เมื่อเร็วๆ นี้ ชุมชน openJiuwen ได้รับความสนใจอย่างต่อเนื่องจากสื่อเทคโนโลยีระดับโลก สื่อเทคโนโลยีชั้นนำในเอเชียแปซิฟิกอย่าง Tech in Asia ได้รายงานพิเศษเกี่ยวกับแนวคิดการออกแบบสถาปัตยกรรมขั้นสูงของ openJiuwen [1] ในขณะที่สื่อ AI ที่มีอำนาจระดับโลกอย่าง MarkTechPost ได้วิเคราะห์เชิงลึกถึงเอเจนต์อัจฉริยะ JiuwenClaw ที่สร้างขึ้นบนพื้นฐานของ openJiuwen โดยเน้นการตีความจุดเด่นทางเทคนิค เช่น การวิวัฒนาการด้วยตนเองและการวางแผนงานแบบไดนามิก [2] รายงานเหล่านี้แสดงให้เห็นว่าความสามารถทางเทคนิคของ openJiuwen ได้รับความสนใจและการยอมรับในระดับนานาชาติแล้ว
ปัจจุบัน เอเจนต์ AI กำลังก้าวจากฉากการสาธิตไปสู่การใช้งานในระดับกว้างขวาง แต่ยังคงเผชิญกับปัญหาคอขวดหลายประการในด้านประสิทธิภาพของพลังการคำนวณ ความเสถียรในการทำงาน ความปลอดภัยและการควบคุม ตลอดจนการทำงานร่วมกันของเอเจนต์หลายตัว ในบริบทนี้ openJiuwen มุ่งเน้นไปที่จุดเจ็บปวดในการใช้งานเอเจนต์จริง โดยมุ่งมั่นสร้าง AgentOS ระดับองค์กรที่มีความน่าเชื่อถือสูง วิวัฒนาการด้วยตนเอง ดั้งเดิมสำหรับเอเจนต์หลายตัว และเป็นมิตรกับพลังการคำนวณ เพื่อสนับสนุนสำคัญสำหรับการประยุกต์ใช้เอเจนต์ AI ในระดับกว้างขวาง
การใช้งานเอเจนต์ในระดับการผลิตต้องการการเปลี่ยนแปลงในระดับระบบปฏิบัติการ
ด้วยการพัฒนาลึกซึ้งของเทคโนโลยีโมเดลขนาดใหญ่ เอเจนต์ AI ที่สามารถเข้าใจเป้าหมาย วางแผนงาน คิดอย่างลึกซึ้ง เรียกใช้เครื่องมือ และสะท้อนตรวจสอบได้ กลายเป็นรูปแบบสำคัญของการนำปัญญาประดิษฐ์ไปใช้จริง และกำลังเร่งการปรับใช้ในระดับกว้างขวาง สิ่งนี้นำมาซึ่งโอกาสอันยิ่งใหญ่ แต่ก็มาพร้อมกับความท้าทายที่ชัดเจน ตัวอย่างเช่น มีการวิจัยชี้ให้เห็นว่าความซับซ้อนของแอปพลิเคชันเอเจนต์กำลังเติบโตในอัตราแบบทวีคูณ ซึ่งไม่เพียงแต่สร้างความต้องการพลังการคำนวณมหาศาล แต่ยังบ่งบอกถึงความท้าทายทางเทคนิคที่รุนแรง
ประการแรก เมื่อเอเจนต์ทำงานที่ซับซ้อน มักจะมาพร้อมกับการสะสมบริบทจำนวนมากและการให้เหตุผลซ้ำซ้อน ส่งผลให้การใช้ Token มากมาย ค่าใช้จ่ายในการทำงานสูง และเป็นข้อจำกัดต่อการใช้งานในระดับกว้างขวาง ประการที่สอง ปัญหาด้านความปลอดภัยและการควบคุมมีความเด่นชัด การควบคุมสิทธิ์ไม่เพียงพอ การเรียกใช้เครื่องมือมีความเสี่ยง กระบวนการทำงานขาดข้อจำกัดที่มีประสิทธิภาพ ทำให้ความน่าเชื่อถือและความสามารถในการควบคุมในสถานการณ์จริงต้องได้รับการปรับปรุง
