U svetu veštačke inteligencije, u poslednje vreme fokus je na tkz. AI Agentima – softverski programi koji mogu samostalno da donose odluke i izvršavaju zadatke.

Ovde je možda korisno da navedem i razliku između AI agenata i AI asistenata koje mi kreiramo.

Ukratko, AI agenti su softverski programi koji koriste veštačku inteligenciju da samostalno donose odluke i izvršavaju zadatke, dok su AI asistenti korisnički orijentisani alati koji pomažu ljudima u obavljanju različitih zadataka.

Evo ključnih razlika između AI agenata i AI asistenata:

• Autonomija: AI agenti su programirani da budu autonomni i da samostalno donose odluke, dok su AI asistenti više usmereni na interakciju sa korisnikom i pružanje podrške.
• Fokus: AI agenti su često fokusirani na specifične zadatke ili probleme, dok AI asistenti mogu biti dizajnirani da obavljaju širi spektar zadataka i da pomažu korisnicima u različitim situacijama.
• Personalizacija: AI asistenti često koriste personalizaciju kako bi prilagodili svoje odgovore i preporuke individualnim potrebama korisnika, dok AI agenti možda nisu toliko fokusirani na personalizaciju.

Važno je napomenuti da se granice između AI agenata i AI asistenata ponekad preklapaju, jer neki AI sistemi kombinuju elemente oba pristupa.

Nećemo sada da zaronimo u kompleksnost agenata, nego da razumemo koncept radnih tokova (tkz. workflows) agenata i kako oni mogu biti moćni alati, pogotovo kada uključuju više LLM poziva.

Primer sistemskog prompt-a u okviru jednog radnog toka.

Razumevanje radnih tokova

Radni tok možemo zamisliti kao niz koraka, gde je svaki korak definisan specifičnim promptom ili funkcijom koja se šalje u sledeći blok AI Agenta. Rezultat (output) jednog prompta postaje ulaz za sledeći prompt, i tako dalje, sve dok se ne postigne željeni ishod. To je kao linijska produkcija – znate tačno šta će se dogoditi u svakom koraku.

Glavni radni tok

Svaki prompt u radnom toku je specifičan i dizajniran da transformiše jedan ulaz u drugi izlaz. Na primer, prvi prompt može da kategorizuje korisničko pitanje u nekoliko kategorija. Ovaj izlaz se zatim koristi kao ulaz za sledeći prompt, koji je sada specijalizovan za tu konkretnu kategoriju.

Na primeru na sledećoj slici vidite osnovni radni tok sa funkcijom pretrage interneta, na osnovu korisničkog upita. U ovom slučaju, ovaj radni tok se automatski generiše nakon upita korisnika iz tkz. “glavnog” toka sa prethodne slike.

Prednosti višestrukih LLM poziva: Specijalizacija i sinergija

• Specijalizacija zadataka: Svaki prompt može biti optimizovan za specifičan zadatak. Umesto da jedan LLM pokušava da uradi sve, možemo ga podeliti na manje, preciznije zadatke, što dovodi do boljih rezultata kada jedan prompt kategorizuje pitanje, a drugi, specijalizovan, odgovara na njega.
• Sinergija različitih modela: GPT i Claude, na primer, imaju različite snage. GPT je možda bolji u ideaciji, dok je Claude Sonnet 3,5 možda efikasniji u generisanju kreativnog teksta ili pisanja koda. Sad možemo da dodamo i Perplexity u ceo proces. Kombinovanjem ova dva do tri modela u jednom radnom toku, možemo iskoristiti njihove individualne prednosti i postići sinergiju. Na primer, GPT može generisati nacrt teksta, nakon Perplexity istraživanja, Claude Sonnet 3,5 može ga urediti i poboljšati.
• Poboljšana kontrola i predvidljivost: Za razliku od agenata, gde LLM samostalno odlučuje o sledećim koracima, radni tokovi pružaju veću kontrolu. Znamo tačno koji prompt će biti izvršen i kojim redosledom. Ovo je posebno važno u situacijama gde je predvidljivost ključna.
• Modularnost i ponovna upotreba: Radni tokovi se mogu dizajnirati modularno i ponovo koristiti u različitim kontekstima. Ovo štedi vreme i trud, jer ne moramo svaki put da kreiramo sve ispočetka.

Primene višestrukih LLM-ova 🚀

🔹 AI asistenti

✅ Primer: Virtualni asistent koristi jedan LLM za prepoznavanje korisničkog pitanja, drugi za analizu konteksta i treći za generisanje odgovora.
🎯 Upotreba: Customer support, virtuelni pomoćnici.

🔹 Finansijske analize

✅ Primer: Jedan model analizira tržišne trendove, drugi generiše izveštaje i predviđa kretanja.
🎯 Upotreba: Bloomberg, AI berzanski analitičari, hedge fondovi.

🔹 Pravna analiza i donošenje odluka

✅ Primer: Jedan model analizira zakonske tekstove, drugi sažima ključne tačke, a treći generiše pravne preporuke.
🎯 Upotreba: AI advokati, automatizovana analiza ugovora, prepoznavanje pravnih rizika.

🔹 Personalizacija preporuka u e-trgovini

✅ Primer: LLM-1 analizira korisničke preferencije, LLM-2 predlaže relevantne proizvode, a LLM-3 generiše personalizovane opise.
🎯 Upotreba: Amazon, Netflix, Spotify preporučni sistemi.

🔹 Automatsko kreiranje sadržaja i SEO optimizacija

✅ Primer: LLM-1 generiše nacrt članka, LLM-2 ga optimizuje za SEO, a LLM-3 proverava gramatičku ispravnost i čitljivost.
🎯 Upotreba: AI copywriting, blogovi, digitalni marketing.