ്ങൾ തരംതിരിക്കുന്നു. ഒഴിവുള്ള സമയങ്ങൾക്കായി കലണ്ടർ പരിശോധിച്ച് ഓരോ അഭ്യർത്ഥനയ്ക്കും ഒരു മറുപടി ഡ്രാഫ്റ്റ് ചെയ്യുന്നു. ഡ്രാഫ്റ്റുകൾ അയയ്ക്കാതെ സേവ് ചെയ്യാനും അതിന് കഴിയും, അതിനാൽ വ്യക്തിക്ക് ആദ്യം ഓരോന്നും അവലോകനം ചെയ്യാം.

പഠനവും കോഴ്‌സ്‌വർക്കും

വിദ്യാർത്ഥികൾ പഠിക്കാൻ ഏജന്റുകൾ ഉപയോഗിക്കുന്നു. ആ പഠനത്തിൽ ഏജന്റ് ഉപയോഗത്തിന്റെ ഏറ്റവും വലിയ ഒറ്റ വിഭാഗം കോഴ്‌സ്‌വർക്കാണ്: ഏജന്റിക് ക്വറികളുടെ 13%. “എന്റെ കോഴ്‌സ് റീഡിംഗുകളിലെ നാലാം അധ്യായത്തെക്കുറിച്ച് എനിക്ക് ഒരു ക്വിസ് നടത്തുക” പോലുള്ള ഒരു ക്വറി ഏജന്റിനെ കോഴ്‌സ് വെബ്സൈറ്റിലേക്ക് അയയ്ക്കുന്നു; അവിടെ അത് അധ്യായം വായിച്ച്, പ്രധാന പോയിന്റുകളെക്കുറിച്ച് ചോദ്യങ്ങൾ എഴുതി, വിദ്യാർത്ഥിയുടെ ഉത്തരങ്ങൾ പരിശോധിക്കുന്നു. പരിചയമില്ലാത്ത ഒരു വ്യവസായത്തെക്കുറിച്ച് വേഗത്തിൽ അറിവ് നേടേണ്ട ജീവനക്കാർ ഉൾപ്പെടെ, പുതിയൊരു വിഷയം പഠിക്കുന്ന ആർക്കും ഇതേ രീതി ഉപയോഗിക്കാം.

ഷോപ്പിംഗും താരതമ്യങ്ങളും

ഏജന്റിക് ക്വറികളിൽ 10% ഷോപ്പിംഗാണ്, കൂടുതലും ഉൽപ്പന്നങ്ങൾ തിരയലും താരതമ്യം ചെയ്യലും. “മികച്ച റിവ്യൂകളുള്ള, $400-ൽ താഴെ വിലയുള്ള ഒരു സ്റ്റാൻഡിംഗ് ഡെസ്ക് കണ്ടെത്തുക” എന്ന് ആവശ്യപ്പെട്ടാൽ, ഒരു ഏജന്റ് നിരവധി റീട്ടെയ്‌ലർമാരിൽ തിരയുകയും വിലയും റേറ്റിംഗും അനുസരിച്ച് ഫിൽട്ടർ ചെയ്യുകയും മികച്ച ഓപ്ഷനുകൾ താരതമ്യം ചെയ്യുകയും ഏറ്റവും മികച്ചത് കാർട്ടിലേക്ക് ചേർക്കുകയും ചെയ്യാം. ഓരോ ലിസ്റ്റിംഗും തുറന്ന് ഒത്തുനോക്കേണ്ട ആവശ്യം വ്യക്തിക്ക് ഇല്ലാതാകുന്നതിനാൽ, നിരവധി വെബ്സൈറ്റുകളിലുടനീളം ഓപ്ഷനുകൾ താരതമ്യം ചെയ്യാൻ ഒരു ഏജന്റിനെ ഉപയോഗിക്കുന്നത് ധാരാളം സമയം ലാഭിക്കും.

