Siku ya chatbots ya kibinafsi ya AI imeishia. Sasa tunakuja na umri wa : mifumo ambayo kwa vitendo, mipango, na kutekeleza kazi. Agentic AI Kwa mashirika, hii inawakilisha hatua ya uwezekano katika uzalishaji, lakini pia inaonyesha changamoto mpya za uhandisi. Katika makala hii, tutajifunza anatomia ya wafanyakazi wa AI, jinsi hatimaye imeboresha shinikizo la ushirikiano, na jinsi unaweza kuunda mifumo salama, yenye kupanua ambapo binadamu na wafanyakazi wanafanya kazi kwa ufanisi. Model Context Protocol (MCP) Ni nini mfanyakazi wa AI? Baadhi ya wafanyabiashara wa AI ni tu mwongozo wa mfumo na mkusanyiko wa zana zinazotumwa kwa mfano ambao hufanya kila kitu cha kufikiri. Hata hivyo, pia kuna wafanyabiashara wa nguvu zaidi wa AI ambao hutumia LLM kupendekeza na kupendekeza vitendo, kisha mfanyabiashara wa AI huendesha msimbo wake mwenyewe ili kufanya kazi kama vile: • Utekelezaji wa udhibiti: mashine ya hali, graphs ya kazi, retries, timeouts • Utekelezaji wa sera: auth, scope, RBAC, kuruhusu / kukataa sheria • Kufuatilia vitendo: ukaguzi wa mpango, filters usalama, sandboxing • Usimamizi wa kumbukumbu / hali: Databases, Vector Stores, hali ya mkusanyiko • Washirika wa kusimamia: ujumbe wa kutuma, utoaji wa majukumu, kupiga kura • Kuendesha kushindwa: rollbacks, vichaka vya mzunguko, binadamu-in-the-loop Wakati LLM ya kawaida (mfano wa lugha kubwa) ni wafuasi na anasubiri kuingia kwako ili kuzalisha majibu, mfanyabiashara wa AI ni kazi. Inatumia sababu ya kuvunja lengo katika hatua, huamua zana gani za kutumia, na hufanya vitendo ili kufikia matokeo. Mfumo wa agensi wa AI huanza kikao kwa kutuma LLM mwongozo wa mfumo, ambayo inaweza kuwa na ufafanuzi wa wafanyakazi wengi na zana zao. Baadhi ya zana hizi zinaweza kuruhusu wafanyakazi kuomba wafanyakazi wengine, kusimamia mazingira yenyewe, na hata kuchagua mfano kwa hatua inayofuata. 
 
 
 
 
 
 
 
 
 
 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. Mzunguko wa Ujumbe wa mtumiaji -> Mfano -> Output Lengo la mtumiaji -> LLM -> Uelewa / Mipango -> Matumizi ya Zana -> Hatua -> Uhakiki -> Matokeo Muhtasari wa Anatoa ushauri, lakini unapaswa kufanya kazi. Unawapa wawakilishi lengo na upatikanaji wa programu, wanarudi wakati kazi imekamilika. Utawala wa kujenga mifumo ya Agentic AI ni kupata mchanganyiko sahihi wa wafanyabiashara, zana, na maombi ambayo inaruhusu LLM kufikia malengo yako wakati bado hutoa ulinzi wa kutosha na ukaguzi. Kwa lengo hili, usimamizi wa zana na rasilimali zingine zinazopatikana kwa wafanyabiashara wa AI ni lengo kuu. Mfano wa Mkataba wa Mkataba wa Mkataba ni kiwango cha wazi kilichotolewa na Mnamo Novemba 2024, itajumuisha jinsi mifumo ya AI inavyoweza kuunganishwa na data na huduma za nje. ya MCP ya Anthropic Wazo nyuma ya MCP ni kwamba watoa API wote wa LLM kuruhusu LLM kuomba zana. watengenezaji wanaweza kufaidika na njia iliyoundwa ya kufafanua zana hizi na kuwawezesha LLM kwa njia moja kwa moja na kwa utaratibu. Kabla ya MCP, ushirikiano wa zana za chama cha tatu katika mifumo ya AI ya Agentic iliongeza shida nyingi. Lakini kwa kutoa interface ya kimataifa ya kusoma faili, kutekeleza kazi, na kushughulikia maombi ya mazingira, MCP inaruhusu mifano ya AI kufikia data wanahitaji kwa usalama na kwa utaratibu, bila kujali wapi habari hiyo iko. Tangu kutolewa kwake, mkataba huo umepitishwa na watoa huduma kubwa wa AI ikiwa ni pamoja na OpenAI na Google, kuimarisha jukumu lake kama kiwango cha sekta kwa ushirikiano wa mifumo ya AI. MCP inafanya kazi kupitia usanifu rahisi wa mteja-server na vipengele vitatu muhimu: 
 