ในเวลาเดียวกัน ในงานที่ซับซ้อนที่มีหลายขั้นตอน โซ่ยาว และเปลี่ยนแปลงแบบไดนามิก อัตราความสำเร็จของงานของเอเจนต์ยังคงต่ำ ความเสถียรและความแข็งแกร่งยังไม่เพียงพอ การทำงานระยะยาวขาดการรับประกันที่เชื่อถือได้ มักเกิดปัญหาการหยุดชะงักของการทำงาน การเลื่อนลอยของตรรกะ การลืมสถานะ และความล้มเหลวของความสามารถ โดยเฉพาะในสถานการณ์การทำงานร่วมกันของเอเจนต์หลายตัว ความสอดคล้อง ความสมบูรณ์ และความน่าเชื่อถือในการทำงานร่วมกันระหว่างเอเจนต์ยังขาดการรับประกันที่เป็นระบบ ยากที่จะตอบสนองความต้องการการใช้งานระดับองค์กรที่ต้องมีความน่าเชื่อถือสูงและควบคุมได้สูง
นอกจากนี้ โครงสร้างพื้นฐานพลังการคำนวณ AI ในปัจจุบันมีต้นทุนสูง การปรับใช้และดำเนินการบริการการอนุมานโมเดล คลัสเตอร์ขนาดใหญ่ ฯลฯ มีค่าใช้จ่ายมหาศาล โหลดของเอเจนต์มีความต้องการหลายมิติทั้งการคำนวณทั่วไป การคำนวณอัจฉริยะ รวมถึงเครือข่ายและที่เก็บข้อมูล รูปแบบการใช้ทรัพยากรซับซ้อน วิธีการทำให้เอเจนต์ทำงานอย่างมีประสิทธิภาพบนโครงสร้างพื้นฐานพลังการคำนวณที่มีราคาแพงและลดต้นทุนการใช้โดยรวมได้ กลายเป็นความท้าทายสำคัญ
เมื่อเผชิญกับโหลดและความต้องการพลังการคำนวณเฉพาะของเอเจนต์ AI และการพัฒนาอย่างรวดเร็วของโครงสร้างพื้นฐานพลังการคำนวณระดับล่าง จำเป็นต้องมี “AgentOS” เป็นชั้นเชื่อมต่อกลาง ที่สามารถจัดการโครงสร้างพื้นฐานระดับล่างได้อย่างมีประสิทธิภาพ และสนับสนุนการทำงานและการพัฒนาเอเจนต์ openJiuwen มุ่งหมายที่จะรับบทบาทนี้ โดยมุ่งเน้นที่จุดเจ็บปวดหลักของการใช้งานเอเจนต์ในระดับกว้างขวาง สร้างฐานการทำงานและทำงานร่วมกันของเอเจนต์ที่ปลอดภัย น่าเชื่อถือ มีประสิทธิภาพ และเสถียร โดยมีเป้าหมายเพื่อมอบความสามารถในการจัดตารางงานแบบรวมศูนย์ การจัดการบริบท การวิวัฒนาการด้วยตนเอง การควบคุมสิทธิ์ การรับประกันการทำงานระยะยาว และการทำงานร่วมกันของเอเจนต์หลายตัวให้กับเอเจนต์ ช่วยก้าวข้ามอุปสรรคสำคัญจาก “สามารถสาธิตได้” สู่ “สามารถผลิตได้” และเร่งการใช้งานเอเจนต์ AI ในระดับกว้างขวาง
openJiuwen as the AgentOS
openJiuwen ใช้โหลดแอปพลิเคชันเอเจนต์เป็นเป้าหมายบริการหลัก ด้านใต้เป็นมิตรกับโมเดลและโครงสร้างพื้นฐานพลังการคำนวณ ด้านเหนือเปิดใช้งานเอเจนต์ทุกประเภท ตำแหน่งทางนิเวศของมันคือ AgentOS
ในเวลาเดียวกัน openJiuwen เสนอแนวคิดการออกแบบสามประการคือ “CLI as New POSIX, Skill as New Library, Agent as New Service” และสร้างสถาปัตยกรรมโดยรวมที่สมบูรณ์บนพื้นฐานนี้
แผนภาพสถาปัตยกรรมโดยรวมของ AgentOS
Agent System Service — CLI as New POSIX
บริการระบบอะตอมมิกของ AgentOS อ้างอิงแนวคิดมาตรฐานของ POSIX ต่อการเรียกใช้ระบบของกระบวนการ กำหนดนิยามพรีมิทีฟระบบใหม่ของยุคเอเจนต์: การรับรู้ (perceive) การวางแผน (reason) การกระทำ (act) การเก็บความจำ (memory store) การแยกส่วน (sandbox) เอเจนต์ที่ปฏิบัติตามข้อกำหนดนี้สามารถทำงานแบบรวมศูนย์ข้ามสถานการณ์และอุปกรณ์ได้ ชั้นนี้ยังสนับสนุนการสร้าง Agentic UI แบบไดนามิก สามารถแสดงผลอินเทอร์เฟซตามเวลาจริงตามตัวตนผู้ใช้ บริบทงาน และประเภทอุปกรณ์ มอบประสบการณ์การโต้ตอบส่วนบุคคล
