Μέχρι πρόσφατα, η συνηθισμένη αλληλεπίδραση με ένα μεγάλο γλωσσικό μοντέλο ήταν σχετικά απλή. Ο χρήστης έκανε μια ερώτηση και το μοντέλο προσπαθούσε να απαντήσει, αξιοποιώντας τις γνώσεις του και ενδεχομένως κάποια εξωτερικά εργαλεία.
Τι γίνεται όμως όταν η εργασία είναι υπερβολικά μεγάλη για έναν μόνο AI agent;
Για παράδειγμα, όταν πρέπει να ερευνήσουμε εκατοντάδες ιστοσελίδες, να συγκρίνουμε πληροφορίες, να επαληθεύσουμε πηγές και να συντάξουμε μια ολοκληρωμένη αναφορά;
Η Anthropic αποφάσισε να αντιμετωπίσει αυτό το πρόβλημα δημιουργώντας μια ομάδα από AI agents που συνεργάζονται μεταξύ τους.
Στην τεχνική ανάλυση How we built our multi-agent research system, η εταιρεία εξηγεί την αρχιτεκτονική του συστήματος που χρησιμοποιήθηκε για τη λειτουργία Research του Claude.
Τι είναι ένα Multi-Agent σύστημα;
Ένα Multi-Agent σύστημα αποτελείται από περισσότερους από έναν AI agents, οι οποίοι αναλαμβάνουν διαφορετικές εργασίες για να πετύχουν έναν κοινό στόχο.
Αντί ένα μοντέλο να προσπαθεί να κάνει τα πάντα μόνο του, το πρόβλημα χωρίζεται σε μικρότερα τμήματα.
Ας υποθέσουμε ότι θέλουμε να ερευνήσουμε την αγορά επεξεργαστών για εφαρμογές Τεχνητής Νοημοσύνης.
Ένα τέτοιο σύστημα θα μπορούσε να οργανώσει την εργασία ως εξής:
Agent 1: Ερευνά τους επεξεργαστές της Intel.
Agent 2: Συγκεντρώνει πληροφορίες για τις τεχνολογίες της AMD.
Agent 3: Εξετάζει τις λύσεις της NVIDIA.
Agent 4: Συγκρίνει τις πληροφορίες και συντάσσει την τελική αναφορά.
Οι τρεις πρώτοι agents μπορούν να εκτελούν τις εργασίες τους παράλληλα.
Το σημαντικό είναι ότι κάθε agent διαθέτει δικό του χώρο εργασίας και δικό του context window, δηλαδή το σύνολο πληροφοριών που μπορεί να αξιοποιεί κατά την εκτέλεση της εργασίας.
Έτσι, δεν χρειάζεται να συγκεντρώνονται όλες οι πληροφορίες σε μία τεράστια συνομιλία.
Η αρχιτεκτονική Orchestrator–Worker
Η Anthropic χρησιμοποίησε μια αρχιτεκτονική γνωστή ως Orchestrator–Worker.
Σε αυτήν την αρχιτεκτονική υπάρχει ένας κεντρικός agent, ο οποίος οργανώνει τη διαδικασία, και αρκετοί εξειδικευμένοι agents που αναλαμβάνουν την εκτέλεση των εργασιών.
Ο κεντρικός agent ονομάζεται LeadResearcher.
Όταν ένας χρήστης υποβάλει ένα ερώτημα, ο LeadResearcher το αναλύει, κατασκευάζει ένα σχέδιο έρευνας και αποφασίζει ποιες εργασίες μπορούν να εκτελεστούν παράλληλα.
Στη συνέχεια δημιουργεί τους απαραίτητους subagents.
Κάθε subagent εκτελεί τη δική του έρευνα, χρησιμοποιώντας εργαλεία αναζήτησης και αξιολογώντας τα αποτελέσματα.
Όταν ολοκληρωθεί η εργασία του, επιστρέφει τα σημαντικότερα ευρήματα στον κεντρικό agent.
Ο LeadResearcher συγκεντρώνει τις πληροφορίες και αποφασίζει αν χρειάζεται περισσότερη έρευνα.
Αν χρειάζεται, μπορεί να δημιουργήσει νέους agents ή να αλλάξει την ερευνητική στρατηγική.
Πριν παρουσιαστεί η τελική απάντηση, ένας επιπλέον εξειδικευμένος agent, ο CitationAgent, επεξεργάζεται τις πηγές και τις παραπομπές.
