Agent ကိရိယာခေါ်ဆိုမှုနှင့် သာမန် Function ခေါ်ဆိုမှု ကွာခြားချက် အကျဉ်းချုပ်

ဤဆောင်းပါးသည် Agent ကိရိယာခေါ်ဆိုမှုနှင့် သာမန် Function ခေါ်ဆိုမှုတို့၏ အဓိက ကွာခြားချက်များကို ဆွေးနွေးထားပြီး Agent ကိရိယာခေါ်ဆိုမှု၏ ယန္တရား၊ တန်ဖိုး၊ မကြာခဏ ကျရှုံးမှုပုံစံများနှင့် ကိုင်တွယ်ဖြေရှင်းနည်းဗျူဟာများကို အသေးစိတ်ဖော်ပြထားသည်။

အဓိက ကွာခြားချက် အကျဉ်းချုပ်

သာမန် Function ခေါ်ဆိုမှုသည် compile လုပ်ချိန်တွင် သတ်မှတ်ထားသော၊ တစ်ပြိုင်တည်းလုပ်ဆောင်သော၊ သေချာသော ဖြစ်ပြီး ပရိုဂရမ်မာက ကုဒ်ထဲတွင် ခေါ်ဆိုချိန်၊ parameter များနှင့် error ကိုင်တွယ်မှု ယုတ္တိတို့ကို ရှင်းလင်းစွာ သတ်မှတ်ပေးသည်။ Agent ကိရိယာခေါ်ဆိုမှုသည် runtime တွင် ဆုံးဖြတ်သော၊ တစ်ပြိုင်တည်းမဟုတ်သော၊ မသေချာမှုရှိသော ဖြစ်ပြီး ဘာသာစကားကြီးမားသော မော်ဒယ် (LLM) က သုံးစွဲသူ၏ input နှင့် context ပေါ်မူတည်၍ ခေါ်ဆိုရန် ဆုံးဖြတ်ခြင်း၊ မည်သည့်ကိရိယာကို ခေါ်ဆိုရမည်၊ မည်သည့် parameter များ ပေးရမည်ကို dynamic ဖြင့် ဆုံးဖြတ်သည်။

Agent ကိရိယာခေါ်ဆိုမှု၏ အဓိက ယန္တရားနှင့် တန်ဖိုး

• ဘာကြောင့် လိုအပ်သနည်း- LLM ၏ အသိပညာ နောက်ဆုံးရက်စွဲ၊ တိကျစွာ တွက်ချက်နိုင်မှု မရှိခြင်းနှင့် real-time ဒေတာ မရရှိနိုင်ခြင်းစသည့် ကန့်သတ်ချက်များကို ကျော်လွှားရန် ပြင်ပကိရိယာများ (ဥပမာ ရှာဖွေခြင်း၊ database၊ API) ကို ခေါ်ဆိုခြင်းဖြင့် ၎င်း၏ စွမ်းရည်နယ်ပယ်ကို ချဲ့ထွင်ရန် ဖြစ်သည်။
• လုပ်ငန်းအဆင့်ဆင့်- ဥပမာ ရာသီဥတုကို မေးမြန်းခြင်းတွင် LLM သည် အဆင့်များစွာ ဆင်ခြင်မှု ပြုလုပ်သည်- 1) လိုအပ်ချက်ကို ခွဲခြမ်းစိတ်ဖြာပြီး ကိရိယာခေါ်ဆိုရန် ဆုံးဖြတ်ခြင်း၊ 2) မှတ်ပုံတင်ထားသော ကိရိယာစာရင်းမှ သင့်လျော်သော ကိရိယာ (ဥပမာ get_weather) ကို ရွေးချယ်ခြင်း၊ 3) သဘာဝဘာသာစကားမှ parameter များ (ဥပမာ မြို့၊ ရက်စွဲ) ကို ထုတ်ယူခြင်း၊ 4) ကိရိယာခေါ်ဆိုမှုကို လုပ်ဆောင်ခြင်း၊ 5) ကိရိယာမှ ပြန်လာသော ရလဒ်အပေါ် မူတည်၍ နောက်ဆုံးအဖြေကို ထုတ်ပေးခြင်း။ လုပ်ငန်းစဉ်တစ်ခုလုံးသည် dynamic ဖြစ်သည်။

