คู่มือ AI ภาษา
สารย่อยและการแยกบริบท
ตัวแทนย่อยเป็นอินสแตนซ์แบบจำลองแยกต่างหากที่ตัวแทน AI หลักเริ่มจัดการงานย่อยที่มุ่งเน้นงานเดียว
ฟังคำแนะนำนี้บรรยายโดย AI · ~3 min
บนหน้านี้อ่าน 4 นาที
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
- กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
- การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
- รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
- 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
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