FAOPs: Normal Forms and an Algebra for AI Agent Workflows

مسئله

سازمان‌ها روال‌های کاری‌شان را به شکل اسکیل‌های چندمرحله‌ای برای ایجنت می‌نویسند. در بخش‌های تحت نظارت مثل بانکداری، این روال‌ها باید قابل ردیابی، ممیزی، تکرار، با کنترل دسترسی و با سقف زمان و هزینه باشند. اما معمولاً فایل‌های درشتی‌اند که در آن‌ها یک قدم چند کار را با هم انجام می‌دهد، نسخه‌های کپی‌شده‌ی یک روال کم‌کم از هم فاصله می‌گیرند، هر قدمی به هر ابزاری دسترسی دارد و بازنویسی‌ها بدون بررسی انجام می‌شود.

روش

نظریه‌ی FAOP هر روال را یک تابع نوع‌دار روی یک وضعیت محدود می‌بیند و کل کتابخانه را از چهار «فرم نرمال» پیاپی می‌گذراند، شبیه نرمال‌سازی در پایگاه داده: شکستن هر روال به قدم‌های اتمی، صریح و نوع‌دار کردن جریان داده، یک تعریف واحد برای هر روال مشترک تا تغییر به همه جا برسد، و محدود کردن هر قدم به کمترین دسترسی لازم به ابزارها. یک جبر با برابری‌های اثبات‌شده، بازنویسی و موازی‌سازی را به کار کامپایلر تبدیل می‌کند. این نظریه در سیستم SkillBase پیاده شده و یک اجراکننده‌ی جدا تضمین‌ها را در زمان اجرا اعمال می‌کند.

یافته‌ها

• بعد از نرمال‌سازی، هر قدم اتمی یک موجودیت جدا با قرارداد مشخص است که می‌شود جداگانه بررسی نوع، محدودسازی، تست، ردیابی و ممیزی‌اش کرد.
• افزونه‌هایی برای پایان‌پذیری اثبات‌شده، بهینه‌سازی و سقف زمان و هزینه، و یک دسته‌بندی چهارسطحی که تعیین می‌کند یک روال اصلاً به هوش مصنوعی نیاز دارد یا نه.
• یک روال مالی نمونه کل روش را از اول تا آخر نشان می‌دهد؛ مقاله ارزیابی تجربی روی تعداد زیادی روال ندارد.

محدودیت‌ها

نویسنده می‌گوید سطح‌هایی که در آن‌ها مدل خودش برنامه‌ریزی می‌کند، قدم برنامه‌ریزی را اتمی فرض می‌کنند و نرمال‌سازی را فقط پیش از اجرا انجام می‌دهند؛ بررسی در لحظه‌ی اجرا مسئله‌ی باز اصلی است. نتیجه‌ها با یک مثال نشان داده شده‌اند، نه با آزمایش گسترده.