Doba pasívnych chatbotov AI sa končí. Systémy, ktoré aktívne uvažujú, plánujú a vykonávajú úlohy. Agentic AI Pre organizácie to predstavuje potenciálny skok v produktivite, ale zavádza aj nové inžinierske výzvy.Prechod z jednoduchého výzvy na spoľahlivý ekosystém agentov si vyžaduje novú, robustnú architektúru. V tomto článku budeme skúmať anatómiu AI agentov, ako konečne vyriešil integračnú prekážku a ako môžete vytvoriť bezpečné, škálovateľné systémy, kde ľudia a agenti efektívne spolupracujú. Model Context Protocol (MCP) Čo je AI agent? Niektorí agenti AI sú jednoducho systémovou výzvou a zbierkou nástrojov, ktoré sú poslané do modelu, ktorý robí všetko myslenie. Avšak existujú aj silnejší agenti AI, ktorí používajú LLM na odporúčanie a navrhovanie akcií, potom agent AI spúšťa svoj vlastný kód na vykonávanie funkcií, ako sú: • Ovládanie vykonávania: stavové stroje, grafy úloh, retries, časy • Enforce policy: auth, scope, RBAC, povoliť / poprieť pravidlá • Validácia akcií: kontroly schém, bezpečnostné filtre, sandboxing • Správa pamäte / stavu: databázy, vektorové úložiská, stav relácie • Koordinácia agentov: odovzdávanie správ, oddelenie rolí, hlasovanie • Zlyhanie manipulácie: rollbacky, prerušovače obvodov, ľudské v kruhu Zatiaľ čo štandardný LLM (široký jazykový model) je pasívny a čaká na váš vstup, aby generoval odpoveď, agent AI je aktívny. Agentové systémy AI iniciujú reláciu zaslaním LLM systémovej výzvy, ktorá môže zahŕňať definíciu viacerých agentov a ich nástrojov.Niektoré z týchto nástrojov môžu agentom umožniť zavolať iných agentov, spravovať samotný kontext a dokonca vybrať model pre ďalší krok. 
 
 
 
 
 
 
 
 
 
 LLM Chatbot 
 AI Agent 
 
 
 
 
 Flow 
 User Input -> Model -> Output 
 User Goal -> LLM -> Reasoning/Planning ->  Tool Use -> Action -> Verification -> Output 
 
 
 
 
 Summary 
 Gives you advice but you have to do the work. 
 You give the agents a goal and access to software, they come back when the job is done. prúdenie Používateľský vstup -> Model -> Výstup Užívateľský cieľ -> LLM -> Rozum a plánovanie -> Používanie nástrojov -> Akcia -> Overovanie -> Výstup Zhrnutie Dáva vám rady, ale musíte urobiť prácu. Dáte agentom cieľ a prístup k softvéru, vrátia sa, keď je práca dokončená. Zvládnutie budovania systémov agentúrnej AI je nájsť správnu kombináciu agentov, nástrojov a výziev, ktoré umožnia LLM dosiahnuť vaše ciele a zároveň poskytnúť adekvátnu ochranu a overenie. Na tento účel je hlavným zameraním riadenie nástrojov a iných zdrojov dostupných pre agentov AI. Modelový kontextový protokol je otvorený štandard zavedený v novembri 2024. štandardizuje spôsob, akým sa systémy AI pripájajú k externým údajom a službám. MCP Antropický Myšlienka za MCP je, že všetci poskytovatelia API LLM umožňujú LLM zavolať nástroje. vývojári môžu ťažiť zo štruktúrovaného spôsobu definovania týchto nástrojov a sprístupniť ich LLM jednotným a konzistentným spôsobom. Pred MCP, integrácia nástrojov tretej strany do systémov agentúry AI pridal veľa trenia. ale tým, že poskytuje univerzálne rozhranie pre čítanie súborov, vykonávanie funkcií a zaobchádzanie s kontextové výzvy, MCP umožňuje modelom AI prístup k údajom, ktoré potrebujú bezpečne a konzistentne, bez ohľadu na to, kde táto informácia žije. Od svojho vydania bol protokol prijatý veľkými poskytovateľmi AI vrátane OpenAI a Google, čím sa posilnila jeho úloha ako priemyselného štandardu pre integráciu systémov AI. MCP funguje prostredníctvom jednoduchej architektúry klient-server so štyrmi kľúčovými komponentmi: 
 
 
 
 
 Hostiteľská aplikácia, ako je napríklad Claude Desktop, moderné IDEs alebo váš systém AI. MCP klient, ktorý vytvára jeden-na-jeden pripojenia z hostiteľa na server, často vstavaná schopnosť AI rámcov. MCP server, ktorý vystavuje nástroje, zdroje a výzvy. Transportná vrstva, ktorá spravuje komunikáciu medzi klientmi a servermi. MCP tiež otvoril dvere do ekosystému, kde platformy tretích strán vystavujú svoje schopnosti agentom AI tým, že vydávajú svoje vlastné oficiálne servery MCP. , , , , , a Všetci používajú MCP servery. Microsoftu AWS atlasov Sumo logika MCP rieši dôležitý problém, ale je to len jeden z mnohých pre agentov. Poďme sa pozrieť na to, ako navrhnúť bezpečné systémy agentov AI. Navrhovanie bezpečných agentúrnych AI systémov Agentická AI môže ísť katastrofálne zle. Existuje niekoľko rizík, ako sú: 
 