အဓိက ကွာခြားချက် ငါးချက်

1. ခေါ်ဆိုချိန်- သာမန် Function ခေါ်ဆိုမှုကို coding လုပ်ချိန်တွင် သတ်မှတ်သည်။ Agent ခေါ်ဆိုမှုကို LLM က runtime တွင် ဆုံးဖြတ်သည်။
2. Parameter အရင်းအမြစ်- သာမန် Function ခေါ်ဆိုမှု၏ parameter များသည် hard-coded ဖြစ်သည်။ Agent ခေါ်ဆိုမှု၏ parameter များကို LLM က သဘာဝဘာသာစကားမှ ထုတ်ယူပြီး မှားနိုင်သည်။
3. Error ကိုင်တွယ်မှု- သာမန် Function ခေါ်ဆိုမှု ကျရှုံးပါက exception ကို ပစ်ချပြီး ကြိုတင်သတ်မှတ်ထားသော error ကိုင်တွယ်မှု လုပ်ငန်းစဉ်သို့ ဝင်ရောက်သည်။ Agent ခေါ်ဆိုမှု ကျရှုံးပါက error အချက်အလက်ကို LLM သို့ ပြန်ပို့ပြီး LLM က ကိုယ်တိုင် ပြန်လည်ရယူရန် ဆုံးဖြတ်သည် (ဥပမာ ပြန်ကြိုးစားခြင်း၊ ကိရိယာပြောင်းခြင်း သို့မဟုတ် သုံးစွဲသူအား အသိပေးခြင်း)။
4. ခေါ်ဆိုမှုကွင်းဆက်နှင့် စောင့်ကြည့်နိုင်မှု- သာမန် Function ခေါ်ဆိုမှု၏ ခေါ်ဆိုမှုကွင်းဆက်သည် သေချာပြီး အလွယ်တကူ debug လုပ်နိုင်သည်။ Agent ၏ ခေါ်ဆိုမှုကွင်းဆက်သည် မသေချာဘဲ debug လုပ်ရခက်ကာ ဆင်ခြင်မှု log များကို အားကိုးရသည်။
5. စွမ်းဆောင်ရည် ကုန်ကျစရိတ်- သာမန် Function ခေါ်ဆိုမှု၏ ကုန်ကျစရိတ်သည် နာနိုစက္ကန့်အဆင့်တွင် ရှိသည်။ Agent ခေါ်ဆိုမှုတွင် LLM ဆင်ခြင်မှု (စက္ကန့်အဆင့်) နှင့် ကိရိယာလုပ်ဆောင်မှု ပါဝင်သောကြောင့် စုစုပေါင်း latency သည် သိသိသာသာ မြင့်မားသည်။

မကြာခဏ ကျရှုံးမှုပုံစံ သုံးမျိုးနှင့် ဖြေရှင်းနည်း

1. Parameter ထုတ်ယူမှု မှားယွင်းခြင်း (ဥပမာ ရက်စွဲပြောင်းလဲမှု မှားခြင်း သို့မဟုတ် parameter ပျောက်ဆုံးခြင်း)- ကိရိယာ၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက်တွင် parameter ပုံစံနှင့် ကန့်သတ်ချက်များကို ရှင်းလင်းစွာ သတ်မှတ်ပါ။ အရေးကြီးသော parameter ပျောက်ဆုံးပါက LLM က မှန်းဆခြင်းထက် သုံးစွဲသူအား တက်ကြွစွာ မေးမြန်းစေပါ။
2. ကိရိယာရွေးချယ်မှု မှားယွင်းခြင်း (ဥပမာ ရှေ့အဆင့်ကို ကျော်သွားခြင်း)- ကိရိယာ၏ ဖော်ပြချက်တွင် ရှေ့အဆင့်သတ်မှတ်ချက်များနှင့် အသုံးပြုမည့် အခြေအနေများကို ရှင်းလင်းစွာ ဖော်ပြပါ။ ReAct ကဲ့သို့သော framework များကို အသုံးပြု၍ LLM က ဆင်ခြင်မှုအဆင့်များကို ထုတ်ပေးစေပြီး ဆုံးဖြတ်ချက်အရည်အသွေးကို မြှင့်တင်ပါ။
3. ကိရိယာလုပ်ဆောင်မှု ချွင်းချက် (ဥပမာ API timeout သို့မဟုတ် error ပြန်လာခြင်း)- ကိရိယာမှ ပြန်လာသော error အချက်အလက်ကို LLM နားလည်နိုင်သော သဘာဝဘာသာစကားဖော်ပြချက်အဖြစ် စံသတ်မှတ်ပါ၊ သို့မှသာ ၎င်းက ကျိုးကြောင်းဆီလျော်သော ပြန်လည်ရယူမှု ဆုံးဖြတ်ချက်ကို ချနိုင်မည်။

အင်တာဗျူးဖြေဆိုနည်းဗျူဟာ

အဆင့်သုံးဆင့်ဖြင့် ဖြေဆိုရန် အကြံပြုသည်- ပထမဦးစွာ အဓိက အဓိပ္ပါယ်ဖွင့်ဆိုချက်ကို ပေးပါ။ ထို့နောက် တိကျသော အခြေအနေဥပမာဖြင့် လုပ်ငန်းစဉ်အပြည့်အစုံကို ရှင်းပြပါ။ နောက်ဆုံးတွင် ကန့်သတ်ချက်များ (ဥပမာ parameter မှားနိုင်ခြေ၊ စွမ်းဆောင်ရည်ကုန်ကျစရိတ်) ကို တက်ကြွစွာ ဖော်ပြပါ။ ထပ်မံမေးမြန်းပါက Agent တွင် ကိုယ်ပိုင် error ပြန်လည်ရယူနိုင်စွမ်း ရှိကြောင်း အလေးပေးဖော်ပြပြီး ရှင်းလင်းသော ကိရိယာအဓိပ္ပါယ်ဖွင့်ဆိုချက်၊ parameter စစ်ဆေးမှု၊ တက်ကြွစွာမေးမြန်းမှုနှင့် နမူနာအချက်ပြမှု (few-shot) တို့ဖြင့် parameter ပေးပို့မှု မှားယွင်းနှုန်းကို လျှော့ချနိုင်ကြောင်း ရှင်းပြပါ။