این مقاله به بررسی مفهوم عوامل فرعی در توسعه عوامل هوش مصنوعی با استفاده از زبان برنامهنویسی کاتلین میپردازد. نویسنده توضیح میدهد که هدف از استفاده از عوامل فرعی، کاهش هزینه و بهبود عملکرد عامل اصلی است. این امر از طریق محدود کردن رشد زمینه (context) و جلوگیری از حواسپرتی عامل اصلی حاصل میشود. تمرکز اصلی بر روی یک عامل فرعی "find" است که وظیفه جستجو را بر عهده دارد و میتواند از مدلهای LLM سریعتر و ارزانتر استفاده کند. این رویکرد انعطافپذیری بیشتری را در انتخاب مدل فراهم میکند و به عنوان یک روش طبیعی برای فشردهسازی تاریخچه عامل عمل میکند. نویسنده همچنین اشاره میکند که این کار میتواند با استفاده از ابزارهای رویهای مانند RegexSearchTool نیز انجام شود، اما قرار دادن آن در یک عامل فرعی، انعطافپذیری بیشتری را فراهم میکند. در نهایت، استفاده از GPT4.1 Mini برای این عامل فرعی به دلیل سادگی وظیفه آن توصیه میشود.
مشاهده مطلب اصلی