Konsep baru yang dipanggil deep agents telah mencetuskan perbincangan hangat dalam komuniti pembangunan AI, dengan ramai yang mempersoalkan sama ada sistem ini mewakili inovasi tulen atau hanya versi kejuruteraan yang baik daripada teknologi AI agent sedia ada.
Istilah ini muncul daripada analisis aplikasi AI yang berjaya seperti Claude Code, Deep Research, dan Manus, yang menunjukkan prestasi unggul pada tugasan kompleks dan jangka panjang berbanding AI agents asas. Sistem ini dapat mengendalikan projek penyelidikan, tugasan pengkodan, dan kerja mencabar lain yang memerlukan tumpuan berterusan dan perancangan.
Contoh Aplikasi Agen Mendalam
- Claude Code: Pembantu pengekodan AI dengan perancangan senarai tugasan dan pemijahan sub-agen
- Deep Research: Pembantu penyelidikan AI untuk tugas pengumpulan maklumat yang kompleks
- Manus: Agen AI yang menggunakan sistem fail secara meluas untuk pengurusan memori
- Junie ( JetBrains ): Pelaksanaan awal perancangan senarai tugasan berkualiti tinggi
- Cursor: Fungsi senarai tugasan bersepadu UI untuk tugas pembangunan
Seni Bina Teras Kekal Mudah
Walaupun mempunyai keupayaan yang mengagumkan, teknologi asasnya sangat mudah. Deep agents masih menggunakan pendekatan asas yang sama seperti AI agents biasa: model bahasa besar yang berjalan dalam gelung dan memanggil alatan mengikut keperluan. Keajaibannya bukan terletak pada algoritma baru yang revolusioner, tetapi pada empat penambahbaikan utama yang mengubah shallow agents menjadi pembantu yang berkebolehan.
Komponen yang paling kritikal nampaknya adalah prompts sistem yang terperinci. Arahan ini boleh menjadi sangat panjang dan mengandungi panduan khusus mengenai penggunaan alatan, bersama dengan contoh yang menunjukkan cara mengendalikan pelbagai situasi. Tanpa prompts yang komprehensif ini, agents akan kehilangan sebahagian besar keberkesanannya.
Komponen Utama Agen Mendalam
| Komponen | Tujuan | Pelaksanaan |
|---|---|---|
| Arahan Sistem Terperinci | Menyediakan panduan komprehensif dan contoh | Arahan panjang dengan panduan penggunaan alat dan contoh few-shot |
| Alat Perancangan | Mengekalkan fokus dan organisasi | Alat senarai tugasan no-op untuk kejuruteraan konteks |
| Sub-Agen | Memecahkan tugasan kompleks | Agen khusus dengan arahan terfokus dan alat terhad |
| Sistem Fail | Menyediakan memori dan ruang kerja | Penyimpanan berterusan untuk nota dan kerjasama agen |
Alatan Perancangan Yang Tidak Melakukan Apa-apa
Salah satu penemuan yang paling menarik adalah cara sistem ini menggunakan alatan perancangan no-op. Claude Code menggunakan alatan senarai tugasan yang sebenarnya tidak melakukan sebarang tindakan luaran - ia hanya membantu AI mengatur pemikirannya dan mengekalkan tumpuan pada objektif jangka panjang. Pendekatan ini menghalang masalah biasa AI agents kehilangan jejak matlamat mereka selepas hanya beberapa interaksi.
Beberapa pembangun telah melaksanakan sistem senarai tugasan yang serupa dalam projek mereka sendiri, mendapati ia sangat berkesan untuk memastikan AI agents kekal di landasan semasa tugasan yang panjang. Senarai tugasan bahkan boleh menggunakan struktur bersarang, yang berfungsi dengan baik kerana ia kekal mudah untuk model bahasa memproses dalam format linear.
Sub-Agents dan Sistem Fail Membolehkan Kerumitan
Keupayaan untuk melahirkan sub-agents khusus membolehkan sistem ini memecahkan tugasan kompleks kepada bahagian yang boleh diuruskan. Setiap sub-agent boleh memberi tumpuan pada aspek khusus projek keseluruhan sambil mengekalkan konteks dan arahan khususnya sendiri. Pembahagian kerja ini membantu menguruskan kerumitan yang sebaliknya akan membebankan satu agent.
Akses sistem fail berfungsi sebagai ruang kerja dan sistem memori. Agents boleh menyimpan nota, berkongsi maklumat dengan sub-agents, dan mengekalkan rekod berterusan merentasi tugasan yang berjalan lama. Keupayaan ini menangani salah satu cabaran terbesar dalam reka bentuk AI agent: menguruskan konteks dan maklumat dalam tempoh yang panjang.
Keraguan Komuniti dan Realiti Pelaksanaan
Komuniti pembangun kekal berpecah mengenai sama ada deep agents layak mendapat pengiktirafan sebagai kategori yang berbeza. Pengkritik berpendapat bahawa istilah ini adalah kata-kata pemasaran yang tidak perlu untuk agents tradisional yang dilaksanakan dengan baik. Mereka menunjukkan bahawa seni bina gelung-dan-alatan teras tidak berubah secara asasnya.
Deep agents = agents dengan perancangan + agents sebagai alatan => jadi agents biasa. Saya benci bagaimana LangChain sentiasa cuba membuat perkara yang mudah kelihatan sangat rumit.
Walau bagaimanapun, penyokong menekankan bahawa gabungan khusus ciri-ciri mencipta keupayaan yang berbeza secara kualitatif. Integrasi prompts terperinci, alatan perancangan, sub-agents, dan sistem fail menghasilkan keputusan yang melebihi apa yang boleh dicapai oleh pelaksanaan agent asas.
Cabaran Pelaksanaan Praktikal
Walaupun konsepnya mungkin mudah, pembangun menyatakan bahawa membina sistem agent yang sedia untuk pengeluaran melibatkan cabaran kejuruteraan yang ketara. Isu seperti multi-tenancy, respons streaming, pengendalian pembatalan, dan mencari campuran alatan yang tepat memerlukan kepakaran yang besar untuk diselesaikan dengan betul.
Beberapa pelaksanaan sumber terbuka telah muncul, termasuk projek hujung minggu dan rangka kerja yang lebih komprehensif. Alatan ini bertujuan untuk menjadikan keupayaan deep agent boleh diakses oleh pembangun yang bekerja pada aplikasi khusus dalam pelbagai industri.
Kesimpulan
Perbincangan deep agents menyerlahkan realiti penting dalam pembangunan AI: kadangkala inovasi yang paling berkesan datang daripada kejuruteraan yang bernas dan bukannya terobosan algoritma. Sama ada terminologi itu kekal atau tidak, teknik yang dibincangkan mewakili kemajuan praktikal dalam menjadikan AI agents lebih berkebolehan dan boleh dipercayai untuk aplikasi dunia sebenar.
Perdebatan ini juga mencerminkan ketegangan yang lebih luas dalam komuniti AI mengenai pemasaran berbanding substans, dan sama ada penambahbaikan beransur-ansur layak mendapat nama kategori baru. Tanpa mengira konvensyen penamaan, tumpuan pada perancangan, pengurusan konteks, dan penguraian tugasan menawarkan pandangan berharga untuk sesiapa yang membina sistem AI agent.
Rujukan: Deep Agents