Jei paskutinius metus sekei technologijų naujienas, tikrai teko susidurti su terminu „AI agentas“. Jis išplito taip greitai, kad dabar juo vadinama beveik viskas – nuo paprasto chatbot su papildoma funkcija iki sudėtingų sistemų, galinčių savarankiškai rezervuoti skrydžius, rašyti kodą ar tvarkyti verslo procesus be žmogaus įsikišimo. Bet kas iš tikrųjų slypi po šiuo pavadinimu, ir kodėl apie tai dabar kalba visi – nuo Silicio slėnio startuolių iki didžiųjų korporacijų IT skyrių?
AI agentas – ne tas pats, kas ChatGPT langelis
Didžioji dalis žmonių AI supranta per pokalbio langelio prizmę: parašai klausimą, gauni atsakymą, viskas baigiasi ten pat. AI agentas veikia kitaip. Jis nėra vien atsakymų generatorius – tai sistema, kuri geba priimti tikslą, suplanuoti veiksmų seką, panaudoti įrankius (pavyzdžiui, ieškoti internete, siųsti el. laišką, atidaryti failą, paleisti kodą) ir, svarbiausia, veikti iteratyviai – tikrinti rezultatą, taisyti klaidas ir tęsti darbą tol, kol tikslas pasiektas.
Paprastas pavyzdys: paprašai kalbos modelio parašyti kelionės planą – jis parašo tekstą ir baigia darbą. Paprašai AI agento suplanuoti kelionę – jis gali patikrinti oro uostų kainas per API, palyginti viešbučius, atsižvelgti į biudžetą, ir jeigu kažkas nesutampa (pvz., skrydis atšauktas), automatiškai perplanuoti maršrutą. Skirtumas ne kosmetinis – jis fundamentalus, nes agentas turi agentiškumą, gebėjimą veikti savarankiškai link tikslo, o ne tik reaguoti į vieną užklausą.
Kaip tai veikia po gaubtu
Techniškai AI agentas dažniausiai susideda iš kelių sluoksnių. Pirma – kalbos modelis (LLM), kuris atlieka „mąstymo“ funkciją: analizuoja situaciją, nusprendžia, ką daryti toliau. Antra – įrankių rinkinys (tools), kuriuos agentas gali kviesti: paieškos sistemos, duomenų bazės, kalendoriaus API, kodo vykdymo aplinka ir taip toliau. Trečia – atmintis, kuri leidžia agentui prisiminti ankstesnius žingsnius ir nepradėti kiekvieną kartą nuo nulio.
Visa tai sujungia vadinamasis „ciklas“ – agentas suformuluoja planą, atlieka veiksmą, gauna rezultatą, įvertina, ar tikslas pasiektas, ir jei ne – koreguoja kitą žingsnį. Šis ciklas kartojasi tol, kol užduotis baigta arba pasiekiamas nustatytas ribų limitas (pavyzdžiui, maksimalus žingsnių skaičius, kad agentas neįstrigtų begalinėje kilpoje). Būtent šis gebėjimas savarankiškai grįžti prie savo paties darbo ir jį taisyti skiria agentą nuo įprasto skripto.
Verta suprasti ir tai, kad daugelis šiandieninių agentų realiai yra keli agentai, dirbantys kartu – vadinamosios multi-agent sistemos. Vienas agentas gali būti atsakingas už planavimą, kitas – už duomenų paiešką, trečias – už rezultato patikrinimą. Tai primena nedidelę komandą, kur kiekvienas narys turi savo rolę, tik vietoj žmonių – skirtingi modelio egzemplioriai su skirtingomis instrukcijomis.
Kur agentai jau dirba realiame gyvenime
Nors daug kas skamba kaip ateities scenarijus, agentai jau naudojami gana konkrečiai. Programavime jie padeda ne tik parašyti kodo fragmentą, bet ir savarankiškai jį testuoti, taisyti klaidas, kurti pull request’us. Klientų aptarnavime jie ne tik atsako į klausimus, bet ir tikrina užsakymo statusą duomenų bazėje, inicijuoja grąžinimą ar perduoda sudėtingesnį atvejį žmogui su pilnu kontekstu.
Rinkodaros komandos naudoja agentus, kurie stebi konkurentų kainas ir automatiškai koreguoja pasiūlymus. Finansų sektoriuje agentai analizuoja ataskaitas, ruošia santraukas ir netgi vykdo pirminę rizikos analizę prieš perduodant sprendimą žmogui. Tyrimų srityje agentai geba savarankiškai naršyti mokslinius straipsnius, susisteminti informaciją ir paruošti literatūros apžvalgą per kelias valandas vietoj kelių savaičių.
Ypač įdomu tai, kaip agentai keičia asmeninio produktyvumo įrankius. Vietoj to, kad rašytum kalendoriuje kiekvieną susitikimą ranka, agentas gali pats susirašinėti su kita puse, rasti abiem tinkantį laiką ir įtraukti jį į kalendorių – be jokio tavo įsikišimo, išskyrus pradinę instrukciją.
Populiariausi įrankiai ir platformos
Rinkoje šiuo metu netrūksta pasirinkimų, priklausomai nuo to, ar nori kurti agentą pats, ar naudoti paruoštą sprendimą.