സ്വയംഭരണ ഏജന്റുകൾ ഉപയോഗിക്കുന്നതിനുള്ള ഏഴ് മികച്ച രീതികൾ

1. എളുപ്പത്തിൽ പരിശോധിക്കാവുന്ന ടാസ്‌ക്കുകളിൽ നിന്ന് തുടങ്ങുക

തെറ്റുകൾ എളുപ്പത്തിൽ കണ്ടെത്താനും കുറഞ്ഞ ചെലവിൽ തിരുത്താനും കഴിയുന്ന ടാസ്‌ക്കുകളാണ് തുടക്കത്തിൽ ഏൽപ്പിക്കാൻ ഏറ്റവും നല്ലത്. ഗവേഷണ സംഗ്രഹങ്ങളും ഉൽപ്പന്ന താരതമ്യങ്ങളും നല്ല തുടക്കമാണ്. ഏജന്റ് അതിന്റെ ഉറവിടങ്ങളിലേക്കുള്ള ലിങ്കുകൾ നൽകുന്നുണ്ടെങ്കിൽ, ജോലി പരിശോധിക്കാൻ ഏതാനും മിനിറ്റുകൾ മതി. വിശ്വാസം വർധിക്കുന്നതിനനുസരിച്ച്, കൂടുതൽ ഘട്ടങ്ങളുള്ള ദൈർഘ്യമേറിയ ടാസ്‌ക്കുകൾ ആളുകൾക്ക് ഏൽപ്പിക്കാം.

2. വ്യക്തമായ ഫലങ്ങളും പരിമിതികളും നിശ്ചയിക്കുക

ടാസ്‌ക് എന്തുകൊണ്ട് പ്രധാനമാണെന്ന് അറിയുമ്പോൾ ഏജന്റിന് കൂടുതൽ മികച്ച തീരുമാനങ്ങൾ എടുക്കാൻ കഴിഞ്ഞേക്കും. മികച്ച ഒരു ക്വറി ഒരു കോൺട്രാക്ടർക്കുള്ള ബ്രീഫ് പോലെയായിരിക്കും: ലക്ഷ്യം, പ്രേക്ഷകർ, ഇതിനകം അറിയാവുന്ന കാര്യങ്ങൾ, ഒഴിവാക്കിയ കാര്യങ്ങൾ എന്നിവ അതിലുണ്ടാകും. “ഒരു ബോർഡ് മെമ്മോയ്ക്കായി ഈ മൂന്ന് വെണ്ടർമാരെ താരതമ്യം ചെയ്യുക; ബോർഡ് ഏറ്റവും കൂടുതൽ ശ്രദ്ധിക്കുന്നത് നടപ്പാക്കലിലെ റിസ്കാണ്, SOC 2 കംപ്ലയൻസ് ഇല്ലാത്ത എല്ലാവരെയും ഞങ്ങൾ ഇതിനകം ഒഴിവാക്കിയിട്ടുണ്ട്” എന്ന ക്വറി, സ്വന്തമായി വിവേചനപൂർവ്വമുള്ള തീരുമാനങ്ങൾ എടുക്കാൻ ഏജന്റിന് ആവശ്യമായതെല്ലാം നൽകുന്നു.

3. അംഗീകാര ചെക്ക്‌പോയിന്റുകൾ ചേർക്കുക

ഇമെയിൽ അയയ്ക്കുക, എന്തെങ്കിലും വാങ്ങുക, ഫയലുകൾ ഇല്ലാതാക്കുക, ഒരു ഫോം സമർപ്പിക്കുക തുടങ്ങിയ ചില പ്രവർത്തനങ്ങൾ പിൻവലിക്കാൻ കഴിയില്ല. ഏജന്റ് അനുവദിക്കുന്നുണ്ടെങ്കിൽ, ഈ ഘട്ടങ്ങൾക്ക് മുമ്പ് താൽക്കാലികമായി നിർത്തി അനുമതി ചോദിക്കുന്ന തരത്തിൽ അത് ക്രമീകരിക്കുക. ക്വറിയിൽത്തന്നെ ഒരു നിർത്തൽ പോയിന്റ് നിശ്ചയിക്കാനും കഴിയും. “മറുപടികൾ ഡ്രാഫ്റ്റ് ചെയ്യുക, പക്ഷേ അയയ്ക്കരുത്” അല്ലെങ്കിൽ “ഏറ്റവും മികച്ച ഓപ്ഷൻ എന്റെ കാർട്ടിലേക്ക് ചേർക്കുക, പക്ഷേ ചെക്ക്ഔട്ട് ചെയ്യരുത്” എന്ന നിർദ്ദേശം, എവിടെ നിർത്തി നിയന്ത്രണം തിരികെ നൽകണമെന്ന് ഏജന്റിനോട് കൃത്യമായി പറയുന്നു.

