Large Language Models (LLMs)는 AI 세계를 폭풍으로 이끌었지만, 그들 위에 세워진 모든 것이 생산 준비가 된 것은 아닙니다. 많은 버즈를 생성, 그들의 현실 세계의 성능은 ... 잘, 압도적이다. AI를 적용하는 더 실용적이고 확장 가능한 방법으로 땅을 얻고 있습니다. AI Agents Agentic Workflows AI 에이전트 : 여전히 쿨하지만 충분히 준비되지 않았습니다. 1) 신뢰할 수 없는 정확성 AI 에이전트는 데모 비디오에서 매끄럽게 보입니다.하지만 실제로? 가져오기 그것은 단지 성취 동일한 작업을 수행하는 인간에게서 기대하는 정확도.OpenAI의 더 나은 결과를 얻었지만 여전히 70% 이상의 인간 성과에 비해 Claude's ACI (AI Agent Computer Interface) 14% Operator 30–50% 
 
 
 
 
 
 
 
 
 Agent 
 Success Rate 
 Human Benchmark 
 
 
 
 
 Claude ACI 
 14% 
 >70% 
 
 
 
 
 OpenAI Operator 
 30-50% 
 >70% 클라우드 ACI 14 % > 70% 운영자 오픈 30 ~ 50 % > 70% 잘못된 버튼을 클릭하거나 사용자 명령을 잘못 이해하든, AI 에이전트는 아직 존재하지 않습니다. 낮은 적응력 = 높은 실패률 대부분의 AI 에이전트는 팝업 광고 또는 약간 업데이트 된 UI와 같은 변화에 동적으로 적응할 수 없으며 실시간 모니터링 및 오류 복구가 부족하여 혼란스럽거나 예측할 수없는 환경에서 취약합니다. 높은 비용, 낮은 반환 Custom API.Task-specific logic. Endless debugging.All these make building and scaling AI Agents a expensive gamble. - 그리고 그것은 거대한 dev 투자 후입니다. agent success rates below 20% 그렇다면 그것은 우리를 어디로 떠나게 하는 것일까? 에이전트 워크플로우: 더 똑똑하고 간단한 대안 AI를 구축하는 대신에 Agentic Workflow 는 작업을 분해합니다. 그리고 각각의 특수 부품을 처리하도록 허용합니다. 모든 것을 well-defined steps 그것을 생각해 보라, as the : 의미있는 전체로 연결된 작은, 목적 지향적인 작업. "microservices" version of AI 1) Agentic Workflow 란 무엇입니까? 그것은 LLM 또는 도구가 다음과 같이 조정되는 구조화 된 접근법입니다. 
 
 
 
 
 복구 정보 변환 또는 분석 다음 단계로 먹이 출력 최종 결과 제공 end-to-end AI 에이전트와는 달리, Agentic Workflows는 투명하며, 더 쉽게 디버그할 수 있습니다. . 훨씬 더 믿을만한 
 
 한 연구에서 지식 직원은 시간의 최대 30 %를 단순히 정보를 검색하고 조직하는 데 소비했습니다. 한 연구에서 지식 직원은 시간의 최대 30 %를 단순히 정보를 검색하고 조직하는 데 소비했습니다. Agentic RAG: Personalization at Scale (사용성 RAG: 규모별 개인화) 하나의 쿨한 진화는 (Retrieval-Augmented Generation) 공개 데이터로 질문에 답하는 대신, 그것은 : Agentic RAG 
 
 
 
 귀하의 데이터 (PDF, 데이터베이스, 미팅 노트) custom context 를 만듭니다. 그리고 LLM을 사용하여 똑똑하고 개인화 된 답변을 생성합니다. 도구 like 이 방향에 대한 초기 단계는 복잡하고 여러 단계의 연구 프로젝트를 몇 가지 권고를 통해 실행하고 상세한 요약을 얻는 것을 상상해보십시오. ChatGPT’s Deep Research 에이전트 워크플로우가 다음 큰 일입니까? 솔직히 말해서 벌써 일어나고 있습니다. 연약한 에이전트에 비해, 에이전트 워크플로우 : 
 
 
 
 크로스 문서 검색 또는 자동 보고서와 같은 실제 비즈니스 문제를 해결 Modular - 스택을 찢지 않고 쉽게 통합 데이터 분쟁, 콘텐츠 합성 및 워크플로 자동화와 같은 오늘날의 기업 요구에 적합합니다.Fit today's enterprise needs such as data wrangling, content synthesis, and workflow automation 전자 상거래 주문 파이프라인, 의료 진단 연구 또는 개인화 된 교육 경로이든, 이러한 작업 흐름은 산업에 걸쳐 끌림을 찾고 있습니다. 그리고 가장 중요한 것은, 그들은 . work 최종 생각 AI 에이전트의 꿈은 죽은 것이 아니라 예상보다 더 오래 걸리고 있습니다. 우리가 일하는 방식을 조용히 바꾸고 있습니다, 한 번에 하나의 작업. Agentic Workflow 실용성을 보상하는 세상에서 아마도 다음 큰 일은 디지털 슈퍼 어시스턴트가 아닙니다. 오늘날의 진정한 문제를 해결하기 위해 함께 왜냐하면 기술에서, 붙어있는 아이디어는 가장 깜짝 놀라운 것이 아닙니다 - 그들은 작업을 완료하는 것입니다.

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

이 오디오는 이야기의 원래 언어로 제작되었습니다!

너무 오래; 읽다

Make resilience your competitive advantage

에이전트 워크플로우란 무엇인가? AI의 마이크로 서비스에 대해 자세히 알아보세요.

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

텔레그램: 크립토 아일랜드에서 본토로 연결되는 다리

디지털 유목민 들어보기: 태국의 새로운 DTV 비자에 대해 알아야 할 사항

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

텔레그램: 크립토 아일랜드에서 본토로 연결되는 다리

디지털 유목민 들어보기: 태국의 새로운 DTV 비자에 대해 알아야 할 사항

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps