คู่มือ AI ภาษา

สารย่อยและการแยกบริบท

ตัวแทนย่อยเป็นอินสแตนซ์แบบจำลองแยกต่างหากที่ตัวแทน AI หลักเริ่มจัดการงานย่อยที่มุ่งเน้นงานเดียว

ฟังคำแนะนำนี้บรรยายโดย AI · ~3 min

บนหน้านี้อ่าน 4 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของตัวแทนย่อยและการแยกบริบท
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

ได้รับหน้าต่างบริบทใหม่ของตัวเองและส่งกลับเฉพาะผลลัพธ์แบบย่อเท่านั้น ซึ่งจะทำให้บริบทของตัวแทนหลักสั้นและตรงประเด็น และช่วยให้งานอิสระดำเนินไปพร้อมๆ กัน โดยต้องเสียโทเค็นเพิ่มเติม และความเสี่ยงที่รายละเอียดสำคัญจะสูญหายไปในแฮนด์ออฟ

เจาะลึก

โมเดลภาษาทำงานภายในหน้าต่างบริบทที่จำกัด และคุณภาพมักจะลดลงเมื่อหน้าต่างนั้นเต็มไปด้วยผลการค้นหา เนื้อหาไฟล์ และเอาท์พุตเครื่องมือเก่า แม้ว่าจะถึงขีดจำกัดฮาร์ดก็ตาม ตัวแทนย่อยจะจัดการกับเรื่องนี้โดยการแบ่งงาน ตัวแทนหลัก ซึ่งบางครั้งเรียกว่าผู้เรียบเรียงหรือหัวหน้า จะเขียนคำอธิบายงานและเริ่มตัวแทนย่อยด้วยบริบทที่ชัดเจน โดยมักจะใช้ชุดเครื่องมือที่แคบกว่า ตัวแทนย่อยสำรวจ เรียกเครื่องมือและเหตุผล จากนั้นส่งสรุปกลับมา เฉพาะบทสรุปนั้นเท่านั้นที่เข้าสู่บริบทของตัวแทนหลัก ลายปรากฏในสินค้าจริง ตัวอย่างเช่น Claude Code ช่วยให้ผู้ใช้กำหนดตัวแทนย่อยด้วยคำสั่งและการอนุญาตเครื่องมือของตนเอง และตัวแทนการเขียนโค้ดและการวิจัยหลายรายส่งงานสำรวจไปยังผู้ปฏิบัติงานแบบขนาน Anthropic ได้เขียนเกี่ยวกับระบบการวิจัยหลายตัวแทน โดยที่ตัวแทนหลักดำเนินการตัวแทนย่อยพร้อมกัน รายงานผลกำไรจากคำถามวิจัยกว้างๆ และการใช้โทเค็นที่สูงกว่าตัวแทนเพียงรายเดียวมาก การแลกเปลี่ยนมีจริง ค่าใช้จ่ายเพิ่มขึ้นเนื่องจากแต่ละตัวแทนย่อยโหลดคำสั่งซ้ำและทำการสำรวจซ้ำ การประสานงานยากขึ้น: ตัวแทนย่อยที่ขนานกันไม่สามารถมองเห็นงานของกันและกันได้ ดังนั้นพวกเขาจึงอาจทำซ้ำความพยายามหรือตัดสินใจเลือกที่เข้ากันไม่ได้ นั่นเป็นปัญหาเฉพาะเมื่อมีการเชื่อมโยงงานอย่างแน่นหนา เช่น การเขียนส่วนต่างๆ ของโค้ดชิ้นเดียว ข้อมูลสูญหายเนื่องจากการสรุปลงรายละเอียดที่ตัวแทนหลักอาจต้องการ และตัวแทนย่อยรู้เพียงว่าคำอธิบายงานบอกอะไรเท่านั้น ความเข้าใจผิดประการหนึ่งคือตัวแทนจำนวนมากย่อมหมายถึงผลลัพธ์ที่ดีกว่าเสมอ ผู้ปฏิบัติงานบางคนแย้งว่าสำหรับงานที่เชื่อมโยงกันอย่างแน่นหนา เอเจนต์เดี่ยวที่มีบริบทที่ได้รับการจัดการอย่างดีจะมีความน่าเชื่อถือมากกว่า ตัวแทนย่อยทำงานได้ดีที่สุดสำหรับงานที่ต้องเป็นอิสระ เน้นการอ่าน และสรุปได้ง่าย: การค้นหา การสำรวจ การตรวจสอบ และการรวบรวม

การใช้งานจริงในโลกแห่งความเป็นจริง

เอเจนต์การเข้ารหัสที่ถูกขอให้แก้ไขข้อบกพร่องจะเริ่มต้นเอเจนต์ย่อยเพื่อค้นหาพื้นที่เก็บข้อมูลขนาดใหญ่สำหรับผู้เรียกใช้ฟังก์ชันทุกคน ตัวแทนย่อยอ่านไฟล์หลายสิบไฟล์และส่งคืนรายการตำแหน่งสิบบรรทัด ดังนั้นบริบทของตัวแทนหลักจะไม่เต็มไปด้วยเนื้อหาไฟล์

ผู้ช่วยวิจัยเริ่มต้นตัวแทนย่อยสามคนพร้อมกัน หนึ่งคำถามต่อคำถามย่อย โดยแต่ละคนค้นหาเว็บด้วยตัวมันเอง ตัวแทนหลักจะรวมสรุปสั้นๆ ไว้ในรายงานฉบับเดียว

การตั้งค่าการตรวจสอบโค้ดจะให้ตัวแทนย่อยเฉพาะส่วนต่างและรายการตรวจสอบการตรวจสอบ เนื่องจากไม่เห็นเหตุผลก่อนหน้านี้ของตัวแทนหลัก จึงมีโอกาสน้อยที่จะแบ่งปันสมมติฐานของตัวแทนนั้นว่าทำไมรหัสถึงถูกต้อง

ทีมงานพบว่าตัวแทนย่อยบอกเพียง 'ตรวจสอบการทดสอบ' ให้รันทั้งชุดใหม่และรายงานความล้มเหลวที่ไม่เกี่ยวข้อง พวกเขาแก้ไขโดยให้ไฟล์ทดสอบ เป้าหมาย และรูปแบบที่ต้องการกลับแก่ตัวแทนย่อย

อนาคตของตัวแทนย่อยและการแยกบริบท

ตัวแทนย่อยกำลังกลายเป็นคุณสมบัติมาตรฐานของตัวแทนการเขียนโค้ดและการวิจัย ด้วยการสนับสนุนที่เพิ่มขึ้นสำหรับคำจำกัดความที่กำหนดเอง การอนุญาตเครื่องมือต่อตัวแทนย่อย และการดำเนินการแบบขนาน คำถามปลายเปิด ได้แก่ วิธีส่งสถานะที่ใช้ร่วมกันที่สมบูรณ์ยิ่งขึ้นระหว่างเจ้าหน้าที่โดยไม่ทำให้บริบทขยายกลับมา และวิธีตัดสินใจโดยอัตโนมัติเมื่อแบ่งงานอย่างคุ้มค่า หน้าต่างบริบทที่ใหญ่ขึ้นและการจัดการบริบทที่ดีขึ้น เช่น การสรุปอัตโนมัติ อาจลดความจำเป็นในการใช้ตัวแทนย่อยในบางกรณี การแยกตัวยังมีประโยชน์ในตัวมันเอง รวมถึงมุมมองใหม่ การทำงานแบบคู่ขนาน และการอนุญาตที่เข้มงวดยิ่งขึ้น ดังนั้นรูปแบบจึงมีแนวโน้มที่จะยังคงมีประโยชน์อยู่

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • ความเร็วและขนาด. ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
  • เข้าถึงและเข้าถึง. ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
  • การตัดสินใจที่ชัดเจนยิ่งขึ้น. ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ

ระวัง

  • ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
  • ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
  • ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ

ขั้นตอนต่อไป

  1. กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
  2. การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
  3. รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
  4. ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

Take the Subagents and Context Isolation quiz

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

Subagents และ Context Isolation คืออะไร?

ตัวแทนย่อยเป็นอินสแตนซ์แบบจำลองแยกต่างหากที่ตัวแทน AI หลักเริ่มจัดการงานย่อยที่มุ่งเน้นงานเดียว ได้รับหน้าต่างบริบทใหม่ของตัวเองและส่งกลับเฉพาะผลลัพธ์แบบย่อเท่านั้น ซึ่งจะทำให้บริบทของตัวแทนหลักสั้นและตรงประเด็น และช่วยให้งานอิสระดำเนินไปพร้อมๆ กัน โดยต้องเสียโทเค็นเพิ่มเติม และความเสี่ยงที่รายละเอียดสำคัญจะสูญหายไปในแฮนด์ออฟ

อะไรแยกตัวแทนย่อยออกจากตัวแทนหลักเป็นหลัก?

การแยกบริบทเป็นคุณลักษณะที่กำหนด รายละเอียดการทำงานของตัวแทนย่อยไม่อยู่ในบริบทหลัก และจะแสดงเฉพาะข้อมูลสรุปเท่านั้น

เหตุใดหน้าต่างบริบทการเติมจึงเป็นปัญหาได้ก่อนที่จะถึงขีดจำกัดสูงสุด

ผลการค้นหาเก่าๆ และเนื้อหาไฟล์จำนวนมากอาจทำให้ความสนใจของโมเดลต่อสิ่งที่สำคัญในขณะนี้ลดลงได้

งานใดเหมาะสมที่สุดสำหรับตัวแทนย่อย?

การค้นหามีความเป็นอิสระ ต้องใช้การอ่านมากและสรุปได้ง่าย ซึ่งเป็นจุดที่ตัวแทนย่อยทำงานได้ดีที่สุด

แหล่งที่มาหลักของการสูญเสียข้อมูลด้วยตัวแทนย่อยคืออะไร?

ข้อมูลสูญหายไปในทั้งสองทิศทาง: แฮนด์ออฟจะจำกัดสิ่งที่ตัวแทนย่อยรู้ และสรุปจะจำกัดสิ่งที่กลับมา

เหตุใดการตั้งค่าหลายตัวแทนจึงมักต้องใช้โทเค็นมากกว่า

ตัวแทนย่อยทุกรายเริ่มต้นใหม่ ดังนั้นการตั้งค่าที่ใช้ร่วมกันและการสำรวจที่ทับซ้อนกันจึงได้รับค่าตอบแทนมากกว่าหนึ่งครั้ง

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →