Прекратить подсказка, начать проектирование: 5 агентских схем искусственного интеллекта, которые на самом деле работают
25 июля 2025 г.Когда я впервые начал работать с LLMS, я подумал, что это все о написании идеальной подсказки. Поправьте его достаточно контекстом и - бум - он должен просто работать, верно?
Не совсем.
В начале я понял, что в основном бросал слова в прославленную автозаполненность. Вывод выглядел умно, но непониматьчто-либо. Это не могло планировать, корректировать или разум. Один маленький настройка фразы, и все это сломалось.
Мне не хватало структуры. Интеллект не просто выплевывает ответы: это окакЭти ответы сформированы. Процесс имеет значение.
Это то, что привело меня к агентным моделям ИИ, методам дизайна, которые дают LLMS немного больше намерения. Они позволяют модельному плану, размышлять, использовать инструменты и даже работать с другими агентами. Эти модели помогли мне перейти от хрупких, хит или пропустить подсказки к чему-то, что на самом деле делает вещи.
Вот пять шаблонов, которые имели наибольшую разницу для меня, объясняется таким образом, что это на самом деле можно использовать.
1. Отражение: научите своего агента проверять свою собственную работу
Вы когда -нибудь задавали «Чатгпт», прочитал ответ и думал: «Это звучит хорошо… но что -то не так»?
Вот где появляется отражение. Это простой трюк: попросите модель второй взгляд на свой собственный вывод, прежде чем завершить его.
Основной поток:
- Задайте вопрос.
- Иметь модель ответа.
- Затем приведите это снова: «Это было завершено? Что -то не хватает? Как это могло быть лучше?»
- Пусть он пересмотрит себя.
Вы не укладываете модели и не добавляете сложность. Вы просто заставляете его проверить его работу. И, честно говоря, это само по себе сокращает тонну неаккуратных ошибок, особенно для кода, резюме или чего-то тяжелого.
Подумайте об этом, как о том, чтобы придать своей модели кнопку паузы и зеркало.
2. Использование инструмента: не ожидайте, что модель будет знать все
Ваш LLM не знает, что находится в вашей базе данных. Или ваши файлы. Или сегодняшние заголовки. И это нормально - потому что ты можешьПусть это принесет этот материалПолем
Паттерн инструмента подключает модель к реальным инструментам. Вместо галлюцинации он может запросить вектор DB, запустить код в реплике или вызывать внешние API, такие как полоса, Wolframalpha или ваши внутренние конечные точки.
Эта настройка требует немного сантехники: облегчение функций, маршрутизация, может быть, что-то вроде Langchain или семантического ядра, но она окупается. Ваш агент перестает догадываться и начинает получать реальные данные.
Люди предполагают, что LLM должны быть умными из коробки. Это не так. Но они становятся намного умнее, когда им разрешено достичь правильных инструментов.
3. React: Пусть модель думает, пока она действует
Отражение хорошо. Инструменты хороши. Но когда вы позволите своему агенту думать и действовать впетли, это становится еще лучше.
Вот что такое рисунок реагирования:Рассуждение + актерское мастерствоПолем
Вместо того, чтобы отвечать на все за один раз, модель причиняется пошаговым и корректирует свои действия, поскольку он учится больше.
Пример:
- Цель: «Найдите недавние счета -фактуры пользователя».
- Шаг 1: «База данных платежей запроса».
- Шаг 2: «Хм, результаты устарели. Лучше попросить пользователя подтвердить».
- Шаг 3: Отрегулируйте запрос, повторите.
Это не просто отвечает - это навигация.
Чтобы заставить реагировать работу, вам понадобится три вещи:
- Инструменты (для принятия мер)
- Память (для сохранения контекста)
- Цикл рассуждения (для отслеживания прогресса)
React делает ваши агенты гибкими. Вместо того, чтобы придерживаться жесткого сценария, они продумывают каждый шаг, адаптируются в режиме реального времени и корректируют курс по мере появления новой информации.
