Agentic Workflows

Агентные рабочие процессы представляют собой трансформирующий подход в искусственном интеллекте (ИИ), при котором несколько автономных сущностей взаимодействуют, принимают решения и выполняют многоэтапные задачи с минимальным вмешательством человека. В отличие от традиционных конвейеров машинного обучения, которые следуют строгим линейным путям выполнения, агентный рабочий процесс является altamente динамичным. Он позволяет интеллектуальному агенту или скоординированной сети агентов воспринимать свое окружение, рассуждать над сложными проблемами и использовать внешние инструменты для достижения предопределенных целей. По мере того как организации масштабируют свои инициативы в области ИИ, корпоративные агентные рабочие процессы заменяют изолированные скрипты, обеспечивая надежную и масштабируемую автоматизацию в различных отраслях.

Понимание агентных рабочих процессов#

По своей сути, агентный рабочий процесс переводит ИИ от пассивной генерации к активному решению проблем. Это требует перехода от взаимодействий на основе одиночных промптов к итеративному циклу планирования, выполнения и наблюдения. Оркестрируя эти циклы, разработчики могут создавать системы, способные справляться с непредвиденными граничными случаями и самостоятельно исправлять свои ошибки.

Чтобы четко разграничить тесно связанные концепции: ИИ-агент — это отдельная автономная сущность (часто работающая на базе большой языковой модели (LLM)), которая рассуждает и действует. И наоборот, агентный рабочий процесс — это общий архитектурный процесс, который управляет тем, как эти агенты сотрудничают, разделяют память и упорядочивают свои действия. Кроме того, в то время как генеративный ИИ в первую очередь создает контент за один линейный проход на основе пользовательского запроса, агентные системы используют паттерны агентного проектирования — такие как саморефлексия, планирование и многоагентные дебаты — для непрерывного уточнения своих результатов до тех пор, пока цель не будет полностью достигнута.

Основные компоненты#

Успех этих рабочих процессов обеспечивается несколькими фундаментальными элементами:

• Магистрали LLM: Центральные движки рассуждений рабочего процесса. Фреймворки оркестрируют современные модели, такие как GPT-4o от OpenAI, чтобы интерпретировать намерения пользователя и динамически генерировать планы выполнения.
• Вызов функций и использование инструментов: Агенты оснащены специальными инструментами для взаимодействия с внешним миром. Это включает в себя запросы к базам данных, выполнение кода или вызов моделей компьютерного зрения для анализа визуальных данных. Документация от таких провайдеров, как OpenAI по вызову функций, описывает, как модели форматируют выводы для надежного запуска внешних API.
• Фреймворки оркестрации: Библиотеки, такие как LangGraph, CrewAI, и Microsoft AutoGen, предоставляют критически важную инфраструктуру для соединения агентов, управления состояниями разговоров и интеллектуальной маршрутизации задач.
• Управление памятью и контекстом: Чтобы предотвратить галлюцинации и обеспечить согласованность в многоэтапных процессах, рабочие процессы сохраняют кратковременную память (текущее окно диалогового контекста) и долгосрочную память (постоянные базы данных) для обучения на основе прошлых взаимодействий.

Реальные приложения#

Агентные рабочие процессы активно решают сложные, открытые задачи в реальном мире:

1. Автономный визуальный осмотр: В производстве агентная система может автоматизировать обнаружение дефектов. Агент-оркестратор запускает инструмент камеры для захвата изображения, обрабатывает его с помощью модели обнаружения объектов и анализирует результат. Если дефект обнаружен, агент автономно регистрирует заявку на техническое обслуживание и направляет продукт на ручную проверку, управляя всей реакцией завода.

2. Интеллектуальный разбор документов: В финансовом и юридическом секторах рабочие процессы предназначены для извлечения структурированных данных из неструктурированных PDF-файлов. Агенты итеративно применяют обнаружение макета, используя целевой промпт-инжиниринг для самокоррекции и проверки извлеченных таблиц на соответствие ожидаемым финансовым схемам.

3. Динамические маркетинговые операции: Дальновидные маркетинговые команды переосмысливают маркетинговые рабочие процессы, развертывая агентов, которые автономно анализируют текущие тренды, создают рекламные материалы, тестируют вариации рекламных текстов и корректируют бюджетные стратегии на основе показателей производительности в реальном времени.

Пример: построение рабочего процесса Vision-Agent#

Интеграция визуального интеллекта в агентный рабочий процесс проста с использованием Ultralytics Platform и пакета Python ultralytics. В этом концептуальном примере агентная система использует YOLO26 в качестве инструмента восприятия для проверки производственной линии, позволяя базовой логике рабочего процесса автономно принимать решение о следующем действии на основе результатов режима предсказания.

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Agentic workflow step 1: Vision tool gathers environmental data
results = model.predict("factory_line.jpg")


# Agentic workflow step 2: Agent logic evaluates the visual detections
def decision_agent(detections):
    for obj in detections:
        # Check if the model detected a specific class, e.g., 'defect'
        if obj.names[int(obj.cls)] == "defect":
            return "Action: Trigger immediate maintenance alert."
    return "Action: Continue production line smoothly."


# Execute the agent's decision logic based on bounding box data
action = decision_agent(results[0].boxes)
print(action)

Используя такие фреймворки, как PyTorch "под капотом", эти инструменты визуализации передают высокоточную пространственную осведомленность в более широкую логику ИИ. По мере того как агентные организации продолжают развиваться, сочетание передовых моделей рассуждений и возможностей визуализации в реальном времени будет стимулировать следующее поколение интеллектуальной, самокорректирующейся автоматизации. Благодаря непрерывному совершенствованию посредством активного обучения и сложной оркестрации агентные рабочие процессы гарантируют, что системы ИИ надежно выполняют сложные стратегии от начала до конца.