የ AI ተከታታይ ቃለ መጠይቅ ጥያቄ 6፡ ስለ AI Agent ሦስቱ ዋና ዘዴዎች፡ ReAct፣ Plan-and-Solve እና Reflection

AI Agent ሦስቱ ዋና ዘዴዎች፡ ReAct፣ Plan-and-Solve እና Reflection

AI Agent አካባቢውን በራሱ ማወቅ፣ ውሳኔ መስጠት እና ተግባራትን ማከናወን የሚችል ብልህ ወኪል ነው። ዋና ዘዴዎቹ ሦስት ናቸው፡ ReAct፣ Plan-and-Solve እና Reflection። ከዚህ በታች እያንዳንዳቸውን ከፍሰት ገበታ እና የኮድ ምሳሌ ጋር እናስተዋውቃለን።

1. ReAct (Reasoning + Acting)

ዋና ሃሳብ፡ አመክንዮ (Reasoning) እና ተግባር (Acting) በተለዋዋጭ መንገድ ማከናወን። ወኪሉ በእያንዳንዱ ደረጃ የአሁኑን ሁኔታ እና የሚቀጥለውን እቅድ ያስባል (አመክንዮ)፣ ከዚያም አንድ ተግባር ያከናውናል (ለምሳሌ መሳሪያ መጠቀም፣ መረጃ መፈለግ)፣ ከዚያም በውጤቱ መሰረት አመክንዮውን ይቀጥላል።

የፍሰት ገበታ፡

[የመጀመሪያ ሁኔታ] → [አመክንዮ፡ ቀጣይ እርምጃ ማሰብ] → [ተግባር፡ እርምጃ መውሰድ] → [ውጤት መመልከት] → [አመክንዮ፡ እቅድ ማዘመን] → ... → [የመጨረሻ መልስ]

የኮድ ምሳሌ (ሐሰተኛ ኮድ)፡

def react_agent(question):
    context = []
    while not solved:
        # አመክንዮ፡ የማሰብ ደረጃዎችን መፍጠር
        thought = llm.generate_thought(question, context)
        # ተግባር፡ በማሰብ መሰረት እርምጃ መምረጥ
        action = llm.choose_action(thought)
        # እርምጃውን ማከናወን፣ ውጤት ማግኘት
        observation = execute_action(action)
        # ማሰብ፣ እርምጃ እና ውጤት ወደ አውድ ማከል
        context.append((thought, action, observation))
    return final_answer

ምሳሌ፡
- ተጠቃሚ ይጠይቃል፡ “ዛሬ የቤጂንግ የአየር ሁኔታ እንዴት ነው?”
- ወኪሉ ያስባል፡ “የአየር ሁኔታ API መጠየቅ አለብኝ፣ የከተማ ስም እና ቀን ያስፈልገኛል።”
- እርምጃ፡ የአየር ሁኔታ API መጥራት (መለኪያ፡ ቤጂንግ፣ ዛሬ)
- ውጤት፡ “ደረቅ፣ 25°C” ተመለሰ
- አመክንዮ፡ “መረጃ አግኝቻለሁ፣ መልስ መስጠት እችላለሁ።”
- ውጤት፡ “ቤጂንግ ዛሬ ደረቅ፣ 25°C ነው።”

2. Plan-and-Solve

ዋና ሃሳብ፡ መጀመሪያ ሙሉ እቅድ (Plan) ማውጣት፣ ከዚያም በደረጃ ማከናወን (Solve)። የእቅድ ደረጃ ውስብስብ ተግባርን ወደ ንዑስ ደረጃዎች ይከፍላል፣ የማስፈጸሚያ ደረጃ ደግሞ በቅደም ተከተል ያጠናቅቃል፣ በመካከለኛ ውጤቶች መሰረት እቅዱን ማስተካከል ይችላል።

የፍሰት ገበታ፡

[ተግባር] → [እቅድ ማውጣት፡ ንዑስ ደረጃዎችን መከፋፈል] → [ደረጃ 1 ማከናወን] → [ደረጃ 2 ማከናወን] → ... → [ደረጃ N ማከናወን] → [የመጨረሻ መልስ]

የኮድ ምሳሌ፡

def plan_and_solve(task):
    # የእቅድ ደረጃ
    plan = llm.generate_plan(task)  # ለምሳሌ፡ ["መረጃ መፈለግ", "መረጃ ማደራጀት", "ሪፖርት መጻፍ"]
    context = {}
    for step in plan:
        # እያንዳንዱን ደረጃ ማከናወን
        result = execute_step(step, context)
        context[step] = result
    # ውጤቶችን ማጠቃለል
    final = llm.synthesize(context)
    return final

ምሳሌ፡
- ተግባር፡ “ስለ AI Agent ብሎግ መጻፍ”
- እቅድ፡
1. የ AI Agent ትርጉም እና የቅርብ ጊዜ እድገቶችን መፈለግ
2. ቁልፍ ነጥቦችን ማንበብ እና ማደራጀት
3. የብሎግ ዝርዝር መዋቅር መጻፍ
4. ይዘትን መሙላት
5. ማረም እና ማተም
- ማስፈጸሚያ፡ እያንዳንዱን ደረጃ በቅደም ተከተል ማጠናቀቅ፣ በመጨረሻም ብሎጉን ማውጣት።

3. Reflection

ዋና ሃሳብ፡ ወኪሉ በማስፈጸሚያ ጊዜ ወይም በኋላ ስለ ራሱ ተግባር ያስተነትናል (Reflection)፣ ውጤቱን ይገመግማል እና ቀጣይ ተግባሮችን ያሻሽላል። ብዙውን ጊዜ ራስን መተቸት፣ ስህተት ማረም ወይም ስልት ማሻሻልን ያካትታል።

የፍሰት ገበታ፡

[ተግባር] → [ውጤት መመልከት] → [ማስተንተን፡ ስኬታማ መሆኑን መገምገም] → [ከተሳካ፡ ማቆም] → [ካልተሳካ፡ ስልት ማስተካከል] → [እንደገና መሞከር] → ... → [ስኬት]

የኮድ ምሳሌ፡

def reflection_agent(task):
    max_attempts = 3
    for attempt in range(max_attempts):
        action = llm.generate_action(task)
        result = execute(action)
        # ማስተንተን
        reflection = llm.reflect(task, action, result)
        if reflection['success']:
            return result
        else:
            # በማስተንተኑ መሰረት የተግባር መግለጫ ወይም ስልት ማስተካከል
            task = reflection['improved_task']
    return None

ምሳሌ፡
- ተግባር፡ “1234 * 5678 አስላ”
- እርምጃ፡ በቀጥታ ማስላት፣ ውጤት 7006652 ማግኘት
- ማስተንተን፡ የሂሳብ ሂደቱን መፈተሽ፣ የማስተላለፍ ስህተት ማግኘት
- ማስተካከል፡ እንደገና ማስላት፣ ትክክለኛ ውጤት 7006652 ማግኘት (በእውነቱ ትክክል ነው)
- አሁንም ስህተት ከሆነ፣ እስከ ትክክለኛነት ድረስ ማስተንተኑን መቀጠል።

ማጠቃለያ ንጽጽር

በተግባር፣ ሦስቱም ዘዴዎች ተደምረው ይጠቀማሉ፣ ለምሳሌ በ ReAct ውስጥ የማስተንተን ዘዴን መጨመር፣ ወይም በ Plan-and-Solve ውስጥ እያንዳንዱን ደረጃ ከማስፈጸም በኋላ ማስተንተን ማከል።