Если вы хотите построить что-то за пределами быстрого одноразового ответа, это нужный вам шаблон.
4. Планирование: научите своего агента думать заранее
LLM довольно хороши в быстрых ответах. Но для чего -либо, включающего несколько шагов? Они падают.
Планирование помогает в этом.
Вместо того, чтобы ответить на все за один выстрел, модель разбивает цель на более мелкие, более управляемые задачи.
Допустим, кто -то спрашивает: «Помогите мне запустить продукт». Агент может ответить:
- Определите аудиторию
- Создать целевую страницу
- Настроить кампании по электронной почте
- Проект объявления копия
Затем он занимается каждой частью, по одному шагу за раз.
Вы можете испечь это в своем подсказке или заставить модель разработать сам план. Бонусные баллы, если вы храните план где -то, чтобы агент мог забрать, где он остановился позже.
Планирование превращает вашего агента из реактивного помощника в проактивный.
Это шаблон, который можно использовать для рабочих процессов и любых задач, которая требует нескольких шагов.
5. Многоагентный: собрать команду вместе
Зачем полагаться на одного агента, когда вы можете работать вместе целую команду?
Многоагентные настройки назначают разные роли различным агентам, каждый из которых обрабатывает кусок головоломки. Они сотрудничают - иногда даже спорят - чтобы придумать лучшие решения.
Типичная настройка:
- Исследователь собирает информацию
- Планировщики наброски шагов
- Кодер пишет код
- Рецензент дважды проверяет
- PM: сохраняет все это двигаться
Это не должно быть модным. Даже основные координационные работы:
- Дайте каждому агенту имя и работу.
- Пусть они сообщают друг другу через контроллер.
- Посмотрите, как они итерации, критикуют и совершенствуют.
Магия происходит, когда они не согласны. Именно тогда вы получаете более четкое понимание и более глубокое мышление.
Хотите попробовать это? Вот простая отправная точка
Допустим, вы создаете помощника по исследованию. Вот беззаботная настройка, которая вкладывает эти шаблоны в игру:
Начните с планирования
Подсказка: «Разбейте эту исследовательскую задачу на четкие шаги, прежде чем ответить».
Пример: «1. Определите ключевые слова, 2. Поиск в последних документах, 3. Суммируйте результаты».
Используйте использование инструмента
Подключите его к поисковому API или вектору DB, чтобы он тянул реальные факты - не придумываясь.
Добавить отражение
После каждого ответа, приглашение: «Чего не хватает? Что может быть яснее?» Затем восстановите.
Обернуть его в React
Пусть агент задумается между шагами. «Результаты выглядят неглубоко - повторно с новыми терминами». Затем действуйте снова.
Расширить до мультиагента(необязательный)
Один агент пишет. Другая критика.
Они разговаривают. Они спорят. Вывод становится лучше.
Вот и все. У вас есть работающий MVP. Не требуется причудливая структура, просто интеллектуальные подсказки, базовый клейкий код и четкие роли.Вы будете удивлены, насколько вы уверены, что LLM уверены.
Завершая
Агентный дизайн не о том, чтобы сделать модель умнее. Речь идет о разработке лучших систем. Системы, которые управляют сложностью, адаптируются в середине полета и не разваливаются при первом неожиданном входе.
Эти узоры помогли мне перестать думать о LLMS как о волшебных коробках и начать думать о них как грязные компоненты в большем процессе. Они не идеальны. Но они мощные - если вы дадите им структуру.
Потому что настоящий интеллект? Это в лесах, которые вы строите вокруг модели. Не только в самой модели.
Интеллект живет в дизайне, а не только в модели. И это и разочаровывает, и освобождает.
Изо всех сил пытаетесь вырастить свою аудиторию как технический профессионал?
Техническая аудитория ускоритель-это новостной рассылку для создателей технологий, серьезно касаясь выращивания своей аудитории. Вы получите проверенные рамки, шаблоны и тактику, стоящие за моими 30 -метровыми впечатлениями (и подсчетом).
TechAudienceaccelerator.substack.com
Оригинал