Agent Distributed Runtime — Agent as New Service
สถาปัตยกรรมไมโครเซอร์วิสทำให้แอปพลิเคชันก้าวสู่การทำงานร่วมกันแบบกระจาย ในขณะที่ Agent Distributed Runtime ทำให้เอเจนต์ทำงานร่วมกันแบบกระจายได้ เอเจนต์แต่ละตัวมีหน้าที่เดียว อินเทอร์เฟซมาตรฐาน และสามารถปรับใช้ได้อย่างอิสระ ใช้ Intent Router ในการกำหนดเส้นทางเชิงความหมาย และใช้ Orchestrator ในการจัดเรียงแบบไดนามิก ชั้นนี้อาศัยความสามารถในการลงทะเบียนและค้นพบเอเจนต์ การสื่อสารข้ามโหนด การจัดการสถานะแบบกระจาย และการแยกผู้เช่าหลายราย สร้างตาข่ายเอเจนต์แบบกระจาย (Agent Mesh) ที่สามารถควบคุมได้ สนับสนุนการทำงานพร้อมกันของเอเจนต์ขนาดใหญ่ระดับองค์กร
Agent Framework — Skill as New Library
เช่นเดียวกับไลบรารีมาตรฐานของภาษาการเขียนโปรแกรมที่ช่วยให้นักพัฒนาสร้างแอปพลิเคชันได้อย่างมีประสิทธิภาพ Agent Framework ช่วยให้นักพัฒนาเอเจนต์สามารถนำความสามารถอัจฉริยะที่สะสมไว้กลับมาใช้ใหม่ได้ Skill ในฐานะหน่วยความสามารถเอเจนต์ที่นำกลับมาใช้ใหม่ได้ซึ่งถูกห่อหุ้มอย่างสมบูรณ์ สนับสนุนการจัดการเวอร์ชัน การประกาศการพึ่งพา การประกาศสิทธิ์ และการทดสอบอัตโนมัติ เฟรมเวิร์กนี้ให้ความสามารถหลัก เช่น โปรโตคอลเอเจนต์ เครื่องมือดำเนินการ ReAct การจัดการบริบทและความจำ ราวกันภัยเอเจนต์ เครื่องมือ Skill และการวิวัฒนาการด้วยตนเองของเอเจนต์ตามผลตอบรับการดำเนินการ
เอเจนต์ทั่วไปที่พร้อมใช้งานทันที, ระบบประสิทธิภาพ Turbo Skills + Skill Inventory
AgentOS ให้เอเจนต์ทั่วไปสำหรับองค์กร บุคคล และการควบคุมอุปกรณ์ทันทีที่เปิดกล่อง พร้อมทั้งมี Turbo Skills ในตัวที่สามารถเพิ่มประสิทธิภาพระบบ Skill Inventory ในฐานะแพลตฟอร์มกระจายนิเวศเอเจนต์ สนับสนุนการอัปโหลด ตรวจสอบ เผยแพร่ และติดตั้ง Skill อย่างเป็นทางการ จากผู้ผลิต จากชุมชน และส่วนตัวแบบรวมศูนย์ ทำให้นักพัฒนาสามารถรับความสามารถได้ด้วยคลิกเดียว และผู้มีส่วนร่วม Skill สามารถเข้าถึงผู้ใช้ทั่วทั้งนิเวศ
ลักษณะหลักของ openJiuwen as AgentOS
เป็นมิตรกับพลังการคำนวณ: ลดเวลาแฝง เพิ่มปริมาณงาน ประหยัด Token
ในกระบวนทัศน์การออกแบบของ AgentOS การเป็นมิตรกับพลังการคำนวณเป็นรากฐานสำหรับประสิทธิภาพสูงระดับระบบ เพื่อปลดปล่อยศักยภาพของพลังการคำนวณให้สูงสุด openJiuwen รับคำขอพร้อมกันสูงและการจัดเรียงงานที่ซับซ้อนจากเอเจนต์ต่างๆ ด้านบน และทำงานร่วมกันอย่างลึกซึ้งกับฮาร์ดแวร์ระดับล่างด้านล่าง
ในด้านการทำงานร่วมกันของการคำนวณอัจฉริยะ openJiuwen สร้างกลไกการเป็นมิตรเชิงรุกกับพลังการคำนวณ AI เช่น NPU เมื่อเอเจนต์ทำงานเป็นเวลานาน บริบทจะบีบอัด/ถอดโหลด/เปลี่ยน Skills บ่อยครั้ง ส่งผลให้มี KV Cache ที่ล้มเหลวจำนวนมากในเครื่องมืออนุมาน รุกล้ำพื้นที่แคชที่มีประสิทธิภาพ ลดอัตราการ命中 และส่งผลต่อเวลาแฝงในการทำงาน openJiuwen ที่ชั้นหลักของ Agent Framework ผ่านการรับรู้บริบทเอเจนต์แบบไดนามิกและการทำงานร่วมกันกับการจัดตารางแคชที่เป็นมิตรกับ NPU เพิ่มอัตราการใช้ KV Cache โดยรวม รับประกันการตอบสนองสูงสุดของเอเจนต์ในสถานการณ์การทำงานระยะยาวและการเปลี่ยนแปลงบริบทความถี่สูง กล่าวกันว่าสามารถลดเวลาแฝงของเอเจนต์ได้ถึง 30%
ในระดับการคำนวณทั่วไปและการจัดตารางระบบ openJiuwen สร้างฐานการทำงานร่วมกันที่มั่นคงกับ CPU ระบบปฏิบัติการแบบดั้งเดิมออกแบบกลยุทธ์การจัดตารางโดยมีกระบวนการ/เธรดเป็นวัตถุ เมื่อเผชิญกับโหลดโซ่ยาวของการเรียกใช้เอเจนต์ กลยุทธ์เหล่านี้มักทำให้เกิดการจัดหาทรัพยากรที่ไม่เป็นระเบียบ ส่งผลให้ประสิทธิภาพผันผวนและเวลาแฝงควบคุมไม่ได้ openJiuwen ที่ชั้นหลักของ Agent System Service ทำงานร่วมกับความสามารถในการจัดตารางการรับรู้ของ CPU เปลี่ยนการจัดตารางที่ไม่เป็นระเบียบของกระบวนการ/เธรดเป็นการจัดตารางการทำงานร่วมกันแบบเต็มกระบวนการตามลำดับตามโฟลว์ธุรกิจของเอเจนต์ กล่าวกันว่าสามารถเพิ่มปริมาณงานจากต้นทางถึงปลายทางได้ 20%
Turbo Skills ระดับระบบ ให้พลังการพัฒนาอย่างมีประสิทธิภาพทั่วทั้งนิเวศ
จากมุมมองของ AgentOS Skill คือ Library รุ่นใหม่ นิเวศ Skill ในปัจจุบันยังไม่สมบูรณ์ วิธีการห่อหุ้มความสามารถในการปรับปรุงระดับล่างของระบบเป็น Skill และจัดหาให้นักพัฒนาเอเจนต์ใช้ เพื่อช่วยพวกเขาสร้างเอเจนต์ที่มีฟังก์ชันครบถ้วนและประสิทธิภาพดีเยี่ยมขึ้น เป็นหัวข้อใหม่ที่สำคัญ openJiuwen แยกแยะวิธีนี้เป็น “ระบบประสิทธิภาพ Turbo Skills”
ตัวอย่างเช่น สำหรับสถานการณ์การดำเนินการที่ซับซ้อนของคลาวด์และศูนย์ข้อมูล openJiuwen สามารถตั้งค่า Skills การดำเนินการที่มีประสิทธิภาพต่างๆ ล่วงหน้าได้ Skill การรวบรวมตัวชี้วัดสามารถตรวจสอบและรับรู้ปัญหาอย่างแข็งขันตามเวลาจริง กระตุ้นการรวบรวมแบบไดนามิกผ่านตัวชี้วัดระดับละเอียด ทำให้สามารถตรวจจับและติดตามโหนดช้า AI ภายในไม่กี่นาที ด้วยอัตราความแม่นยำในการระบุ 80% Skill การตรวจจับข้อผิดพลาดสามารถรับรู้โทโพโลยีของระบบแบบไดนามิก เชื่อมโยงบันทึกหลายแหล่งเพื่อระบุโหนดข้อผิดพลาด ทำให้สามารถระบุตำแหน่งข้อผิดพลาดหน่วยความจำภายในไม่กี่ชั่วโมง ด้วยความแม่นยำเกิน 80% Skill การปรับแต่งสามารถระบุสภาพแวดล้อมและโทโพโลยีธุรกิจแบบไดนามิก รวมกับโมเดลโดเมนที่เป็นมิตรของชิปการคำนวณทั่วไปและการคำนวณอัจฉริยะ และฐานความรู้ความสัมพันธ์พารามิเตอร์/กลยุทธ์ ทำให้สามารถค้นหาพารามิเตอร์ระบบที่ดีที่สุดโดยอัตโนมัติ จึงเพิ่มประสิทธิภาพการปรับแต่งของผู้เชี่ยวชาญ
