AI агенттері саласындағы терминология және олардың мағынасы

Жасанды интеллект агенттері сөздері мен түсініктері жылдам дамыған салада кейде шатасу мен түсінбеушілік тудырады. Бұл әсіресе «harness», «scaffold» деген ұғымдардың мағынасын анығын түсіндіру кезінде айқын байқалады. Көпшілік үшін бұл терминдердің мағынасы түрлі контекстерде әртүрлі айтылып, бірізді түсінік қалыптаспайды. Осы мақалада осы негізгі терминдерді нақтылап, олардың арасындағы айырмашылықтар мен байланыстар негізделеді.

AI агенттерінің негізгі құрамдастары және терминдер

Модель

Модель дегеніміз – ірі тілдік модель (LLM), ол мәтін қабылдап, мәтін шығарады (Claude, Qwen, GPT, Kimi, DeepSeek және т.б.). Жалпы түрде модель әр шақырылғанда жадыны сақтамайды, яғни оқиғаларды немесе диалогты есінде ұстау қабілеті болмайды. Модель бағытталған құралдарды шақырту туралы ниет білдіре алады, бірақ өздігінен оларды орындауға мүмкіндік жоқ. Бір сұрауға жауап беріп, содан кейін тоқтайды. Модельді арнайы қабаттармен қоршау арқылы оның функционалы кеңейеді, сол кезде ол агентке айналады.

Scaffold (құрылымдық негіз)

Scaffold – модельдің айналасындағы мінез-құлықты анықтайтын қабат. Бұл – жүйелік шақырулар (system prompt), құрал сипаттамалары, модельдің жауаптарын түсіндіру тәсілдері және жадты басқару сияқты элементтерден тұрады. Scaffold модельге әлемді қалай көретіні мен әрекет ету режимін қалыптастырады, бұл жаттықтыру мен нәтижелер алу кезінде маңызды. Кейбір өнімдерде (мысалы Claude Code, Codex) scaffold мен harness бірдей мағынада қолданылады, бірақ нақты тұрғыда scaffold – модель жұмыс істейтін негізгі нұсқаулықтар мен құралдар жиынтығы. Сонымен қатар, scaffold термині кейде harness-ке қажетті инфрақұрылымдарды – конфигурациялар, кітапханалар немесе құрылымдық каталогтар ретінде де аталады.

Harness (орындайтын жүйе)

Harness – агенттің іске асыру қабаты. Ол модельге шақыру жібереді, құралдармен өзара әрекеттеседі және тоқтау шешімін қабылдайды. Harness агенттің қызмет етуінің негізін құрайды. Бұл қабатты жобалау Harness инженериясы деп аталады, мұнда агенттің тоқтау алгоритмдері, қате өңдеулері және жұмыс тәртібін бақылау механизмдері қарастырылады. Harness жүйелері жаттықтыру кезінде де, нәтижелер алу кезінде де маңызды.

Агент

Реинфорсмент оқыту ғылыми әдісі ретінде агент – бұл бақылау нәтижесіне сәйкес әрекет қабылдайтын функция ретінде анықталады. Сонымен қатар, агент – модель мен оны қоршаған harness пен scaffold-тің бірлігі. Агенттің негізгі ерекшелігі – ол тек мәтін генерациялап қана қоймай, цикл жүзінде ақпарат қабылдап, шешім қабылдап, әрекет етеді. Мысалы, код жазу агентінде жүйелік шақырулар мен құрал сипаттамалары scaffold ретінде қызмет етеді, ал шақыруды ұйымдастырып, шешім қабылдау және тоқтау harness элементіне жатады. Нәтижесінде агент = Модель + Harness формуласы жиі қолданылады.

