موضوع
۶ مقاله با این موضوع (به انگلیسی Subagents). جستجو و فیلتر در همین موضوع
بنچمارکی برای سنجیدن این‌که ایجنت اصلی کار را چقدر خوب بین ساب‌ایجنت‌ها تقسیم می‌کند
ایجنت‌ها در کار واقعی با ابزارهای تخصصی زیاد و مسئله‌هایی با چند زیرتسک روبه‌رو می‌شوند. اگر همه را پشت سر هم با یک ایجنت انجام دهند، کار کند می‌شود و کانتکست پر از خروجی ابزارها. الگوی «ایجنت اصلی واگذار می‌کند، ساب‌ایجنت‌ها اجرا می‌کنند» زیرتسک‌ها را به ساب
گروهی از ایجنت‌ها که بدون هماهنگ‌کننده‌ی مرکزی، با «مزایده» یاد می‌گیرند چه کسی کار را انجام دهد
توانایی یک گروه ایجنت هم به اعضایش بستگی دارد و هم به این‌که چطور هماهنگ می‌شوند. اما سیستم‌های چندایجنتی موجود معمولاً ایجنت‌ها را در یک ساختار هماهنگی ثابت آموزش می‌دهند؛ مثلاً نقش‌ها از قبل تعیین شده‌اند. پس یادگیری مهارت‌های فردی از سازمان‌دهی رفتار جمعی ج
ایجنت کدنویسی روی دستگاه محلی با یک مدل کوچک، که فقط قدم‌های کلیدی را به مدل ابری می‌سپارد
کارهای پیچیده و طولانی ایجنتی معمولاً به مدل‌های پیشرو در ابر تکیه دارند. اما اجرای این مدل‌ها در همه‌ی قدم‌های یک مسیر طولانی هزینه‌ی زیادی دارد، در حالی که همه‌ی قدم‌ها به یک اندازه توانایی لازم ندارند؛ مثلاً خواندن یک فایل به اندازه‌ی طراحی یک راه‌حل سخت نی
رفتار را روی مدل بزرگ با پرامپت بساز، بعد آن را به یک مدل کوچک تقطیر کن و ارزان سرو کن
مدل‌های زبانی کوچک برای زیرتسک‌های باریک و تکراری ایجنت‌ها ۵ تا ۴۰ برابر ارزان‌ترند، اما مدل کوچک بدون آموزش معمولاً در تسک تولیدی شکست می‌خورد، و آموزش دوباره با هر تغییر رفتار برای تکرار سریع خیلی کند است. پیشنهاد این است که هر دو کار به ترتیب انجام شوند: او
هماهنگ‌سازی پیشگیرانه: ساب‌ایجنت‌هایی که هر وقت لازم شد از هماهنگ‌کننده تغییر هارنس می‌خواهند
هماهنگ‌سازی ایجنتی تسک‌ها را به ساب‌ایجنت‌هایی با کانتکست مستقل می‌سپارد و راه اصلی گسترش افق اجرای ایجنت‌هاست. اما روش‌های موجود هدف و هارنس ساب‌ایجنت را در زمان ساخت ثابت می‌کنند، که سازگاری با محیط پویا را محدود می‌کند؛ مثلاً ساب‌ایجنتی که فهمیده ابزار لازم
وقتی زیرایجنت‌ها موازی کار می‌کنند: نویدها و دام‌های هم‌روندی پویا در تسک‌های کدنویسی بلندمدت
با پیشرفت ایجنت‌های کدنویسی از تسک‌های محدود به توسعه‌ی بلندمدت، هم‌روندی پویا راهی برای بزرگ کردن کارهای پیچیده است: ایجنت حین اجرا تصمیم می‌گیرد آیا و چطور زیرایجنت‌های هم‌زمان بسازد. در تسک‌های کوتاه توان مدل نتیجه را تعیین می‌کند، اما در توسعه‌ی طولانی هما