4. ജോലി തുടങ്ങുന്നതിന് മുമ്പ് പ്ലാൻ അവലോകനം ചെയ്യുക

വലിയ ഒരു ടാസ്‌ക്കിന്, തുടങ്ങുന്നതിന് മുമ്പ് അതിന്റെ പ്ലാനിന്റെ രൂപരേഖ നൽകാൻ ഏജന്റിനോട് ആവശ്യപ്പെടുക. ഒരു പ്ലാൻ അവലോകനം ചെയ്യാൻ ഒരു മിനിറ്റ് മതി, പൂർത്തിയായ ഒരു ഡെലിവറബിളിൽ ഒരു തെറ്റിദ്ധാരണ കണ്ടെത്തുന്നതിനേക്കാൾ വളരെ ചെലവ് കുറവാണ് ആ ഘട്ടത്തിൽ അത് തിരുത്തുന്നത്.

5. ടാസ്‌ക്കിന് ആവശ്യമുള്ളവയിലേക്ക് മാത്രം ആക്‌സസ് പരിമിതപ്പെടുത്തുക

ഒരു ഏജന്റിന് എത്താൻ കഴിയുന്ന ഓരോ അക്കൗണ്ടിലും അതിന് പ്രവർത്തിക്കാനും കഴിയും. ഒരു ടാസ്‌ക്കിന് ആവശ്യമായ ആപ്പുകൾ മാത്രം കണക്റ്റ് ചെയ്യുന്നത് സെൻസിറ്റീവ് ഡാറ്റ ഏജന്റിന്റെ പരിധിക്ക് പുറത്ത് നിർത്തുകയും പ്രശ്‌നങ്ങൾ ഉണ്ടാകാനുള്ള സാധ്യത പരിമിതപ്പെടുത്തുകയും ചെയ്യുന്നു. വെണ്ടർമാരെക്കുറിച്ച് ഗവേഷണം നടത്തുന്ന ഒരു ഏജന്റിന് ഇമെയിൽ ആക്‌സസ് ആവശ്യമില്ല. മറുപടികൾ ഡ്രാഫ്റ്റ് ചെയ്യുന്ന ഒരു ഏജന്റിന് അത് ആവശ്യമാണ്, പക്ഷേ അവ അയയ്ക്കാനുള്ള അനുമതി ആവശ്യമായി വരണമെന്നില്ല.

6. പരിശോധനകൾ ക്വറിയിൽത്തന്നെ ഉൾപ്പെടുത്തുക

ഏജന്റുകൾ ഇതിനകം തന്നെ സ്വന്തം ഔട്ട്‌പുട്ട് അവലോകനം ചെയ്യുന്നുണ്ട്, അതിനാൽ എന്താണ് പരിശോധിക്കേണ്ടതെന്ന് ക്വറിയിലൂടെ അവയോട് പറയാം. നല്ല ഫലം എങ്ങനെയിരിക്കണമെന്ന് വ്യക്തമാക്കുന്നത് (“ഓരോ കണക്കിനും 2025-ലോ അതിനുശേഷമോ ഉള്ള ഒരു ഉറവിടം വേണം”), ജോലി തിരികെ നൽകുന്നതിന് മുമ്പ് ആ മാനദണ്ഡം പ്രയോഗിക്കാൻ ഏജന്റിനെ പ്രേരിപ്പിക്കുന്നു. സ്ഥിരീകരിച്ച വസ്തുതകളെ സ്വന്തം നിഗമനങ്ങളിൽ നിന്ന് വേർതിരിക്കാനും അനുമാനങ്ങൾ ചൂണ്ടിക്കാണിക്കാനും ആവശ്യപ്പെടുന്നത്, വ്യക്തിയുടെ അവലോകനം കൂടുതൽ വേഗമേറിയതും കേന്ദ്രീകൃതവുമാക്കുന്നു.