 
 
 
 
 Prompt injekcie, ktoré únosy pracovných postupov na exfiltráciu údajov alebo spustenie ransomware. Privilege eskalácia prostredníctvom reťazca nástrojov, ktoré vypúšťajú účty alebo vymažú výrobné systémy. Nekonečné kruhy, ktoré spaľujú milióny v nákladoch na API. Hallucinované akcie, ktoré vyvolávajú nezvratné obchody alebo porušenia súladu. **Token Torching **kde škodliví aktéri uniesť token stráviť cez MCP. Agentom sa často zveruje prístup k API, prehliadačom a infračerveným systémom. Bez ochranných opatrení to výrazne zosilňuje vaše riziká. 
 
 
 
 
 
 
 Validácia vstupov, audit výstupov a eskalácia človeka v kruhu tvoria chrbticu overovania. Rozhodnutia nie sú nikdy plne autonómne, keď je polomer výbuchu alebo finančný vplyv vysoký. Sandboxing a výslovné obmedzenia povolení zabraňujú neoprávnenému prístupu. Každý agent by mal dostávať odlišnú identitu s najmenej privilegovanými poverením a rozsahovými žetónmi, namiesto toho, aby zdedil povolenia používateľa. Tolerancia chýb prostredníctvom retry logiky, modelov fallback a detekcie anomálií zaisťuje, že systémy sa pri zlyhaní zhoršujú. Hlboká pozorovateľnosť implementovaná prostredníctvom štandardizovanej telemetrie, štruktúrovaného zaznamenávania, zberu metrík a monitorovacích dosiek v reálnom čase umožňuje rýchlu detekciu a reakciu. Inžinierstvo efektívnych multiagentových systémov si vyžaduje úmyselný architektonický dizajn, ktorý zahŕňa jeden alebo viacero koordinačných vzorov: 
 
 
 
 Centralizovaná orchestrácia, pri ktorej dozorný agent koordinuje špecializovaných pracovníkov a udržiava globálny stav. Decentralizovaná komunikácia peer-to-peer, ktorá umožňuje flexibilnú interakciu agent-to-agent. Hierarchická delegácia, ktorá organizuje agentov do úrovní abstrakcie. Rozvojové prostredie ako Sumo Logic (agentská AI platforma pre bezpečnostné operačné centrá) môže významne pomôcť poskytnutím základnej infraštruktúry pre bezpečnú iteráciu na agentových systémoch pred nasadením výroby. Dojo AI je starostlivo navrhnutá podľa svojich princípov dizajnu a ochranných opatrení. Zákazníci môžu používať Dojo AI tak, ako je, a môžu vytvoriť svoje vlastné agentové AI prostredie (podobné Dojo AI) pre svoje vlastné základné kompetencie založené na AI. Umožňuje spúšťať dátové dotazy a uskutočňovať hovory agentov Dojo AI v prípade potreby od svojich vlastných agentov AI. Dojo AI Sumo Logic MCP server Ďalej sa pozrime na niektoré z rôznych spôsobov, akými ľudia interagujú so systémami agentúrnej AI. Ako ľudia spolupracujú s agentmi AI Tradičné systémy nasledujú dobre definovaný pracovný postup a vopred naprogramované algoritmy.Vstupy a výstupy používateľov sú plne štruktúrované.Aj v dynamických systémoch môžu vstupy používateľov deterministicky kontrolovať tok. Agentové systémy AI sú však odlišné. LLM riadi tok (v rámci svojich strážnych pruhov). Používatelia poskytujú počiatočný zámer a motiváciu a neskôr fungujú ako schvaľovatelia a funkcia gating. Ako teda najlepšie spolupracovať s týmito agentmi? Jedným z najbežnejších spôsobov interakcie s agentmi AI je prostredníctvom chatbotov, kde si môžete vymieňať text, obrázky a súbory s LLM a ich agentmi. Samozrejme, všeobecné chatboty ako ChatGPT, Gemini a Claude Desktop si nie sú vedomí vašich agentov mimo krabice. Ďalšou zaujímavou možnosťou je vytvoriť aplikáciu Slack, ktorá umožní agentom pripojiť sa k kanálom, komunikovať s používateľmi, automaticky monitorovať kanály a automaticky reagovať na udalosti. Toto je bohaté prostredie, pretože umožňuje ľuďom a agentom hladko spolupracovať. Užívateľská skúsenosť Slack už podporuje skupinové kanály a pramene, takže agenti môžu pridávať detaily, ako je ich reťaz myšlienok alebo citácií, bez toho, aby zasahovali do obrazovky. Ak potrebujete ešte špecializovanejšie používateľské skúsenosti, môžete vytvoriť vlastnú webovú, stolnú alebo mobilnú aplikáciu pre svojich agentov. Môžete dokonca vytvoriť chatbot ako , integrácia aplikácií Slack alebo vlastný súbor agentov ako . Mobot Dojo AI Budúcnosť agentov Možno najdôležitejšou vecou, ktorú treba pochopiť o AI agentoch, je to, že prichádzajú rýchlejšie, než si myslíte.V minulosti, veľké technologické revolúcie, ako sú osobné počítače, internet a mobilné telefóny, trvali desaťročia, kým sa stali všadeprítomnými a tempo inovácií bolo zvládnuteľné. Mnohí odborníci predpovedajú, že len v najbližších niekoľkých rokoch budú agenti AI schopní vykonávať akúkoľvek vedomostnú prácu lepšie ako najlepší ľudia. Odomknú vedecké objavy a poskytnú bezprecedentné zisky v produktivite. LLM už môžu vykonávať mnoho úloh, rovnako ako ľudia, hoci im chýba schopnosť plánovať a prevádzkovať cez dlhé časové horizonty, zaobchádzať so zložitosťou a udržiavať súdržnosť. Ale s starostlivo konštruovanou sieťou agentov a kurátorským súborom nástrojov, ktoré spolupracujú cez viaceré iterácie na splnenie úloh s dlhým horizontom, sa tieto obmedzenia odstraňujú. priemyselná normalizácia Začíname teraz vidieť štandardizáciu techník, nástrojov a formátov pre agentov AI. je nová iniciatíva v rámci nadácie Linux Foundation na zabezpečenie toho, aby sa Agentická AI vyvíjala otvoreným a spolupracujúcim spôsobom. zahŕňajú Anthropic, OpenAI, Amazon, Google, Microsoft a Block. Hostia niekoľko prominentných agentových technológií, vrátane MCP, goose a . Nadácia agentúry AI (AAIF) členov Správca.md Existujú aj iné významné otvorené úsilie, vrátane Google a (Tiež pochádza z antropofýzy) Protokol Agent2Agent (A2A) Agent zručnosti Dynamické užívateľské skúsenosti Budúcnosť užívateľskej skúsenosti je o generatívnom používateľskom rozhraní. LLM a agenti vytvoria vhodný používateľský rozhranie v závislosti od dotazu, používateľa, histórie konverzácie a ďalšieho. Napríklad, ak sa pýtate na akciový trh, namiesto toho, aby ste poskytli všeobecný prehľad dnešných obchodných správ, systém AI sa môže rozhodnúť zobraziť historickú časovú čiaru a koláč s vašimi aktuálnymi pozíciami, ako aj odkazy na relevantný vzdelávací materiál. Zmeny pre agentov Agentická zmena je tu. Prechádzame z pasívnej generácie textu na aktívnu, autonómnu prácu. Ako sme videli, táto zmena si vyžaduje viac ako len nové modely. Aby boli organizácie úspešné, mali by sa zamerať na: 
 