Контекст инженериясы және ұғымның кеңейтілуі

Контекст инженериясы – модельге енгізілетін ақпаратты жобалау, яғни модельдің әр қадамда қандай ақпаратты көретіні, жүйелік шақырулар, құралдар сипаттамасы, әңгіме тарихы және сырттан алатын деректерді басқару. Бұл процесс динамикалық түрде жүретіндіктен, алдыңғы ұғымдар мен шешімдер келер шақырулардың мазмұнына әсер етеді. Жаттықтыруда бұл маңызды, себебі модель үнемі контекст негізінде білім алады, ал нәтижелер алу сәтінде контекстті өзгерту ғана жеткілікті. Контексттің есте сақтау жүйесі қысқа мерзімді (ағымдағы сессиядағы ақпарат) және ұзақ мерзімді (сыртқы деректер қоймасынан қажетті меғлұматтарды алу) бөліктерге бөлінеді.

Саясат және агент мінез-құлқы

Саясат агенттің қабылдаған әрбір іс-әрекеттің ықтималдығын анықтайтын ережелер жүйесі. LLM жүйелерінде саясаттың бір бөлігі модельдің салмақтарына енгізілген, бірақ scaffold пен harness арқылы да агент мінез-құлқы елеулі түрде өзгеруі мүмкін. Бір модель әртүрлі мінез-құлық көрсете алады, өйткені оның сыртындағы басқару қабаттары мен құралдар ерекшеленеді. Осындай себеппен саясат агентке қарағанда кеңірек ұғым.

Құралдарды пайдалану, дағдылар және кіші агенттер

Агенттің өзіндік құралдарға қол жеткізуі API, код интерпретаторлары, деректер базасы, веб іздеу және файл жүйесі сияқты ресурстар арқылы жүзеге асады. Модель құрал пайдалануға ниет білдірген кезде harness оны нақты шақырып, нәтижесін түсініктеме ретінде қайта береді.

Дағды (skills) – көп сатылы тапсырмаларды шешуге бағытталған білім пакеттері. Құрал бір әрекетті білдіреді, ал дағды мақсатқа жету үшін қажетті бірқатар әрекеттер мен білімді қамтиды. Дағдылар агент арасында бөлісіліп, қажет кезде жүктеледі. Кей жағдайларда дағды мен кіші агент (sub-agent) арасындағы шекара айқын болмайды.

Кіші агент – негізгі агенттен бөлек жеке міндетті атқару үшін шақырылатын агент. Ол өз алдына модель мен scaffold-ке ие және тәуелсіз түрде шешім қабылдайды. Негізгі агент кіші агенттің ішкі жұмысын білмей-ақ нәтижесін пайдалана алады. Бұл кіші агенттің құрал мен дағдыдан ерекше сипаты.

Практикалық маңызы

Осы терминдер мен ұғымдарды нақты түсіну жасанды интеллект агенттерін құру мен тиімді пайдалану үшін маңызды. Harness пен scaffold арасындағы айырмашылықтарды білу жүйені дұрыс жобалауға, агенттің шынайы мінез-құлқын басқаруға көмектеседі. Контекст инженериясы арқылы агенттің ақпаратты қалай қабылдап, оқып-білуін бақылауға болады. Құралдар мен дағдыларды дұрыс біріктіру тапсырмалар кешенін шешуге мүмкіндік береді. Кіші агенттердің қолданылуы жүйенің күрделі функцияларын модульдік түрде ұйымдастыруға ықпал етеді, бұл зерттеу мен өндірістік шешімдерді жетілдіруде ыңғайлы.

Қорытынды

AI агенттер саласында «harness», «scaffold», «агент» және ұқсас терминдердің нақты анықтамаларын білу маңызды. Бұл терминдер модельге байланысты әртүрлі функционалдық қабаттарды сипаттайды және агенттің қалай әрекет ететінін түсінуге көмектеседі. Контекстті дұрыс басқару, саясаттың ролі және құралдар мен дағдыларды тиімді қолдану агенттердің практикалық қызметін жақсартады. Осылайша, сөздердің мағынасын нақтылау жасанды интеллект жүйелерінің дамуы мен қолданылуын оңтайландырады.

Дереккөз: Hugging Face Blog