7. ഫലപ്രദമായവ വീണ്ടും ഉപയോഗിക്കുക

മികച്ച ഫലം നൽകിയ ഒരു ക്വറി, സമാനമായ അടുത്ത ടാസ്‌ക്കിനുള്ള ടെംപ്ലേറ്റായി മാറാം. കഴിഞ്ഞ പാദത്തിലെ റിപ്പോർട്ട് പോലെ, നല്ല ഔട്ട്‌പുട്ടിന്റെ ഒരു ഉദാഹരണം ഏജന്റിന് നൽകുന്നത്, ഫോർമാറ്റ് വാക്കുകളിൽ വിവരിക്കുന്നതിനേക്കാൾ പലപ്പോഴും കൂടുതൽ ഫലപ്രദമാണ്. ആവർത്തിച്ചുവരുന്ന ടാസ്‌ക്കുകൾ സ്ഥിരമായ വർക്ക്ഫ്ലോകളായി മാറാം.

ഓട്ടോണമസ് ഏജന്റുകളോടുള്ള Perplexity-യുടെ സമീപനം

Perplexity രണ്ട് ഓട്ടോണമസ് ഏജന്റുകൾ നൽകുന്നു. Comet Assistant ബ്രൗസറിനുള്ളിൽ ദൈനംദിന ടാസ്‌ക്കുകൾ കൈകാര്യം ചെയ്യുന്നു, Perplexity Computer മണിക്കൂറുകളോ അതിലധികമോ നീണ്ടുനിൽക്കാവുന്ന വലിയ പ്രോജക്റ്റുകൾ ഏറ്റെടുക്കുന്നു.

Perplexity-യുടെ AI ബ്രൗസറായ Comet-ൽ Comet Assistant ബിൽറ്റ്-ഇൻ ആണ്. ഒരു വ്യക്തി ഇതിനകം തുറന്നിട്ടുള്ള വെബ്‌സൈറ്റുകളിൽ ഇത് പ്രവർത്തിക്കുന്നു, അതിനാൽ ടൂളുകൾ മാറാതെ തന്നെ മീറ്റിംഗുകൾ ഷെഡ്യൂൾ ചെയ്യാനും ഡോക്യുമെന്റുകൾ എഡിറ്റ് ചെയ്യാനും ഇമെയിൽ അയയ്ക്കാനും ഫ്ലൈറ്റുകൾ ബുക്ക് ചെയ്യാനും ഇതിന് കഴിയും.

Computer ക്ലൗഡിൽ പ്രവർത്തിക്കുകയും, നേരത്തെ വിവരിച്ചതുപോലെ, ഓരോ ലക്ഷ്യവും സബ്-ഏജന്റുകൾക്കിടയിൽ വിഭജിക്കുകയും ചെയ്യുന്നു. ഇത് നൂറുകണക്കിന് സേവനങ്ങളുമായി കണക്റ്റ് ചെയ്യുന്നു, ജോലിയുടെ നിർദ്ദിഷ്ട ഭാഗങ്ങൾക്കായി നിർദ്ദിഷ്ട AI മോഡലുകൾ തിരഞ്ഞെടുക്കാൻ ആളുകൾക്ക് കഴിയും. Pro, Max സബ്‌സ്‌ക്രൈബർമാർക്ക് Computer ലഭ്യമാണ്.

ബ്രൗസറിൽ ഒരു ഏജന്റിനെ പരീക്ഷിക്കാൻ Comet Assistant, അല്ലെങ്കിൽ ഒരു വലിയ പ്രോജക്റ്റ് ഏൽപ്പിക്കാൻ Perplexity Computer പര്യവേക്ഷണം ചെയ്യുക.

പതിവായി ചോദിക്കുന്ന ചോദ്യങ്ങൾ

ഓട്ടോണമസ് ഏജന്റും ഏജന്റിക് AI-യും ഒന്നാണോ?

