எளிமையாப் புரிஞ்சுக்கலாம்

AI agent ஒரு goal-க்காக அடுத்த செயலைத் தேர்வு செய்யலாம், tools பயன்படுத்தலாம், result பார்த்து தொடர்ந்து செயல்படலாம். Workflow-ல் பாதை பெரும்பாலும் நாம் முன்னாடியே அமைத்தது. Agent-ல் அடுத்த படியைத் தேர்வு செய்வதில் model-க்கு அதிக இடம் இருக்கும். Products இந்தப் பெயர்களை வெவ்வேறு அர்த்தத்தில் பயன்படுத்தலாம். முதலில் எளிய நம்பகமான முறையில் தொடங்கலாம். கூடுதல் autonomy உண்மையில் உதவும்போதுதான் சேர்க்கணும். Permissions, validation, எப்போது நிறுத்துவது, எப்போது மனிதர் பார்க்க வேண்டும்—இவையும் system-ஓட பகுதிதான்.

இந்த AI approach எப்படி வேலை செய்கிறது?

Agent என்பது சுற்றுப்புறத்தைப் பார்த்து ஒரு இலக்குக்காகச் செயல்படும் system. Classical AI-ல் search-based planner, learned control policy போன்றவையும் agents. இன்றைய LLM applications-ல் model tools அல்லது next steps தேர்வு செய்து, result பார்த்து தொடர வேண்டுமா என்று முடிவு செய்யும் loop-ஐ agent என்று சொல்வாங்க. Tool call இருக்கிறது என்பதால் மட்டும் பயனுள்ள autonomy வந்துவிடாது.

Workflow-ல் control path பெரும்பாலும் முன்கூட்டியே தெரியும். உதாரணமாக retrieve → draft → validate. Agent-ல் அடுத்த படியை model தேர்வு செய்யும் வாய்ப்பு அதிகம். Steps தெரிந்திருந்தால் workflow நல்ல தொடக்கம். இடையில் கிடைக்கும் evidence-ஐப் பொறுத்து அடுத்த action மாற வேண்டியிருந்தால் agent பற்றி யோசிக்கலாம்.

நடைமுறையில் goal, allowed tools, task state, stopping conditions கொடுப்போம். Model முன்மொழியும் action-ஓட arguments, authorization சரிபார்ப்போம். அனுமதிக்கப்பட்ட call execute செய்து observation திருப்பிக் கொடுப்போம். வரம்புக்குள் loop தொடரும். Memory என்பது தற்காலிக task state அல்லது சேமித்த records ஆக இருக்கலாம்; எல்லாவற்றையும் model எப்போதும் சரியாகப் புரிந்துகொண்டிருக்கிறது என்று அர்த்தமில்லை.

Task முடிந்ததா, தவறான action நடந்ததா, error-லிருந்து மீண்டதா, latency, cost என்ன என்று அளவிடுங்க. Budgets, timeouts, duplicate-action protection, escalation தேவை. Model refund முன்மொழியலாம்; ஆனால் account, amount, permission சரியா என்று application code முடிவு செய்யணும். Retrieved document-ல் உள்ள instruction tool permission கொடுக்க முடியாது.

ஒவ்வொரு படியாகப் பார்க்கலாம்

1. வேலைக்குத் தேவையான tools, data மட்டும் கொடுக்கலாம்.
2. Tool-க்கு அனுப்பும் arguments, திரும்ப வரும் result-ஐ model-க்கு வெளியேயும் validate செய்யணும்.
3. Steps-க்கு limit வைக்கலாம். முக்கியமான வெளிப்புற மாற்றங்களுக்கு முன் மனிதர் பார்க்கும் வழி இருக்கணும்.

உதாரணம்: task-உடன் approach-ஐ இணைக்கலாம்

“Payment பண்ணிட்டேன்; Java course open ஆகல” என்று user சொல்கிறார். Agent enrollment, payment status, access policy பார்க்கலாம். Payment confirm ஆகவில்லை என்றால் தேவைப்படும் reference கேட்கலாம் அல்லது escalate செய்யலாம்; success உருவாக்கிச் சொல்லக்கூடாது. Verified condition சரியாக இருந்தால், குறிப்பிட்ட access restoration tool-ஐ application அனுமதிக்கலாம்.

Action முடிந்த பிறகு timeout, repeated request, தவறாக வழிநடத்தும் document, payment tool unavailable போன்ற cases test செய்யுங்க. Access மாற்றம் நடக்கவில்லை அல்லது இருமுறை நடந்துவிட்டது என்றால், அழகான final message வெற்றி இல்லை.

கருத்தைப் பயன்படுத்தலாம்: உங்க புரிதலைச் சோதிங்க

அடுத்த பாடத்துக்கு முன்னாடி

• Technical பெயரை மட்டும் சொல்லாமல், கருத்தை உங்க வார்த்தைகளில் விளக்கிப் பாருங்க.
• Approach என்ன, அதன் assumptions என்ன, result-ஐ நம்ப என்ன evidence வேண்டும் என்று சொல்லிப் பாருங்க.
• பயிற்சியை முயற்சி செய்துவிட்டு, உங்க காரணத்தை விடையோடு ஒப்பிட்டுப் பாருங்க.

ஆதாரங்கள்: இன்னும் தெரிஞ்சுக்கலாம்

இந்தப் புதுப்பிப்பில் original research papers மற்றும் official documentation பயன்படுத்தப்பட்டுள்ளன. கீழே உள்ள கூடுதல் links ஆங்கிலத்தில் இருக்கும். அவற்றை முதலில் படிக்காமலேயே இந்தப் பாடத்தைப் புரிஞ்சுக்கலாம். Product versions, availability மாறலாம்.

• Anthropic: building effective agents ↗
• NIST: Generative AI Profile ↗