การทำงานระยะยาวที่แน่นอน: ลดความไม่แน่นอน
ในงานเอเจนต์ที่ซับซ้อนระดับองค์กร ความขัดแย้งหลักอยู่ที่: การอนุมานของโมเดลภาษาขนาดใหญ่ (LLM) โดยพื้นฐานแล้วไม่มีสถานะ แต่งานระยะยาวกลับมีความต้องการที่แข็งแกร่งต่อความสอดคล้องของสถานะอย่างต่อเนื่อง หลังจากแต่ละครั้งของการเรียกใช้อนุมาน “ความจำ” ของเอเจนต์จะหายไป แต่เวิร์กโฟลว์องค์กรมักต้องการให้ระบบรักษาความต่อเนื่องเชิงความหมายและความแน่นอนของพฤติกรรมภายในรอบการดำเนินงานหลายวันหรือหลายสัปดาห์ openJiuwen สร้างความสามารถทางเทคนิคหลักต่อไปนี้รอบๆ ความท้าทายเชิงระบบนี้:
การจัดการความจำและบริบทแบบหลายชั้น
ปัญหาคอขวดแรกที่เอเจนต์ทำงานระยะยาวเผชิญคือปัญหา “ระเบิด” ของหน้าต่างบริบท แม้ว่าโมเดลจะสนับสนุนบริบทยาวพิเศษ แต่การสะสมของข้อมูลเช่นคำแนะนำระบบ ผลลัพธ์เครื่องมือ ฯลฯ จะทำให้พื้นที่ที่ใช้ได้หมดอย่างรวดเร็ว ข้อมูลที่ไม่เกี่ยวข้องจำนวนมากจะทำให้ความสนใจของโมเดลเจือจาง ทำให้ปัญหาหลอนประสาทรุนแรงขึ้น และนำความไม่แน่นอนมากขึ้นเข้าสู่ระบบ openJiuwen สร้างระบบการสร้างแบบจำลองกราฟความรู้หลายชั้นและแกนเวลาคู่บนพื้นฐานของข้อมูลหลายรูปแบบ เช่น ข้อมูลองค์กร บทสรุปการโต้ตอบ บันทึกการเรียกใช้เครื่องมือ ฯลฯ ทำให้สามารถดึงความจำอย่างชาญฉลาด ทำให้ล้มเหลวตามความต้องการ และจัดลำดับใหม่แบบไดนามิก สนับสนุนให้เอเจนต์ได้รับความรู้ที่ต้องการอย่างมีประสิทธิภาพและแม่นยำในงานระยะยาว หลีกเลี่ยงความซ้ำซ้อนของบริบทและการสะสมของสัญญาณรบกวน นอกจากนี้ เมื่อเอเจนต์ต้องการย้อนกลับหรือดำเนินการแบบแยกสาขา ระบบจะใช้อัลกอริทึมการตัดแต่งและรีเซ็ตบริบท ระบุชุดบริบทที่จำเป็นน้อยที่สุด ยับยั้งการเจือจางความสนใจและหลอนประสาทเพิ่มเติม ลดความไม่แน่นอนของระบบ
การสะท้อนและแก้ไขความเบี่ยงเบนในกระบวนการดำเนินการ
เทคโนโลยีหลักอีกประการที่เปิดใช้งานการทำงานระยะยาวที่แน่นอน คือ ความสามารถของเอเจนต์ในการสะท้อนและแก้ไขความเบี่ยงเบนในกระบวนการดำเนินการของตัวเอง ในโซ่งานที่ยาวนาน ผลสะสมของความเบี่ยงเบนการดำเนินการจะถูกขยายอย่างค่อยเป็นค่อยไป หากไม่มีกลไกการตรวจสอบตนเองที่เป็นระบบ พฤติกรรมของเอเจนต์จะเบี่ยงเบนจากเป้าหมายที่คาดหวังอย่างหลีกเลี่ยงไม่ได้ openJiuwen สร้างสถาปัตยกรรมการตรวจ
⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง
☕ สนับสนุนค่ากาแฟทีมงาน
หากคุณชอบบทความนี้ สามารถสนับสนุนเราได้ผ่าน PromptPay
本文来自网络搜集，不代表คลื่นสร้างอนาคต立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/th/archives/28488