Ce este comportamentul agentic
Paginile anterioare au arătat cum învățarea automată descoperă tipare în date și cum modelele de limbaj mari (LLM) stau la baza unor asistenți conversaționali de tipul ChatGPT sau Claude. Într-o conversație obișnuită, modelul are un rol pasiv. Utilizatorul trimite o întrebare, iar modelul scrie un răspuns, într-un singur pas (single-turn). Dacă răspunsul conține o greșeală de calcul, un link inventat sau cod care nu compilează, utilizatorul trebuie să testeze singur, să găsească problema și să ceară o corectură.
Cu comportamentul agentic (agentic behavior), lucrurile stau altfel. Un sistem agentic primește un obiectiv, nu doar o întrebare, și lucrează singur până îl atinge: explorează mediul de lucru, rulează comenzi, se uită la rezultate și își corectează pașii. Pentru asta, modelul singur nu ajunge. Este nevoie de un sistem construit în jurul modelului, care lasă pașii să ruleze unul după altul sau în paralel și face ca un pas să aștepte rezultatul altuia atunci când depinde de acel rezultat. Același sistem poate porni mai multe instanțe ale modelului deodată și îi dă acces la alte instrumente (tools), de la terminal la căutarea în fișiere. Ce întorc instrumentele ajunge înapoi la model, care înțelege rezultatul și decide pe această bază pasul următor.
De obicei, totul pornește de la un plan. Modelul scrie mai întâi planul, iar sistemul îl împarte în sarcini separate. Împărțirea poate fi foarte simplă, de exemplu tăierea textului planului la fiecare punct din listă. Sau poate fi mai sigură: modelul este antrenat să răspundă prin ieșire structurată (structured output), de exemplu JSON, pe care codul o citește fără ambiguități.
Ce face ca un sistem să fie „agentic”?
Secțiune intitulată „Ce face ca un sistem să fie „agentic”?”Diferența dintre un asistent conversațional și un sistem agentic ține de trei lucruri: cine ia inițiativa, dacă sistemul acționează asupra mediului și dacă vede efectele propriilor acțiuni.
| Asistent conversațional clasic | Sistem cu comportament agentic |
|---|---|
| Răspunde la o singură întrebare, într-un singur pas. | Urmărește un obiectiv care cere mai mulți pași. |
| Produce doar text (sau imagini) pe ecran. | Acționează direct asupra mediului, prin instrumente externe. |
| Nu poate verifica în practică dacă ce spune este corect. | Rulează teste, citește erorile din consolă și se corectează singur. |
| Reacționează doar când primește un mesaj nou de la utilizator. | Decide și acționează singur, pas cu pas, până termină sarcina. |
Modelul și harnașamentul
Secțiune intitulată „Modelul și harnașamentul”Modelul de limbaj este doar un sistem de raționament (reasoning engine), adică o rețea neuronală care calculează probabilități pentru secvențe de tokenuri. Singur, modelul nu are stare (stateless): nu își amintește nimic de la un apel la altul. Nu are nici „mâini”, nici memorie pe termen lung, nici acces la internet. Ce îl transformă într-un agent care poate acționa este sistemul software construit în jurul modelului, numit harnașament (harness sau scaffolding). Pagina despre RAG și apelul de instrumente explică cum primesc aceste matrice fixe de ponderi informații proaspete din lumea reală.
Bibliografie
Secțiune intitulată „Bibliografie”- Russell, S. și Norvig, P. (2020). Artificial Intelligence: A Modern Approach (ed. a 4-a). Pearson.
- Schluntz, E. și Zhang, B. (2024). Building effective agents. Blogul Anthropic.
- Sumers, T. R. et al. (2024). Cognitive Architectures for Language Agents. Transactions on Machine Learning Research.
- Wang, L. et al. (2023). A Survey on Large Language Model based Autonomous Agents. Preprint arXiv:2308.11432.
- Xi, Z. et al. (2023). The Rise and Potential of Large Language Model Based Agents: A Survey. Preprint arXiv:2309.07864.
- Yao, S. et al. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. ICLR 2023.
Cookie-uri
Site-ul folosește Google Analytics pentru statistici de trafic. Cookie-urile de analiză se activează doar după acceptare. Detalii în politica de cookie-uri.