 
 
 
 Programu ya mwenyeji kama vile Claude Desktop, IDEs za kisasa, au mfumo wako wa AI. MCP client ambayo huunda uhusiano wa moja kwa moja kutoka kwa mwenyeji hadi seva, mara nyingi uwezo wa ndani wa miundombinu ya AI. Mtandao wa MCP ambao unaonyesha zana, rasilimali, na maombi. Kiwango cha usafirishaji ambacho huendesha mawasiliano kati ya wateja na seva. MCP pia ilifungua mlango kwa mazingira ambapo jukwaa la tatu linaonyesha uwezo wao kwa wafanyabiashara wa AI kwa kuchapisha seva zao rasmi za MCP. ya ya na ya kuwa na seva zote zilizochapishwa za MCP. ya Microsoft AWS ya Atlas ya Maana ya mantiki MCP hupunguza tatizo muhimu, lakini ni moja tu kati ya wengi kwa wafanyabiashara. Hebu tuangalie jinsi ya kubuni mifumo salama ya AI ya Agent. Kuanzisha mlinzi juu ya Safe Agentic AI Agent ya AI inaweza kuwa mbaya sana. Kuna hatari nyingi kama vile: 
 
 
 
 
 
 Injection ya haraka ambayo inapiga mtiririko wa kazi ili kuondoa data au kutekeleza ransomware. Privilege kuongezeka kwa njia ya uendeshaji wa zana ambayo huondoa akaunti au kuondoa mifumo ya uzalishaji. Mzunguko usio na mwisho ambao unakaribisha mamilioni ya gharama za API. Matendo ya hallucinated ambayo huchochea biashara isiyowezekana au ukiukwaji wa utaratibu. **Token Torching **ambapo watendaji wa uharibifu wanapiga token kutumia kupitia MCP. Wafanyabiashara mara nyingi wanapewa upatikanaji wa API, kivinjari, na mifumo ya infra. Bila ulinzi, hii huongeza hatari zako kwa kiasi kikubwa. 
 
 
 
 
 
 
 Uhakiki wa kuingia, usimamizi wa output, na kuongezeka kwa binadamu katika mzunguko hufanya misingi ya uhakiki. Maamuzi hayajawahi kuwa huru kabisa wakati mzunguko wa mlipuko au athari ya kifedha ni kubwa. Sandboxing na mipaka ya ruhusa ya wazi kuzuia upatikanaji usioidhinishwa. Kila mfanyabiashara anapaswa kupokea utambulisho wa kipekee na uthibitisho wa chini na tokens za kipekee, badala ya urithi wa ruhusa za mtumiaji. Upatikanaji wa makosa kwa njia ya mantiki ya retry, mifano ya kurudi nyuma, na kugundua anomali inahakikisha kwamba mifumo hupungua kwa heshima wakati wa kushindwa. Ufuatiliaji wa kina uliotumika kwa njia ya telemetry ya kiwango, kumbukumbu ya muundo, kukusanya metric, na paneli za ufuatiliaji wa wakati halisi zinawezesha uchunguzi wa haraka na majibu. Uhandisi wa mifumo yenye ufanisi ya multi-agent inahitaji kubuni ya usanifu unaohusisha mfano mmoja au zaidi wa muungano: 
 
 
 
