Agentic Workflows

Quy trình tác tử đại diện cho một phương pháp mang tính chuyển đổi trong trí tuệ nhân tạo (AI), trong đó nhiều thực thể tự chủ tương tác, đưa ra quyết định và thực thi các tác vụ gồm nhiều bước với sự can thiệp tối thiểu của con người. Không giống các pipeline machine learning truyền thống tuân theo các đường dẫn thực thi nghiêm ngặt, tuyến tính, quy trình tác tử có tính động cao. Quy trình này cho phép một tác tử thông minh hoặc một mạng lưới tác tử phối hợp nhận biết môi trường, suy luận qua các vấn đề phức tạp và sử dụng các công cụ bên ngoài để đạt được các mục tiêu đã xác định trước. Khi các tổ chức mở rộng các sáng kiến AI, quy trình tác tử cấp doanh nghiệp đang thay thế các script độc lập, cho phép tự động hóa mạnh mẽ và có khả năng mở rộng trong nhiều ngành đa dạng.

Tìm hiểu về Quy trình Tác tử#

Về bản chất, quy trình tác tử chuyển AI từ việc tạo nội dung thụ động sang giải quyết vấn đề chủ động. Điều này đòi hỏi chuyển từ tương tác với một prompt duy nhất sang một vòng lặp lặp lại gồm lập kế hoạch, thực thi và quan sát. Bằng cách điều phối các vòng lặp này, developer có thể xây dựng các hệ thống có khả năng xử lý những trường hợp biên không 예상 trước và tự sửa lỗi.

Để phân biệt rõ các khái niệm có liên quan chặt chẽ: một tác tử AI là một thực thể tự chủ riêng lẻ (thường được hỗ trợ bởi một mô hình ngôn ngữ lớn (LLM)) có khả năng suy luận và hành động. Ngược lại, quy trình tác tử là quy trình kiến trúc tổng thể chi phối cách các tác tử cộng tác, chia sẻ memory và sắp xếp trình tự hành động. Hơn nữa, trong khi AI tạo sinh chủ yếu tạo nội dung qua một lượt tuyến tính duy nhất dựa trên prompt của người dùng, các hệ thống tác tử sử dụng các mẫu thiết kế tác tử—chẳng hạn như tự phản tư, lập kế hoạch và tranh luận đa tác tử—để liên tục tinh chỉnh đầu ra cho đến khi hoàn thành toàn bộ mục tiêu.

Các thành phần cốt lõi#

Một số thành phần nền tảng thúc đẩy thành công của các quy trình này:

• LLM backbone: Các engine suy luận trung tâm của quy trình. Các framework điều phối những model hiện đại như GPT-4o của OpenAI để diễn giải ý định của người dùng và linh hoạt tạo các kế hoạch thực thi.
• Gọi function và sử dụng tool: Các tác tử được trang bị những tool cụ thể để tương tác với thế giới bên ngoài. Các tool này bao gồm truy vấn database, thực thi code hoặc gọi các model computer vision để phân tích dữ liệu hình ảnh. Tài liệu từ các nhà cung cấp như OpenAI về việc gọi function trình bày cách các model định dạng đầu ra để kích hoạt các API bên ngoài một cách đáng tin cậy.
• Framework điều phối: Các thư viện như LangGraph, CrewAI và Microsoft AutoGen cung cấp hạ tầng quan trọng để kết nối các tác tử, quản lý trạng thái hội thoại và định tuyến tác vụ một cách thông minh.
• Quản lý memory và context: Để ngăn hiện tượng hallucination và duy trì tính nhất quán trong các quy trình nhiều bước, các quy trình này lưu giữ memory ngắn hạn (cửa sổ context hội thoại hiện tại) và memory dài hạn (các database lâu bền) để học từ những tương tác trước đó.

Các ứng dụng trong thực tế#

Quy trình tác tử đang tích cực giải quyết các tác vụ phức tạp, không giới hạn trong thế giới thực:

1. Kiểm tra trực quan tự chủ: Trong sản xuất, một hệ thống tác tử có thể tự động hóa phát hiện lỗi. Một tác tử điều phối kích hoạt một tool camera để chụp ảnh, xử lý ảnh bằng một model phát hiện đối tượng và phân tích đầu ra. Nếu phát hiện lỗi, tác tử tự động ghi nhận ticket bảo trì và chuyển sản phẩm sang quy trình đánh giá thủ công, quản lý toàn bộ phản hồi của nhà máy.

2. Phân tích tài liệu thông minh: Trong lĩnh vực tài chính và pháp lý, các quy trình được thiết kế để trích xuất dữ liệu có cấu trúc từ các PDF không có cấu trúc. Các tác tử lặp lại việc áp dụng phát hiện bố cục, sử dụng prompt engineering có định hướng để tự sửa lỗi và xác minh các bảng đã trích xuất theo các schema tài chính dự kiến.

3. Vận hành marketing động: Các team marketing có tư duy tiến bộ đang tái thiết kế quy trình marketing bằng cách triển khai các tác tử tự động phân tích xu hướng hiện tại, tạo tài sản chiến dịch, kiểm thử các biến thể nội dung quảng cáo và điều chỉnh chiến lược ngân sách dựa trên các chỉ số hiệu suất theo thời gian thực.

Ví dụ: Xây dựng Quy trình Tác tử Thị giác#

Việc tích hợp intelligence hình ảnh vào quy trình tác tử rất đơn giản khi sử dụng Ultralytics Platform và package ultralytics Python. Trong ví dụ mang tính khái niệm này, một hệ thống tác tử sử dụng YOLO26 làm tool nhận thức để kiểm tra một dây chuyền nhà máy, cho phép logic nền tảng của quy trình tự động quyết định hành động tiếp theo dựa trên kết quả của predict mode.

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)

Bằng cách tận dụng các framework như PyTorch ở tầng bên dưới, những tool thị giác này cung cấp nhận thức không gian có độ chính xác cao cho logic AI rộng hơn. Khi các tổ chức tác tử tiếp tục trưởng thành, sự kết hợp giữa các model suy luận tiên tiến và năng lực thị giác theo thời gian thực sẽ thúc đẩy thế hệ tự động hóa thông minh, tự sửa lỗi tiếp theo. Thông qua việc cải tiến liên tục bằng học chủ động và khả năng điều phối tinh vi, các quy trình tác tử đảm bảo rằng hệ thống AI thực thi đáng tin cậy các chiến lược phức tạp từ đầu đến cuối.