അല്ല, എന്നാൽ ഈ പദങ്ങൾക്കിടയിൽ സാമ്യതകളുണ്ട്. ആസൂത്രണം ചെയ്തും പ്രവർത്തനങ്ങൾ നടത്തിയും ലക്ഷ്യങ്ങൾ പിന്തുടരുന്ന AI സിസ്റ്റങ്ങളുടെ വിശാലമായ വിഭാഗത്തെയാണ് ഏജന്റിക് AI സാധാരണയായി സൂചിപ്പിക്കുന്നത്. ഓരോ ഘട്ടത്തിലും കാര്യമായ അംഗീകാരം ആവശ്യമില്ലാതെ ജോലി നിർവഹിക്കുന്ന, ആ വിഭാഗത്തിലെ ഒരു പ്രത്യേക സിസ്റ്റമാണ് ഓട്ടോണമസ് ഏജന്റ്.

എല്ലാ AI ഏജന്റുകളും ഓട്ടോണമസ് ആണോ?

അല്ല. ചില ഏജന്റുകൾ ഓരോ ഘട്ടവും ഒരു വ്യക്തി നിർദ്ദേശിക്കുമ്പോൾ മാത്രം നിർവഹിക്കുന്നു, മറ്റു ചിലത് ഒരു ടാസ്‌ക് മുഴുവനായും സ്വന്തമായി പൂർത്തിയാക്കുന്നു. ഒരു വ്യക്തി ഘട്ടം ഘട്ടമായി പ്രവർത്തിപ്പിക്കുന്ന ഏജന്റുകൾ മുതൽ ഒരു വ്യക്തി നിരീക്ഷിക്കുക മാത്രം ചെയ്യുന്ന ഏജന്റുകൾ വരെയുള്ള മുഴുവൻ ശ്രേണിയും നേരത്തെ വിവരിച്ച സ്വയംഭരണത്തിന്റെ തലങ്ങൾ കാണിക്കുന്നു.

ഓട്ടോണമസ് ഏജന്റുകൾക്ക് വാങ്ങലുകളോ പേയ്‌മെന്റുകളോ നടത്താൻ കഴിയുമോ?

വെബ്‌സൈറ്റ്, അനുമതികൾ, സുരക്ഷാ സംവിധാനങ്ങൾ എന്നിവയെ ആശ്രയിച്ച്, ചില ഏജന്റുകൾക്ക് വാങ്ങലുകളിൽ സഹായിക്കാൻ കഴിയും. Comet Assistant-ന് ഉൽപ്പന്നങ്ങൾ താരതമ്യം ചെയ്യാനും ചെക്ക്ഔട്ട് പ്രക്രിയകളിൽ സഹായിക്കാനും കഴിയും. യോഗ്യരായ യുഎസ് ഉപയോക്താക്കൾക്ക് പിന്തുണയ്ക്കുന്ന ഉൽപ്പന്നങ്ങൾ Perplexity-ക്കുള്ളിൽ തന്നെ വാങ്ങാൻ Perplexity-യുടെ Instant Buy സഹായിക്കുന്നു, ചെക്ക്ഔട്ട് ഓപ്ഷനായി PayPal ലഭ്യമാണ്.

ഓട്ടോണമസ് ഏജന്റുകൾ ഉപയോഗിക്കാൻ കോഡിംഗ് വൈദഗ്ധ്യം ആവശ്യമുണ്ടോ?

പല റെഡിമെയ്ഡ് ഏജന്റുകളും കോഡിംഗ് ഇല്ലാതെ തന്നെ ഉപയോഗിക്കാം. സ്വാഭാവിക ഭാഷയിലുള്ള നിർദ്ദേശങ്ങളിലൂടെയോ ഗ്രാഫിക്കൽ ഇന്റർഫേസിലൂടെയോ ഏജന്റുകൾ നിർമ്മിക്കാൻ ചില പ്ലാറ്റ്‌ഫോമുകൾ ആളുകളെ അനുവദിക്കുന്നു. കസ്റ്റം ഇന്റഗ്രേഷനുകൾ, ഡീബഗ്ഗിംഗ്, കൂടുതൽ സവിശേഷമായ പ്രവർത്തനരീതികൾ എന്നിവയ്ക്ക് കോഡിംഗ് ഉപയോഗപ്രദമാകും.