 Utaratibu wa kituo ambapo mfanyabiashara wa usimamizi anasimamia wafanyakazi maalum na kudumisha hali ya kimataifa. Mawasiliano ya peer-to-peer ambayo inaruhusu ushirikiano wa mfanyakazi kwa mfanyakazi. Uwakilishi wa kijiografia ambao huandaa wafanyabiashara katika ngazi za abstraction. Mazingira ya maendeleo kama vile Sumo Logic (mfumo wa Agentic AI kwa vituo vya uendeshaji wa usalama) inaweza kusaidia kwa kiasi kikubwa, kutoa miundombinu muhimu kwa ajili ya iteration salama kwenye mifumo ya Agentic kabla ya utengenezaji wa uzalishaji. Dojo AI imeundwa kwa makini kulingana na kanuni zake za kubuni na ulinzi. Wateja wanaweza kutumia Dojo AI kama ilivyo na wanaweza kujenga mazingira yao mwenyewe ya Agentic AI (kama Dojo AI) kwa ujuzi wao wa msingi wa AI. inakuwezesha kuendesha maswali ya data na kufanya simu za mfanyakazi wa Dojo AI wakati inahitajika kutoka kwa wafanyakazi wako wa AI. Dojo ya Huduma ya MCP ya Sumo Logic Kisha, hebu tuangalie baadhi ya njia tofauti ambazo watu huingiliana na mifumo ya Agentic AI. Jinsi watu kushirikiana na wafanyakazi wa AI Mfumo wa jadi unafuata mtiririko wa kazi ulioelezwa vizuri na algorithms zilizopangwa mapema. Input na output ya mtumiaji ni muundo kamili. Hata katika mifumo ya nguvu, input ya mtumiaji inaweza kudhibiti mtiririko. Hata hivyo, mifumo ya agensi ya AI ni tofauti. LLM inashughulikia mtiririko (katika trails zake). Watumiaji hutoa nia ya awali na motisha, na baadaye hufanya kazi kama watakubali na kazi ya gating. Hasa, mazungumzo ya maandishi ya bure ni mapya. Jinsi ya kufanya kazi vizuri zaidi na wafanyakazi hawa? Moja ya njia ya kawaida ya kuingiliana na wafanyabiashara wa AI ni kupitia chatbots, ambapo unaweza kubadilishana maandishi, picha, na faili na LLMs na wafanyabiashara wao. mazungumzo ya sauti pia yanaongezeka. Bila shaka, chatbots za kawaida kama ChatGPT, Gemini, na Claude Desktop hawajui wawakilishi wako nje ya sanduku. Chaguo jingine la kuvutia ni kujenga programu ya Slack ambayo inaruhusu wawakilishi kujiunga na njia, kuingiliana na watumiaji, kufuatilia moja kwa moja njia, na kujibu matukio moja kwa moja. Hii ni mazingira yenye utajiri kwa sababu inaruhusu binadamu na wawakilishi kushirikiana kwa urahisi. Uzoefu wa mtumiaji wa Slack tayari unasaidia njia za kikundi na viungo, hivyo wawakilishi wanaweza kuongeza maelezo kama vile mzunguko wao wa mawazo au maelezo bila kuharibu skrini. watumiaji wengi wa binadamu wanaweza kushirikiana na kila mmoja na wawakilishi wa AI wote katika channel moja. Ikiwa unahitaji uzoefu wa mtumiaji wa kipekee zaidi, unaweza kujenga tovuti ya kibinafsi, desktop, au programu ya simu kwa wawakilishi wako. Unaweza hata kuunda chatbot kama vile , mchanganyiko wa programu ya Slack, au mfuko wa kipekee wa wawakilishi kama . ya Mobot Dojo ya Mambo ya baadaye ya wafanyakazi Labda jambo muhimu zaidi kuelewa kuhusu wafanyabiashara wa AI ni kwamba wanakuja haraka kuliko unavyofikiria. Katika siku za nyuma, mapinduzi makubwa ya teknolojia kama vile kompyuta ya kibinafsi, mtandao, na simu za mkononi yalichukua miongo kadhaa kuja kila mahali na kasi ya uvumbuzi ilikuwa inaweza kusimamiwa. Wataalam wengi wanatabiri kwamba katika miaka michache ijayo, wafanyakazi wa AI watakuwa na uwezo wa kufanya kazi yoyote ya ujuzi bora kuliko watu bora. Watatoa ufumbuzi wa kisayansi na kutoa faida za uzalishaji usio na kipimo. Kazi ya mikono haipo mbali, na robots za binadamu zinafanya hatua kubwa zinazotumiwa na wafanyakazi wa AI. LLMs tayari wanaweza kutekeleza kazi nyingi pamoja na binadamu, ingawa hawana uwezo wa kupanga na kufanya kazi juu ya mipango ya muda mrefu, kukabiliana na utata, na kudumisha uwiano. Lakini na mtandao uliojengwa kwa makini wa wafanyabiashara na seti iliyochaguliwa ya zana ambazo zinashirikiana juu ya iterations kadhaa ili kutimiza kazi za muda mrefu, vikwazo hivi vinaondolewa. Standard ya viwanda Sisi ni kuanza sasa kuona standardization ya mbinu, zana, na muundo kwa wafanyakazi wa AI. Kwa mfano, ni mwanzo mpya chini ya Linux Foundation kuhakikisha Agentic AI inaendelea kwa njia ya wazi na ya ushirikiano. ni pamoja na Anthropic, OpenAI, Amazon, Google, Microsoft na Block. Ni mwenyeji wa teknolojia kadhaa za agensi zilizojulikana, ikiwa ni pamoja na MCP, goose, na . Mfuko wa Agentic AI Foundation (AAIF) Wanachama wa wa wa wa wa wa wa wa Kuna kazi nyingine za wazi pia, ikiwa ni pamoja na Google. na ya (Vilevile inajulikana kwa jina la Anthropic). Mpango wa Agent2Agent (A2A) Uwezo wa Agent Uzoefu wa mtumiaji wa Dynamic Mafanikio ya uzoefu wa mtumiaji ni juu ya UI ya uzalishaji. LLM na wawakilishi watengeneza UI sahihi kwenye fly kulingana na swali, mtumiaji, historia ya mazungumzo, na zaidi. Kwa mfano, ikiwa unauliza kuhusu soko la hisa, badala ya kutoa maelezo ya jumla ya habari za biashara ya leo, mfumo wa AI unaweza kuamua kuonyesha muda wa kihistoria na chati ya keki na nafasi zako za sasa pamoja na viungo kwa vifaa vya elimu vinavyohusiana. Mabadiliko kwa watendaji Mabadiliko ya agensi ni hapa. Tunaendelea kutoka kwa uzalishaji wa maandishi wa kutosha hadi kazi ya kujitegemea. Kama tulivyoona, mabadiliko haya yanahitaji zaidi ya mifano mpya tu. Inahitaji usanifu wa makini. Ili kuwa na mafanikio, mashirika yanapaswa kuzingatia: 
 
