McKinsey tutki 50 agenttista tekoälyversiota ja sitä, missä ne epäonnistuvat eniten, ja tiivisti sen kuuteen avaintekijään, jotka ovat välttämättömiä tekoälyinsinööreille: 1. Kyse ei ole agentista, vaan työnkulusta. Älä ole pakkomielle rakentaa "vaikuttavia" agentteja. ajattele koko järjestelmää, älä hauskoja leluja. 2. Agentit eivät aina ole vastaus. Kaikki työnkulut eivät tarvitse moniagenttijärjestelmää. Matalan varianssin ja ennustettavat tehtävät hoidetaan parhaiten säännöillä tai ML:llä, LLM:t lisäävät monimutkaisuutta. Agenttien suuret voitot tulevat korkean varianssin sotkuisissa prosesseissa (esim. monimutkaisten taloudellisten tietojen poimiminen) 3. Vältä "AI Slop". (yleinen) Keskity agenttien pitkän aikavälin kehittämiseen, kuten tekisit työntekijän kehittämisessä. Unohda vaikuttavat demot. Tuplaa vertailuarvot. Agenteille tulee antaa selkeät työnkuvat, perehdytys ja palaute, jotta he kehittyvät säännöllisesti. 4. Seuraa jokaista vaihetta, älä vain tuloksia. Agenttien skaalaaminen ilman näkyvyyttä vaatii hiljaisia epäonnistumisia. Ajattele työnkulun jokaisen vaiheen seurantaa. Näin tiimit havaitsevat virheet ajoissa, tarkentavat logiikkaa nopeasti ja välttävät täydelliset vikaantumiset. Kun virheitä tapahtuu (ja niitä tapahtuu), voit seurata, missä asiat menivät pieleen ja miksi. Älä ohita tätä. 5. Käytä aineita uudelleen, kun voit. Monet yritykset tuhlaavat aikaa yksittäisten agenttien rakentamiseen kutakin tehtävää varten. Älykkäämpi peli on luoda modulaarisia agenttikomponentteja (käsittely, poimiminen, tarkistaminen, analysointi), joita voidaan käyttää uudelleen muissa työnkuluissa. Validoitujen työkalujen ja kehotteiden keskittäminen vähentää 30–50 % tarpeettomasta työstä, tämä luku ei ole vitsi. 6. Ihmiset ovat edelleen välttämättömiä, mutta uusissa rooleissa. Agentit voivat jäsentää, automatisoida ja skaalata. Mutta ihmiset tarjoavat harkintaa, reunatapausten käsittelyä ja luovaa ongelmanratkaisua. Tulevaisuus ei ole agentti vs. ihminen, vaan agentti + ihminen. Nämä ovat virheitä, joita startupit ja vakiintuneet yritykset tekevät laajassa mittakaavassa. Ne aiheuttavat valtavaa vahinkoa maineelle ja resursseille. Ja nyt tiedät kuinka välttää tämä.

Kaikki tutkimuksessa olevat ovat menettämässä järkensä tämän uuden DeepSeek-artikkelin vuoksi Naturessa. Tämä ei ole trollia, he itse asiassa julkaisivat uuden artikkelin.

Miksi emme esikouluta malleja agenttitehtäviin? no, nämä kaverit tekivät niin. Ja se toimi. He ottivat käyttöön välivaiheen esikoulutuksen jälkeen ja ennen koulutusta. he syntetisoivat agenttien toimintatietoja ja heidän AgentFounder-30B-mallinsa asettaa uuden SOTAn 10 vertailuarvoon. SFT:llä on myös huomattavasti pienempi tappio tämän Agentic Continual Pre-training -vaiheen jälkeen. Miksi tämä toimii? Koska yleiskäyttöisissä perusmalleissa ei yleensä ole agenttista induktiivista harhaa, mikä asettaa Burdonin koulutuksen jälkeiseen harjoitteluun. Kun otat käyttöön monivaiheisen päättelyn ja työkalujen käytön koulutusta edeltävässä vaiheessa, helpotat tietä jälkikoulutukseen, varsinkin kun teet sen lyhyen ja pitkän aikavälin agenttitehtävien yhdistelmällä. Mitä tämä tarkoittaa, jos johdat liiketoimintaasi agenteilla tai rakennat niitä missä tahansa mittakaavassa? Voit syntetisoida tietoja edullisesti, esikouluttaa perusmallin edelleen ja sitten kouluttaa sen jälkikäteen.