 
 
 Využitie modelového kontextu protokolu (MCP). Presun nad rámec jednoduchých výziev k stratégii "obrany v hĺbke". Navrhovanie rozhraní, ako sú aplikácie Slack a vlastné používateľské rozhranie, kde ľudia poskytujú zámer a agenti sa zaoberajú vykonávaním. Agentúry AI môžu čoskoro prekonať špičkových pracovníkov v oblasti ľudských vedomostí, odomknúť významné vedecké a produktivitné zisky a nakoniec sa rozšíriť na fyzickú prácu prostredníctvom robotiky. Majte naozaj skvelý deň!

2022 - HackerNoon Contributor of the Year - Cloud Computing

2022 - HackerNoon Contributor of the Year - Design

2022 - HackerNoon Contributor of the Year - Heroku

2022 - HackerNoon Contributor of the Year - Javascript

2022 - HackerNoon Contributor of the Year - Salesforce

2022 - Hackernoons Tech Storyteller of the Year

I ♥ writing code. Find me on GitLab.

Nominated for 2022 - HackerNoon Contributor of the Year - Javascript

Nominated for 2022 - Hackernoons Tech Storyteller of the Year

Nominated for 2022 - HackerNoon Contributor of the Year - Cloud Computing

Nominated for 2022 - HackerNoon Contributor of the Year - Heroku

Nominated for 2022 - HackerNoon Contributor of the Year - Design

Nominated for 2022 - HackerNoon Contributor of the Year - Salesforce

Tento zvuk je vyrobený v pôvodnom jazyku príbehu!

Príliš dlho; Čítať

MCP vysvetlil: Protokol, ktorý odblokoval skutočné ekosystémy agentov AI

MCP vysvetlil: Protokol, ktorý odblokoval skutočné ekosystémy agentov AI

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

112 Stories To Learn About Hackernoon Community

Behavior of a shapely Spider

Code Smell 298 - How to Fix Microsoft Windows Time Waste

16 Best Sklearn Datasets for Building Machine Learning Models

112 Stories To Learn About Hackernoon Community

Behavior of a shapely Spider

Code Smell 298 - How to Fix Microsoft Windows Time Waste

16 Best Sklearn Datasets for Building Machine Learning Models

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps