Бүх долоо хоногт, сая хүн нэг зүйлтэй гар утас нээж байна: дэлхий даяар гарын үсэг. Глобал политик, технологийн зар сурталчилгаа, зах зээлийн урсгал, орон нутгийн түүхүүд нь анхаарах. Ихэнх нь ач холбогдолтой биш юм - гэхдээ харах зарим түүхүүд нь үнэхээр чухал юм. Та үүнийг шийдэхийн тулд хөнгөн "агентик AI" хайлш хэрэгтэй биш юм. Та сайн боловсруулсан хэрэгсэл, хүчтэй үндсэнтэй хэрэгтэй: мэдээлэл олж, боловсруулсан, структурт багасгаж, таны контекстд тохиромжтой аргаар хүргэж болно систем. Өнгөрсөн хэлний загварууд энэ нь үнэ цэнэтэй нэмж байна - бүх шийдэл биш, гэхдээ шилжих, хуваалцах, танд тусалдаг. Агентүүд Энэ нь RPC / API зочлол хийх, эх үүсвэрээс өгөгдлийг олж авах, боловсруулах, эсвэл LLM-д дамжуулах эсвэл бусад агентдыг илүү боловсруулахын тулд дамжуулах боломжийг олгодог. Өнгөрсөн хэлний загвар нь агент нь ихэвчлэн: through inputs like search results, APIs, or user instructions. Perceives LLM-ийн тусламжтай тусламжтай тулгуурлаарай. Ажлын хэрэгсэл, код ажиллуулах, эсвэл үр дүнд үзүүлэх. Хэрэв та ямар ч систем дизайн туршилтын зориулалттай байгаа бол, та үүнийг мэдэх болно: Facebook News Feed, Twitter-ийн цаг хугацаа, эсвэл (ямар ч 90-ийн) RSS уншигч. Энэ нь LLMs-ийн хувьд өөрчилж байна. Simple Personalized News Агент Хэрэв та агент гэж хэлж гэж бодож байна гэж бодож байна: . Энэ нь гурван зүйл хийж байна: AI, Apple, Bay Area түүхүүд Энэ нь вэбсайтаас шилдэг мэдээг олж авах. ЭдүүлбэрЭдүүлбэрЭдүүлбэрЭдүүлбэрЭдүүлбэрЭдүүлбэрЭдүүлбэрЭдүүлбэрЭдүүлбэрЭдүүлбэрЭдүүлбэрЭдүүлбэрЭдүүлбэр Ихэнх нь хурдан харгалзах. Өнгөрсөн өдөр, энэ нь танд өгөх болно: Apple-ийн Siri болон iOS апп-ийг зориулсан шинэ төхөөрөмжийн AI загварыг танилцуулж байна. Bay Area галт тэрэгний өргөтгөл төсөл нь финансийг хангах болно. Ажлын зах зээлд хөнгөн, AI чипын хэрэгцээ минутын хавтгай дөрөвдүгээр сарын өсөлтийн дараа хөнгөн байна. Энэ нь одоо ч тусламжтай байдаг. Гагнуурын жагсаалт нь менежментийн жагсаалттай байдаг. Гэсэн хэдий ч энэ нь хатуу байдаг. Та түүх гэж юу вэ, эсвэл энэ нь бусад хүмүүст хэрхэн холбогддог гэж мэддэггүй. Multiple Agents танилцуулах Нэг монолит агент дээр суурилуулахын тулд бүх зүйлийг эцэст-ээс эцэст хийж чадна, бид ажлын үйл явцыг бүгд хуваалцах боломжтой Энэ нь мэдээний өрөөний эцэст юм: репортерийн материал цуглуулдаг, судлаачид энэ нь анхааралтай, аналитик нь контекст санал болгож, редакторууд нь уншихыг багцуулах. specialist agents Бидний мэдээний хоолой, энэ нь үүнийг харуулж байна: Fetcher Агент - Feeds эсвэл API-ээс бүрэн мэдээг олж авах. Passage Extractor Агент - Бүх нийтлэлд хамгийн чухал хэсэгүүдтэй үздэг. Nameed Entity Extractor Агент - нэрлэгдсэн хүмүүс, компаниуд, газрууд, бүтээгдэхүүнийг хуваалцах. Entity Disambiguation Agent - "Apple" -ийг Apple Inc. гэж баталгаажуулдаг. Entity Tagger Агент — структурын tags (жишээ нь, байгууллага: Apple, Бүтээгдэхүүний: iPhone) Topic Classifier Агент - AI, Finance, Bay Area гэх мэт шилдэг үзүүлэлтүүдийг мэдэгддэг. Sentiment & Stance Агент - харин харуулах нь позитив, негатив, эсвэл нейтрал юм. Tag Summarizer Агент - суралцах суралцах суурь, асуулт, мэдрэмжийг тэжээмэл хэсэгт бий болгодог. Fact-Checker Агент - итгэмжлэгдсэн эх сурвалжуудыг баталгаажуулдаг. Персонализацийн & Ranking Агент — таны сонирхолтой байдал, түүхээр харьцуулахад түүхүүд үздэг. Digest Компилятор Агент — хуваалцсан Digest-ийг уншигчтай хэлбэрээр цуглуулдаг. Daily Digest Агент - эцсийн багц (тавтай морилно уу, Slack, эсвэл апп) хүргэдэг. Эдгээр агентлууд нь үйл ажиллагаа явуулдаг (жишээ нь, хязгааргүй байдал нь экстракцийн дараах байх ёстой), бусад нь ажиллуулах боломжтой (Топын түгээмэл, мэдрэмжийн анализ, суралцагчийн олборлолт нь нэг удаа нэг хооронд ажиллах болно). Эцэст нь мэргэжилтнүүдийн координатаар хоолой юм, ямар ч нэг агент нь илүү бага, илүү структурын харьцуулах болно. sequentially in parallel Ямар ч тавтай морилно уу? What Comes In and What Goes Out - Agent Interfaces Дараа нь доорх диаграм нь ямар ч агент тавтай морилно уу, энэ нь тэдэнд туслахыг хүсэж байгаа бол агентдад LLM-тэй харилцаа холбоо барина уу. Agent Inputs Outputs LLM Needed? Fetcher News feed URL, RSS, API query Full article text, metadata (title, URL, timestamp, source) ❌ No — HTTP/API call Passage Extractor Full article text Key passages, passage embeddings ✅ Optional — LLM for salience, or embeddings/TF-IDF Named Entity Extractor Passages Entity list, spans, embeddings ❌/✅ — NER models are faster, LLM can catch novel entities Entity Disambiguation Entity list, context embeddings Resolved entities with canonical IDs (e.g., Wikidata Q312) ✅ Yes — reasoning helps resolve ambiguous names Entity Tagger Disambiguated entities Entities with categories (Org, Person, Product, Location) ❌ No — deterministic classification Topic Classifier Passages, embeddings Topic labels (AI, Finance, Bay Area) ❌/✅ — embeddings + clustering or LLM for nuance Sentiment & Stance Analyzer Passages, entities Sentiment score, stance (supportive/critical/neutral) ✅ Optional — LLM for nuance, or sentiment models for speed Tag Summarizer Tagged entities, topics, sentiment Structured summaries grouped by tag ✅ Yes — summarization requires LLM Fact-Checker Summaries, claims Verified/Unverified claims, supporting references ✅ Yes — requires claim extraction + retrieval reasoning Personalization & Ranking Validated summaries, user profile Ranked/weighted story list ❌ No — ML heuristics suffice Digest Compiler Ranked summaries Final formatted digest (Markdown, HTML, JSON) ❌/✅ — deterministic formatting, LLM optional for tone Daily Digest Compiled digest Delivery package (email, Slack, app notification) ❌ No — just delivery Fetcher News Feed URL, RSS, API асуултууд Бүтээгдэхүүний бүрэн текст, метадаат (заглав, URL, таймер, эх үүсвэр) Үгүй — HTTP / API дуудлага Passage Extractor Бүтээгдэхүүний текст Key Passages, гарын авлага ✅ Албан ёсны — salience, эсвэл embeddings / TF-IDF нь LLM Named Entity Extractor Үнэгүй Бүтээгдэхүүний жагсаалт, spans, embeddings /✅ — NER загварууд хурдан байдаг, LLM нь шинэ суулгах боломжтой Entity Disambiguation Сургалтын жагсаалт, context embeddings Каноник ID-тэй шийдсэн суурь (жишээ нь, Wikidata Q312) ✅ Да — аргументийг байнгын нэрүүдийг шийдэхийн тулд туслах Entity Tagger Ангилаагүй суурь Ангилалтай суурь (Org, Person, Product, Location) Үгүй - Детерминист ангилал Topic Classifier Үйлчлүүлэгчид, Embeddings Түлхүүр үгс (AI, Finance, Bay Area) /✅ — эмчилгээ + clustering эсвэл нюанс нь LLM Sentiment & Stance Analyzer Үйлчлүүлэгчид, байгууллага Сэтгэгдэл үлдээх (Supportive / Critical / Neutral) ✅ Албан ёсны — LLM нь нюанс, эсвэл хурд нь сандал загвар Tag Summarizer Тавтай морилно уу Structured resumes grouped by tag Бүртгүүлэх ✅ Да - нийтлэл нь LLM шаардлагатай Fact-Checker Бүтээгдэхүүний талаархи мэдээлэл Проверированные/непроверированные претензии, дэмжлэг үзүүлэлтүүд ✅ Да — шаардлагагүй асуултууд татаж авах + олборлолт асуултууд Personalization & Ranking Validated самбар, хэрэглэгчийн профиль Ranked / Weighted түүхний жагсаалт Үгүй - ML heuristics sufficient Digest Compiler Нийтлэгдсэн Final formated digest (Markdown, HTML, JSON) /✅ — Детерминист форматинг, LLM сонголттай Daily Digest Бүтээгдэхүүн Digest Хэрэглээний багц (email, Slack, app notification) Үгүй - Зөвхөн хүргэх Зарим ажилтнууд LLM асуултуудыг шаарддаг, бусад нь хялбар, deterministic юм. Энэ хуваалц нь чухал: үйлдвэрлэхэд, та хамгийн бага LLM асуултуудыг хүсэж болно (захиалга, давтамж хадгалахын тулд), хуваалцсан, хуваалцсан, үр дүнг шалгалт гэх мэт алдартай үйл ажиллагаа явуулж байна. Би хуваалцсан нь хэрхэн харахын тулд нэг арга замыг харуулж байна. Жишээ нь: Bay Area Earthquake Бидний хоолой дамжуулан үнэхээр нийтлэл ажиллуулах болно. түүх: Title: Pleasanton хооронд 3.2-ийн магнитудтай ертөнцийг харуулсан Pleasanton хооронд 3.2-ийн магнитудтай ертөнцийг харуулсан CBS Bay Area, 7 Есдүгээр 2025 Source: Snippet: "Америкийн Geological Survey-ийн дагуу, Өнгөрсөн долоо хоногт Pleasanton хооронд 3.2-ийн түвшин эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим хүчтэй эрчим Эдгээр агентдын тус бүрийн асуултууд доор хуваалцсан: Fetcher Агент: нийтлэл текст уутгах. Passage Extractor: Ажлын хэмжээ, цаг хугацаа, байршуулалт, урсгал үздэг. Судалгааны Extractor: Pleasanton, USGS, East Bay-ийг мэдэгддэг. Сургалт Disambiguation: Pleasanton, CA, болон АНУ-ын Геологийн судалгааны талаархи шийдлүүд. Судалгааны Tagger: Pleasanton → байрладаг; USGS → Органи. Судалгааны хуваалцагч: Тохиромжтой эрчим хүч, орон нутгийн мэдээ, сейсмологи. Sentiment & Stance: нейтралтай, мэдээлэлтай. Tag Summarizer: : “A 3.2-magnitude quake hit Pleasanton; residents felt weak shaking.” Local News : “USGS confirmed the quake’s magnitude; no damage reported.” Natural Disaster Fact-Checker: USGS-ийн дамжуулан томъёо баталгаажуулдаг, Patch-ийн дамжуулан шахах долоо хоног. Персонализация & Ranking: Local News (Хэрэглэгчийн профиль Bay Area-ийг хамарсан) -ийг үздэг. Digest Compiler + Delivery: "Your Bay Area Update - Earthquake Alert" -ийг үзүүлээрэй. Зөвлөгөөний эхлэл нь бүтэцтэй, байршуулагдсан, факт шалгаж дижист байсан. Үзүүлэлт: Үзүүлэлт: Үзүүлэлт: Үзүүлэлт: Үзүүлэлт Энэ агент хоолой дээр хүчтэй зүйл нь энэ нь зөвхөн мэдээнд холбогдсон ямар ч зүйл юм. Энэ нь үнэхээр . framework for taking any content feed → extracting structure → producing a personalized digest Өөр нэг жишээ нь: . arXiv papers Өдөр бүр, машин суралцах, Компьютерийн үзэл, эсвэл Квант компьютерийн зэрэг ангилалтай судалгааны газрууд соронзон байна. Суралцагч хувьд асуултууд нь шинэчлэлтэй харьцуулалттай байдаг: маш их тоо, маш бага цаг хугацаа, зөвхөн хэд хэдэн газрууд үнэхээр чухал байдаг. Эдгээр Агентүүд хэрхэн хэрэглэж байна Fetcher Agent Татаж авах: arXiv RSS feed эсвэл API хайлт. Бүтээгдэхүүний: Газрын метадан (заглав, зохиогч, алдартай, ангилал) Passage Extractor Agent Татаж авах: Абстракт текст. Бүтээгдэхүүний: Key sentences (Problem statement, method, result) Named Entity Extractor Agent Татаж авах: Abstract Бүртгүүлэх: “Transformer”, “Federated Learning”, “TPU v5e” гэх мэт суурь. Entity Disambiguation Agent Тавтай морилно уу: Entities + контекст. Эдүүлбэр: Каноны ID-ийн холболт (жишээ нь, arXiv субъект кодыг, Википедиа бичлэгүүд). Entity Tagger Agent Тавтай морилно уу.Input: Resolved entities Бүтээгдэхүүний төрөл: Алгоритм, Dataset, Hardware, Domain. Topic Classifier Agent Татаж авах: Abstract embeddings Бүтээгдэхүүний: Тавтай морилно уу {Deep Learning, Reinforcement Learning, Distributed Systems} Sentiment & Stance Agent Татаж авах: Abstract Бүтээгдэхүүний: "Позитив үр дүнг" (модел SOTA-ийг 2% -ийг бооцоо), "Критик" (бухгалтер нь өмнөх асуултуудыг буцаж байна). Tag Summarizer Agent Тавтай морилно уу: Entities + Topics. Output: : “New optimizer reduces GPU communication overhead by 30%.” Distributed Training : “Transformer variant improves long-context understanding.” NLP Fact-Checker Agent Тавтай морилно уу: Тавтай морилно уу. Бүтээгдэхүүний: Цайрдсан бенчмаркийг харьцуулахад үндсэн баталгаажуулалт, өмнөх arXiv харьцуулалт. Personalization & Ranking Agent Тавтай морилно уу: Бүртгэл + хэрэглэгчийн профиль. Эдүүлбэр: Баярлагдсан жагсаалт — жишээлбэл, ML (0.9), систем (0.7), Теорийн (0.2). Digest Compiler Agent Бүтээгдэхүүний: Өдөрт "Research Digest" таны сонирхолтой асуултуудын дагуу багтаасан. Daily Digest Agent Output: Эмэйл / Slack хуваалцсан “Your Research Updates — Sept 7, 2025.” Үзүүлэлт Machine Learning "Distributed Training-ийн шинэ оптимизатор нь GPU-ийн харилцаа холбоо нь 30% -ийг багасгах болно." "Трансформер хувилбар урт контекст мэдрэмжийг сайжруулдаг." Systems "ТПУ-ийн ажлын ачаалалтыг шинэ хяналтын арга хэрэгсэл нь найдвартай байдлыг сайжруулдаг." Theory "Папир өндөр хэмжээгээр тохиргоог хязгаарлагдмал сэргээх өмнөны хязгаарлагдлыг харуулдаг." Бүх эрх хуулиар хамгаалагдсан Энэ бол: Мэдээ мэдээлэл газрууд (политик, санхүүгийн, Bay Area орон нутгийн шинэчлэл), Академик газрууд (arXiv, PubMed), Өргөтгөсөн компанийн өгөгдөл (Logs, metrics dashboards), Өөрөө . agent pipeline applies Та үргэлж хийж байна: Хөгжлийн контент Үйлчлүүлэгчид Эмэгтэйчүүдийн тодорхойлолт, тэднийг хязгаарладаг. Татаж авах & Классификатор Бүтээгдэхүүний тодорхойлолт, fact-check Хэрэглэгчийн профиль дээр суурилсан Rank. Өргөтгөл нь Digest. Энэ нь , болон агент нь хэрэглэх нь байгалийн арга юм. feed-to-digest pattern MCP: Агент хэлэх боломжийг олгодог протокол Хэрэв та хэд хэдэн агенттыг нэгтгэсэн үед, хоёр том асуултууд үзнэ үү: — How does the Passage Extractor know how to hand results to the Entity Disambiguation Agent? Inter-agent communication — How do agents fetch data from APIs (like arXiv, USGS, or RSS feeds) without each agent reinventing its own protocol? External integrations Энэ нь Дараа нь MCP (Model Context Protocol) MCP нь юу вэ? MCP-ийг гэж үзнэ үү . USB standard for AI agents Энэ нь хэрэгсэл, үйлчилгээг интерфэйс тодорхойлох. Энэ нь агентдын контекст (инваз, outputs, метаданс) дамжуулан хэрхэн тодорхойлох болно. Энэ нь интероперабилтыг боломжийг олгодог. Энэ нь цахилгаан хоолой хуваалцахгүйгээр нэг агент нь өөрсдийн хувьд хуваалцах боломжтой. MCP-ийн хувьд Passage Extractor нь Entity Tagger-ийн имплементацийн тодорхойлолт "тах" хэрэгтэй биш юм. Энэ нь зөвхөн MCP-ийн мэддэг формат дээр структурын өгөгдлийг (текст + эмчилгээ + tags) илгээх болно. Интернетийн холбоо Манай гагнуурын дотор: Fetcher Агент {title, body, url, timestamp} MCP формат дээр outputs. Passage Extractor нь {body} авч, {passages, embeddings} дамжуулдаг. Нэгдсэн Entity Extractor {passages} хэрэглэж, {entities} үйлдвэрлэж байна. Эмэгтэйчүүдийн хувьд Эмэгтэйчүүдийн хувьд Эмэгтэйчүүдийн хувьд Эмэгтэйчүүдийн хувьд Эмэгтэйчүүдийн хувьд Эмэгтэйчүүдийн хувьд Эмэгтэйчүүдийн хувьд Эмэгтэйчүүдийн хувьд Эмэгтэйчүүдийн хувьд Эмэгтэйчүүдийн хувьд Эмэгтэйчүүдийн хувьд Эмэгтэйчүүдийн хувьд Эмэгтэйчүүдийн хувьд Эмэгтэйчүүдийн хувьд Бүх агент нь MCP-ийг ашиглан нэг "хуудсыг" хэлдэг. Зохиогчийн эрх MCP нь гадна ажиллаж байна. Жишээ нь: Fetcher Агент нь MCP-ийг arXiv API-ийг эсвэл RSS feed-ийг зочилж ашигладаг. Fact-Checker Агент нь MCP-ийг Википедиа эсвэл шинэчлэл мэдээллийн сан дээр анхаарахын тулд ашигладаг. Daily Digest Агент MCP-ийг e-мэйл эсвэл Slack дамжуулан үр дүнг хүргэхэд ашигладаг. Ажлын ашиг нь агентүүд нь интеграцид болно Хэрэв энэ хэрэгсэл MCP-ийг хэлж байгаа бол, энэ нь таны ноутбук дээр ямар ч USB төхөөрөмжийг холбох шиг юм. any external tool Хэрэв энэ нь чухал MCP ямар ч, бүх агент нь өөрчилсөн адаптер хэрэгтэй - нэг удаагийн интеграцийг хязгааргүй. MCP нь: Стандарт контракт → Бүх агентдын тасалбар / тасалбар урьдчилан сэргийлэх болно. Plug-and-play архитектур → Та Sentiment Agent-ийг илүү сайн нэг нь өөрчилж болно. Скалинг → Десяткийн агентыг spaghetti кодгүйгээр координатж болно. Үүнээс гадна, MCP нь скрипт цуглуулах нь . modular, extensible agent platform Сэтгэгдэл үлдээх Хавтгай, ключ хэл дээр суурилсан жигнэмэгээс → агентлын газруудад → ихэвчлэн харьцуулалтын платформын аялал нь програм хангамжийн хөгжүүлэх талаар дэлгэрэнгүй байна: скриптээс систем, байгалийн системээс. Мэдээ мэдээлэл Өнөөдөр, arXiv долоо хоногт, дөрөвдүгээр хоногийн дөрөвдүгээр хоногийн дөрөвдүгээр хоногийн дөрөвдүгээр хоногийн дөрөвдүгээр сар: Тэгээд MCP-ийг хангахын тулд эдгээр агентлаас тусгаарлагдмал хакердсан бөгөөд илүү том, интерактив системний хэсэгт ажиллахад эхэлнэ. feed-to-digest, powered by agents. "Агентик AI" -ийг хамаарахгүй - хүчтэй суурилсан хэрэгслүүдтэй илүү сайн хэрэгслүүд бичнэ, LLM-ийг нэмэлт үнэ цэнэтэй болгон ашиглах: тэсвэрлэх, хуваалцах, өөрчилж. Дараагийн хэсэгт, би MCP-тэй Multi-Agent Systems-ийг хэрхэн хэрэглэж болно.
