Различие между агентами ИИ и агентским ИИ стало решающим для разработчиков, создающих контейнерные приложения и микросервисы. Хотя эти термины звучат одинаково и часто путаются в технических дискуссиях, они представляют собой принципиально различные архитектурные шаблоны, которые напрямую влияют на то, как вы проектируете и развертывают системы ИИ в средах Kubernetes.
Архитектура микросервисов и агент AI могут показаться сопоставимыми на первом взгляде. Оба подхода справляются с сложностью, разбивая большие проблемы на более мелкие компоненты, которые работают на распределенной облачной инфраструктуре. Для получения дополнительной информации прочитайте мою статью, которая представляет концепцию агентов ИИ и агентских рабочих процессов для разработчиков микросервиса.
Сегодняшняя статья сравнивает агенты ИИ и агентские системы ИИ с использованием аналогий, знакомых Kubernetes и разработчикам контейнеров — подумайте о стручках, услугах, колясках, сетчах обслуживания и наблюдаемости. Мы будем держать определения простыми, избегая тяжелого жаргона, который может запутать инженеров DevOps. В конце концов, вы поймете, как один агент AI сравнивает с системой агентов, и где планируют планировщики, инструменты, память и внешние системы.
Что такое агент ИИ?
Агенты ИИ — это отдельные автономные программные предприятия, которые выполняют конкретные задачи посредством интеграции инструментов и быстрого разработки. Думайте о них как о одноцелевых микросервисах с возможностями ИИ. Каждый агент выполняет одну четко определенную ответственность, такую как обработка запросов клиентов, сброс паролей или анализ журналов. Они работают с использованием шаблона запроса-ответа и обычно поддерживают минимальное состояние между взаимодействиями.
Архитектура одного агента ИИ
Простой агент ИИ обычно включает в себя модель ИИ и некоторую логику времени выполнения. Он также может интегрироваться с хранилищем памяти или инструментами для расширения своих возможностей. Например, агенту может потребоваться запомнить контекст между запросами или получить информацию для выполнения своей задачи. Настройка агента ИИ может выглядеть как иллюстрация ниже.
Концептуальная диаграмма агента AI
На этой диаграмме агент (работающий в POD) подключается к векторной базе данных (которая действует как его память) и вызывает внешний сервис инструмента через API при необходимости. Вектор DB (память) сродни базе данных коляски, позволяя агенту хранить или извлекать контекст, так же, как микросервис, может использовать кэш или базу данных.
Внешняя служба инструмента аналогична другому микросервису, от которого зависит наш агент для конкретных функций (например, служба расчета). Агент ИИ автономно решает, когда использовать эти ресурсы. Как будто у агента есть коляска для памяти и знает, как вызывать другие службы в кластере. Агент по -прежнему сосредоточен на своей конкретной задаче и использует инструменты или источники данных в качестве помощников, а не пытаясь сделать все сам.
Что такое агент AI?
Агент ИИ представляет что -то более сложное. Это системы с участием нескольких агентов искусственного интеллекта, работающих вместе с помощью оркестровки, постоянной памяти и автономных возможностей принятия решений. Если агенты искусственного интеллекта являются микросервисами, то агент AI охватывает все ваше развертывание, включая сервисную сетку и архитектуру, управляемую событиями. Система может разложить сложные проблемы на подзадачи, координировать между специализированными агентами и адаптировать свою стратегию на основе опыта.
Если агенты ИИ являются микросервисами, то агент AI охватывает все ваше развертывание.
Например, рассмотрим сценарий электронной коммерции. У вас может быть ценовой агент, агент по инвентаризации и агент по обслуживанию клиентов, которые взаимодействуют друг с другом. Каждый агент может работать независимо по своей специальности, но они сотрудничают как микросервисы для общей цели приложения. Ценовой агент может автономно корректировать цены на основе рыночных данных, агент по инвентаризации может переупорядочить акции на основе прогнозируемого спроса, а агент поддержки может обрабатывать запросы клиентов. Они делятся информацией и координируют действия с помощью сообщений или общей памяти, так же, как микросервисы выделяют события или вызывают API друг друга.
Архитектура агента
По сути, агентские системы ИИ представляют представление о планировании и адаптации, в которой агенты могут формировать планы, вести обязанности или переходить на ответственность, если проблема не решена с первой попытки. Другими словами, система демонстрирует форму оркестровки с интеллектом, которая похожа на оркестр микросервисов с проводником, а не с одним рабочим процессом сценария.
Агенты могут самокорректировать и усовершенствовать свой подход на несколько шагов. Вот почему агент AI часто описывается как автономные агенты, организованные вместе для выполнения взаимозависимых задач, которые были бы слишком сложными для одного агента. Это концептуально похоже на запуск распределенного рабочего процесса на Kubernetes, где различная служба обрабатывает каждый шаг. Однако в этом сценарии каждый шаг/агент обладает автономией в том, как он достигает своей части.
Чтобы визуализировать это, вот простая последовательность в агентской системе, где один агент действует как планировщик, а другие — работники для подзадач:
В этом потоке агент планировщика принимает входящий запрос и разбивает его на части. Он делегирует задачу A к специализированному агенту работника A, который может вызвать внешний инструмент Service X (возможно, API MicroService или функция), а затем сохранить некоторый промежуточный результат в общем хранилище памяти. Затем задача B обрабатывается рабочим агентом B, который гласит, какой агент хранится и может вызвать службу инструментов Y. Планировщик собирает результаты и дает конечный результат для возврата.
Агентная система ИИ является концептуально сетью ИИ-управляемых стручков (агентов) с интеллектуальным наложением оркестровки.
Это напоминает динамический рабочий процесс, в котором планировщик служит службой оркестратора или контроллером Kubernetes, гарантируя, что каждый шаг (агент) выполняет свою работу. Обратите внимание, как агенты общаются: не напрямую через функциональные вызовы, как в одной программе, а с помощью общих ресурсов (память) или обмена сообщениями. Это сопоставимо с услугами, используя базу данных или шину событий для синхронизации. Хранилище памяти в этом примере действует как общее состояние общего кластера (аналогично карте конфигурации или базы данных, которые используют несколько служб), что позволяет агентам надежно передавать информацию.
В целом, агентская система ИИ является концептуально сетью стручков, управляемых ИИ (агентов) с интеллектуальным наложением оркестровки, а не набором изолированных интеллектуальных услуг.
Что дальше?
Для разработчиков контейнеров сообщение ясно. Агенты ИИ являются естественной эволюцией микросервисов, привнося интеллект в отдельные компоненты. Агент AI представляет собой следующее поколение распределенных систем, где автономные агенты сотрудничают для решения сложных задач.
Понимание этих моделей и их реализации в средах Kubernetes стало важным для создания современных облачных приложений. Инструменты и рамки, доступные сегодня, позволяют развертывать сложные системы ИИ с использованием знакомых контейнерных шаблонов оркестровки, что привлекло возможности ИИ в пределах досягаемости каждой команды разработчиков.
В будущих статьях я продемонстрирую, как запустить агенты ИИ и агентские системы в облачной местной среде. Следите за обновлениями.
Trending Stories youtube.com/thenewstack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Janakiram MSV является основным аналитиком в Janakiram & Associates и адъюнкт -преподавателем Международного института информационных технологий. Он также является квалифицированным Google Cloud Developer, сертифицированным архитектором решений Amazon, сертифицированным разработчиком Amazon, … Подробнее от Janakiram MSV