- LangChain ir LangGraph – vieni populiariausių karkasų, leidžiančių kurti sudėtingus agentų darbo srautus su atmintimi ir įrankiais.
- AutoGPT ir jo įpėdiniai – vieni pirmųjų viešai prieinamų autonominių agentų, parodę, kad idėja išvis veikia praktikoje.
- OpenAI Assistants API ir GPT agentai – leidžia lengvai prijungti įrankius ir failų analizę be gilaus programavimo.
- Claude su MCP (Model Context Protocol) – standartizuotas būdas jungti modelius su išoriniais duomenų šaltiniais ir įrankiais.
- Zapier AI ir n8n – tinka tiems, kas nori automatizuoti procesus be kodo, jungiant AI su šimtais kitų paslaugų.
Pasirinkimas priklauso nuo to, kiek techninių žinių turi ir kokio lygio kontrolės nori. No-code sprendimai leidžia greitai pradėti, bet kodo rašantiems atveria daugiau lankstumo.
Kur slypi rizika ir kodėl ne viskas taip paprasta
Autonomija turi ir tamsiąją pusę. Kuo daugiau laisvės agentas turi, tuo didesnė tikimybė, kad jis padarys klaidą – ir svarbiausia, padarys ją savarankiškai, be tavo priežiūros. Agentas, turintis prieigą prie el. pašto ar mokėjimų sistemos, gali klaidingai interpretuoti instrukciją ir atlikti veiksmą, kurio niekada nesitikėjai.
Taip pat egzistuoja vadinamoji „halucinacijų“ problema – modelis gali „pramanyti“ faktą ir remdamasis juo priimti tolimesnius sprendimus, taip klaidą paverčiant sniego gniūžte. Kuo ilgesnis agento veikimo ciklas, tuo didesnė tikimybė, kad viena maža klaida ankstyvame etape sugadins visą galutinį rezultatą.
Kita problema – kaštai. Kiekvienas agento žingsnis dažnai reiškia atskirą kreipimąsi į modelį, o tai kainuoja. Sudėtingos daugiapakopės užduotys gali suvalgyti nemažai biudžeto, jei procesas nėra gerai optimizuotas.
Saugumo požiūriu svarbu atsiminti ir „prompt injection“ riziką – kai agentas, naršydamas internete ar skaitydamas dokumentus, gali užklupti paslėptą instrukciją, kuri jį suklaidina veikti priešingai originaliam tikslui.
Kaip pradėti, jei nori pabandyti pats
Nereikia iš karto lįsti į sudėtingas multi-agent architektūras. Geriausia pradėti nuo mažo, konkretaus atvejo, kur klaida nekainuos brangiai.
- Pasirink siaurą, aiškiai apibrėžtą užduotį – pavyzdžiui, automatinį el. laiškų filtravimą arba savaitinės ataskaitos surinkimą iš kelių šaltinių.
- Naudok esamus no-code įrankius (n8n, Make, Zapier) pirmam bandymui – taip greičiau suprasi principą be didelio kodo rašymo.
- Visada nustatyk ribas – maksimalų žingsnių skaičių, biudžeto limitą, veiksmus, kurių agentas negali atlikti be patvirtinimo (pvz., mokėjimai).
- Testuok su realiais, bet nekritiniais duomenimis prieš paleidžiant sistemą į produkciją.
- Laikyk žmogų kilpoje bent svarbiausiems sprendimams – vadinamasis „human-in-the-loop“ principas ženkliai sumažina riziką.
Jeigu nori giliau, verta pasistudijuoti LangGraph dokumentaciją arba paeksperimentuoti su OpenAI Assistants API – abu turi neblogai paruoštus pavyzdžius, nuo kurių lengva atsispirti.
Ką visa tai reiškia rytdienos darbo dienai
AI agentai nėra vienadienis triukas ar rinkodaros terminas – tai realus poslinkis nuo „įrankio, kuris atsako“ link „sistemos, kuri veikia“. Skirtumas panašus į tą, kurį kadaise pajautėme pereidami nuo skaičiuotuvo prie skaičiuoklės su formulėmis: viena tik atlieka veiksmą pagal komandą, kita – suprojektuoja visą procesą už tave.
Kartu tai reiškia, kad ateinančiais metais darbo pobūdis keisis ne todėl, kad žmones pakeis robotai holivudiniu stiliumi, o todėl, kad daugybė rutininių, daugiapakopių užduočių tiesiog nebereikalaus žmogaus rankinio įsikišimo kiekviename žingsnyje. Žmogaus vaidmuo persislenka nuo vykdytojo prie prižiūrėtojo ir sprendimų priėmėjo aukštesniu lygiu.
Praktiškai – jei dirbi su technologijomis, verta pradėti eksperimentuoti jau dabar, kol konkurencija dar nespėjo išnaudoti visų galimybių. Pradėk nuo mažo, stebėk, kur agentas suklysta, ir mokykis iš to. Ir svarbiausia – nepamiršk, kad kuo daugiau autonomijos suteiki sistemai, tuo daugiau atsakomybės tenka tau pačiam nustatant, kur baigiasi jos laisvė veikti.