Με αυτόν τον τρόπο, η επαλήθευση των πηγών αποτελεί ξεχωριστό στάδιο της διαδικασίας.
Πόσο καλύτερα αποδίδει ένα Multi-Agent σύστημα;
Ένα από τα σημαντικότερα ευρήματα της Anthropic προέρχεται από τις εσωτερικές δοκιμές της.
Σύμφωνα με την εταιρεία, ένα Multi-Agent σύστημα που χρησιμοποιούσε το Claude Opus 4 ως κεντρικό agent και Claude Sonnet 4 ως subagents πέτυχε 90,2% καλύτερη επίδοση από ένα σύστημα που χρησιμοποιούσε μόνο το Claude Opus 4.
Το αποτέλεσμα αφορά συγκεκριμένη εσωτερική αξιολόγηση ερευνητικών εργασιών και δεν σημαίνει ότι κάθε εφαρμογή με πολλούς agents θα είναι κατά 90,2% καλύτερη.
Η διαφορά εμφανίστηκε κυρίως σε ερωτήματα που απαιτούσαν ταυτόχρονη έρευνα σε πολλές ανεξάρτητες κατευθύνσεις.
Υπήρξε επίσης σημαντικό όφελος στον χρόνο εκτέλεσης.
Με την παράλληλη λειτουργία agents και εργαλείων, η Anthropic αναφέρει ότι κατάφερε να μειώσει τον χρόνο ορισμένων σύνθετων ερευνητικών εργασιών έως και κατά 90%.
Υπάρχει όμως και ένα τίμημα.
Σύμφωνα με τις μετρήσεις της εταιρείας, οι μεμονωμένοι agents χρησιμοποιούσαν περίπου τέσσερις φορές περισσότερα tokens από μια απλή συνομιλία, ενώ τα Multi-Agent συστήματα περίπου δεκαπέντε φορές περισσότερα.
Επομένως, η καλύτερη απόδοση δεν σημαίνει απαραίτητα και οικονομικότερη λειτουργία.
Το δυσκολότερο πρόβλημα είναι ο συντονισμός
Μπορεί η ιδέα της συνεργασίας πολλών agents να φαίνεται απλή, όμως η πραγματική υλοποίηση παρουσιάζει σημαντικές δυσκολίες.
Στις πρώτες δοκιμές, η Anthropic παρατήρησε ότι οι agents δεν λειτουργούσαν πάντα αποτελεσματικά.
Ορισμένες φορές δημιουργούσαν δεκάδες επιπλέον agents για πολύ απλές εργασίες.
Άλλες φορές διαφορετικοί agents πραγματοποιούσαν τις ίδιες αναζητήσεις, σπαταλώντας χρόνο και υπολογιστικούς πόρους.
Υπήρχαν επίσης περιπτώσεις όπου οι agents συνέχιζαν να αναζητούν πληροφορίες ενώ είχαν ήδη συγκεντρώσει όσα χρειάζονταν.
Η λύση δεν ήταν απλώς η χρήση ισχυρότερων μοντέλων.
Η Anthropic βελτίωσε τις οδηγίες που καθορίζουν τη συμπεριφορά τους.
Για κάθε εργασία, ο κεντρικός agent έπρεπε να ορίζει συγκεκριμένο στόχο, όρια, εργαλεία και αναμενόμενη μορφή αποτελέσματος.
Αυτό είναι ένα βασικό μάθημα για όποιον αναπτύσσει συστήματα Τεχνητής Νοημοσύνης:
Δεν αρκεί να δημιουργούμε περισσότερους agents. Πρέπει να τους δίνουμε σαφείς αρμοδιότητες και έναν αποτελεσματικό τρόπο συνεργασίας.
Από το πείραμα σε μια πραγματική εφαρμογή
Ένα άλλο σημαντικό συμπέρασμα αφορά τη διαφορά ανάμεσα σε ένα λειτουργικό πρωτότυπο και ένα αξιόπιστο σύστημα παραγωγής.
Οι AI agents δεν εκτελούν πάντοτε τις ίδιες ακριβώς ενέργειες, ακόμη και όταν λαμβάνουν παρόμοιες οδηγίες.
Μπορεί να επιλέξουν διαφορετικά εργαλεία, να εξετάσουν διαφορετικές πηγές ή να ακολουθήσουν διαφορετική στρατηγική.
Αυτό κάνει τον εντοπισμό προβλημάτων δυσκολότερο.
Η Anthropic χρειάστηκε να δημιουργήσει μηχανισμούς καταγραφής της εκτέλεσης, επανάληψης αποτυχημένων ενεργειών και αποθήκευσης της προόδου.
Έτσι, αν ένας agent αντιμετώπιζε κάποιο τεχνικό πρόβλημα, το σύστημα μπορούσε να συνεχίσει από ένα προηγούμενο σημείο αντί να ξεκινήσει ολόκληρη την εργασία από την αρχή.
Επιπλέον, η εταιρεία αξιοποίησε αυτοματοποιημένες αξιολογήσεις για την ακρίβεια των πληροφοριών, την ποιότητα των πηγών και την πληρότητα των απαντήσεων.
Η αξιολόγηση από ανθρώπους παρέμεινε επίσης απαραίτητη, καθώς ορισμένα προβλήματα δεν εντοπίζονταν εύκολα από τα αυτοματοποιημένα συστήματα.
Μπορούμε να εφαρμόσουμε αυτή την αρχιτεκτονική στον προγραμματισμό;
Η ίδια λογική μπορεί να χρησιμοποιηθεί και στην ανάπτυξη λογισμικού.
Φανταστείτε ένα project στο οποίο έχουμε τέσσερις διαφορετικούς agents.
Ο πρώτος αναλύει τις απαιτήσεις και προτείνει την αρχιτεκτονική.
Ο δεύτερος αναλαμβάνει την ανάπτυξη του backend.
Ο τρίτος δημιουργεί τις απαραίτητες δοκιμές.
Ο τέταρτος εξετάζει τον κώδικα για πιθανά σφάλματα και προβλήματα ασφάλειας.
Όλοι εργάζονται για το ίδιο project, αλλά με διαφορετικές αρμοδιότητες.
Ωστόσο, υπάρχει μια σημαντική διαφορά ανάμεσα στην έρευνα και στον προγραμματισμό.
Η ίδια η Anthropic επισημαίνει ότι πολλές εργασίες ανάπτυξης λογισμικού έχουν περισσότερες αλληλεξαρτήσεις και επομένως δεν μπορούν να εκτελεστούν τόσο εύκολα παράλληλα.
Για παράδειγμα, ένας agent που δημιουργεί το frontend ενδέχεται να πρέπει να περιμένει μέχρι να καθοριστεί η δομή των APIs από τον agent του backend.
Γι' αυτό η σωστή οργάνωση, η διαχείριση των εξαρτήσεων και οι έλεγχοι ενσωμάτωσης είναι απαραίτητα στοιχεία.
Είναι τα Multi-Agent συστήματα το επόμενο βήμα της Τεχνητής Νοημοσύνης;
Η έρευνα της Anthropic δείχνει ότι η εξέλιξη της Τεχνητής Νοημοσύνης δεν εξαρτάται αποκλειστικά από τη δημιουργία ολοένα μεγαλύτερων μοντέλων.
Ένας άλλος δρόμος είναι ο σχεδιασμός συστημάτων στα οποία διαφορετικά μοντέλα ή agents συνεργάζονται οργανωμένα.
Αυτή η προσέγγιση μπορεί να προσφέρει σημαντικά πλεονεκτήματα σε εργασίες που περιλαμβάνουν μεγάλους όγκους πληροφοριών, ανεξάρτητες αναζητήσεις και χρήση πολλών εξωτερικών εργαλείων.
Δεν αποτελεί, όμως, λύση για κάθε πρόβλημα.
Η αυξημένη κατανάλωση tokens, η δυσκολία συντονισμού και η ανάγκη για αξιόπιστους μηχανισμούς ελέγχου παραμένουν σημαντικές προκλήσεις.
Το ουσιαστικό συμπέρασμα είναι ότι η Τεχνητή Νοημοσύνη αρχίζει να οργανώνεται περισσότερο ως ένα σύστημα συνεργαζόμενων μονάδων παρά ως ένας μεμονωμένος ψηφιακός βοηθός.
Και για τους developers, αυτή η αλλαγή ανοίγει έναν νέο χώρο ανάπτυξης εφαρμογών, στον οποίο ο προγραμματισμός δεν αφορά μόνο τον κώδικα, αλλά και τον τρόπο με τον οποίο διαφορετικοί AI agents συνεργάζονται για να πετύχουν έναν κοινό στόχο.
Πηγή: Anthropic Engineering – How we built our multi-agent research system
Φόρτωση σχολίων…