 
 
 Utekelezaji wa Mkataba wa Mfano wa Mkataba wa Mkataba (MCP). Kwenda zaidi ya maagizo rahisi kwa mkakati wa "kulinda kwa kina". Kujenga interfaces, kama vile programu za Slack na UI za kibinafsi, ambapo wanadamu hutoa nia na wawakilishi kukabiliana na utekelezaji. Wafanyabiashara wa AI wanaweza haraka kushinda wafanyabiashara wa juu wa maarifa ya kibinadamu, kufungua faida kubwa za kisayansi na uzalishaji, na hatimaye kupanua kazi ya kimwili kupitia robotics. Kuwa na siku nzuri kweli!

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

Sauti hii imetolewa katika lugha asilia ya hadithi!

Ndefu sana; Kusoma

MCP ilionyesha: Mkataba ambao unblocked ecosystems ya kweli ya AI Agent

MCP ilionyesha: Mkataba ambao unblocked ecosystems ya kweli ya AI Agent

About Author

MAONI

HANG TAGS

MAKALA HII ILIWASILISHWA NDANI

Related Stories

Sweet Security Unveils First Unified Detection And Response Platform

Details of the Aerial Voyage.—Kennedy silenced

Master Crypto Security: Your Complete Guide to Safe Wallet Management

Speed up Swift compile time

Sweet Security Unveils First Unified Detection And Response Platform

Details of the Aerial Voyage.—Kennedy silenced

Master Crypto Security: Your Complete Guide to Safe Wallet Management

Speed up Swift compile time

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps