Generative AI-இல் முகவர்களைப் (Agents) புரிந்துகொள்ளுதல்: ஒரு Class மற்றும் Instance வரையறை

Generative AI மற்றும் Large Language Models (LLMs) உலகத்தில், "agent" (முகவர்) என்னும் சொல் மேன்மேலும் முக்கியத்துவம் பெற்று வருகிறது. இன்றைய நாளான ஜூலை 28, 2026 நிலவரப்படி, AI அமைப்புகளில் முகவர்களை நாம் எப்படிப் புரிந்துகொள்கிறோம் மற்றும் செயல்படுத்துகிறோம் என்பதை இரு முக்கிய தரநிலைகள் தீர்மானிக்கின்றன. இந்தக்கட்டுரை agent என்றால் என்ன, அது எவ்வாறு இயங்குகிறது, மற்றும் தற்போதைய தொழில்நுட்ப சூழலில் இது ஏன் முக்கியமானது என்பதை விளக்குகிறது.

Agent என்றால் என்ன?

AI சூழலில் agent என்பது, கருவிகளைப் பயன்படுத்தியும் தன் சூழலுடன் உரையாடியும் தன்னிச்சையாகப் பணிகளைச் செய்யக்கூடிய ஒரு அமைப்பாகும். இருப்பினும், ஒரு agent என்பதைத் துல்லியமாக வரையறுப்பது எளிதானதல்ல. இந்தப் புரிதலுக்கு வழிகாட்ட இரு முக்கிய protocols உருவெடுத்துள்ளன:

1. A2A (Agent-to-Agent) Protocol v1.0: Linux Foundation-ஆல் உருவாக்கப்பட்ட இந்தத் தரநிலை, முகவர்கள் எவ்வாறு ஒன்றுக்கொன்று தொடர்புகொள்கின்றன மற்றும் ஒருங்கிணைக்கப்படுகின்றன என்பதில் கவனம் செலுத்துகிறது. இது ஒரு agent-இன் interface-ஐக் குறிப்பிடுகிறது, ஆனால் ஒரு agent உண்மையில் என்ன என்பதை வரையறுக்கவில்லை.
2. MCP (Model Context Protocol): இன்று இறுதி செய்யப்பட்ட MCP, ஒரு agent எவ்வாறு கருவிகளைப் பயன்படுத்துகிறது என்பதைக் கோடிட்டுக் காட்டுகிறது. இது ஒரு agent-இன் உள் செயல்பாடுகளை விவரிக்கிறது, ஆனால் A2A போல, agent-ஐத் தானாக வரையறுக்கவில்லை.

இரு protocols-உம் நமது புரிதலில் உள்ள ஒரு இடைவெளியைச் சுட்டிக்காட்டுகின்றன: எதுவும் agent என்றால் என்ன என்பதைத் தெளிவாக வரையறுக்கவில்லை. ஒரு கட்டமைக்கப்பட்ட வரையறையை வழங்குவதன் மூலம் அந்த இடைவெளியை நிரப்புவதையே இந்தக் கட்டுரை நோக்கமாகக் கொண்டுள்ளது.

Agents-ஐ வரையறுப்பதற்கான Framework

ஒரு விரிவான வரையறையை உருவாக்க, நாம் agents-ஐ இரு பகுதிகளாகப் யோசிக்கலாம்: class மற்றும் instance. class என்பது ஒரு agent-இன் வரையறையைக் குறிக்கிறது, அதே வேளையில் instance என்பது அந்த class-இன் ஒரு குறிப்பிட்ட வடிவமாகும்.

Agent வரையறை (Class)

ஒரு agent-இன் class பல முக்கிய கூறுகளைக் கொண்டுள்ளது:

• Host Loop: இது LLM (Large Language Model) நடவடிக்கைகளைத் தீர்மானிக்கும், முடிவுகளைக் அவதானிக்கும், மற்றும் தன் பணிகளை மீண்டும் மீண்டும் செய்யும் முதன்மைச் செயல்பாடாகும். இந்த loop இல்லாமல், உங்களிடம் கருவிகளைப் பயன்படுத்தக்கூடிய ஒரு chatbot மட்டுமே இருக்கும், உண்மையான agent இருக்காது.
• System Context: இதில் agent-இன் நடத்தையை வழிநடத்தும் persona மற்றும் instructions போன்ற நிலையான கூறுகள் அடங்கும்.
• MCP Server Set: இது agent எந்த MCP servers உடன் உரையாட முடியும் என்பதை வரையறுக்கிறது.
• Capability Boundary/Tool Policy: இது எந்த நிபந்தனைகளின் கீழ் agent குறிப்பிட்ட servers மற்றும் கருவிகளைப் பயன்படுத்தலாம் என்பதைக் கோடிட்டுக் காட்டுகிறது.
• LLM: Agent பயன்படுத்தும் குறிப்பிட்ட மாதிரி (model).
• Termination Limits: இவை agent-இன் செயல்பாடுகளைக் கட்டுப்படுத்தும் அதிகபட்ச iterations மற்றும் token budgets போன்ற கட்டுப்பாடுகள் ஆகும்.
• Task Contract: Agent என்ன உள்ளீடுகளை ஏற்றுக்கொள்கிறது மற்றும் என்ன வெளியீடுகளைத் திருப்பியளிக்க வேண்டும் என்பதை விவரிக்கும் ஒரு schema.
• Context-Size Strategy: இது compaction அல்லது top-x selection போன்ற முறைகள் உட்பட, agent தனது context size-ஐ எவ்வாறு நிர்வகிக்கிறது என்பதை விவரிக்கிறது.

Agent Instance (Object)

ஒரு agent-இன் instance பின்வருவனவற்றால் வரையறுக்கப்படுகிறது:

• Goal: பயனரால் தொடங்கப்பட்ட குறிப்பிட்ட பணி அல்லது கேள்வி.
• Working Context Window: இதில் உரையாடல் வரலாறு மற்றும் தற்போதைய பணிக்குத் தொடர்புடைய கருவிகளின் முடிவுகள் அடங்கும்.
• Credentials: பயனரின் அடையாளத்தைப் பிரதிபலிக்கும் OAuth tokens போன்ற சான்றளிப்பு விவரங்கள்.
• Consumed Budget: பணியின் போது பயன்படுத்தப்பட்ட கடந்த iterations மற்றும் tokens-ஐக் கண்காணிக்கும் அளவீடுகள்.

2026 MCP Specification

புதிய MCP specification குறிப்பிடத்தக்க மாற்றங்களை அறிமுகப்படுத்துகிறது, குறிப்பாய் state எவ்வாறு நிர்வகிக்கப்படுகிறது என்பது குறித்து. முன்பு, servers sessions-ஐ நினைவில் வைத்திருக்கும், ஆனால் இப்போது, ஒவ்வொரு அழைப்பும் stateless ஆகும். இதன் பொருள், மாதிரி (model) பார்க்கக்கூடிய வெளிப்படையான handles உடன் தேவையான அனைத்துத் தகவல்களும் பயணிக்கின்றன.

இந்த மாற்றம் working context window-ஐ நாம் வரையறுக்கும் விதத்தை பாதிக்கிறது. instance state இப்போது goal, context, handles, credentials மற்றும் consumed budget ஆகியவற்றை உள்ளடக்கியுள்ளது. இதன் விளைவாக, ஒரு agent-ஐ serializable மதிப்பாவாகக் கருத முடியும், இதனால் அதை வெவ்வேறு செயல்பாடுகளில் இடைநிறுத்தவும், சேமிக்கவும் (persist), மற்றும் மீண்டும் தொடங்கவும் (resume) முடியும்.

முடிவுரை

AI-இன் வேகமான வளர்ச்சி அடையும் துறையில், ஒரு agent என்றால் என்ன மற்றும் அது எவ்வாறு இயங்குகிறது என்பதைப் புரிந்துகொள்வது மிகவும் முக்கியமானது. Agent-இன் class மற்றும் instance ஆகியவற்றுக்கு இடையேயான வேறுபாட்டைப் புரிந்துகொள்வதன் மூலம், உருவாக்குநர்கள் (developers) மேலும் திறன்மிகு மற்றும் மாற்றியமைக்கக்கூடிய AI அமைப்புகளை உருவாக்க முடியும்.

நன்மைகள்

• AI-இல் agents-ஐ வரையறுப்பதற்கான தெளிவான framework.
• வெவ்வேறு AI அமைப்புகளுக்கு இடையே பரஸ்பர செயல்பாட்டை (interoperability) எளிதாக்குகிறது.
• வலுவான agent கட்டமைப்புத் திட்டங்களின் (architectures) வளர்ச்சியை ஆதரிக்கிறது.

குறைபாடுகள்

• தற்போதைய வரையறைகள் அனைத்து நிஜ உலகச் சூழ்நிலைகளையும் உள்ளடக்கியிருக்காது.
• வெவ்வேறு தளங்கள் மற்றும் பயன்பாட்டுச் சூழல்களில் செயல்பாடு (implementation) மாறுபடலாம்.

எச்சரிக்கை

இந்தக் கட்டுரை கல்வி நோக்கங்களுக்காக மட்டுமே. குறிப்பிடப்பட்டுள்ள எந்தவொரு placeholder மதிப்புகளும் நடைமுறையில் உண்மைத் தரவுகளுடன் மாற்றப்பட வேண்டும். வாசகர்கள் அவற்றை நம்புவதற்கு முன் மூல ஆதாரத்துடன் கூற்றுகளைச் சரிபார்க்க வேண்டும்.

அடிக்கடி கேட்கப்படும் கேள்விகள்

• AI-இல் agent என்றால் என்ன? — Agent என்பது கருவிகளைப் பயன்படுத்தியும் தன் சூழலுடன் உரையாடியும் தன்னிச்சையாகப் பணிகளைச் செய்யக்கூடிய ஒரு அமைப்பாகும்.
• A2A மற்றும் MCP protocols என்றால் என்ன? — A2A முகவர்கள் எவ்வாறு தொடர்புகொள்கின்றன என்பதை வரையறுக்கிறது, MCP அவை எவ்வாறு கருவிகளைப் பயன்படுத்துகின்றன என்பதைக் கோடிட்டுக் காட்டுகிறது, ஆனால் இரண்டும் agent என்றால் என்ன என்பதை வரையறுக்கவில்லை.
• ஒரு agent-இல் host loop என்றால் என்ன? — Host loop என்பது LLM நடவடிக்கைகளைத் தீர்மானிக்கும் மற்றும் பணிகளை மீண்டும் மீண்டும் செய்யும் முதன்மைச் செயல்பாடாகும்.
• 2026 MCP specification-இன் முக்கியத்துவம் என்ன? — இது agent உரையாடல்களை நிர்வகிப்பதற்கான ஒரு stateless மாதிரியை அறிமுகப்படுத்துகிறது, இது agents சூழலை (context) எவ்வாறு பராமரிக்கின்றன என்பதைப் பாதிக்கிறது.
• Agents தங்கள் context அளவு (context size)-ஐ எவ்வாறு நிர்வகிக்கின்றன? — Agents தங்கள் context size-ஐத் திறம்பட நிர்வகிக்க compaction அல்லது top-x selection போன்ற உத்திகளைப் பயன்படுத்துகின்றன.
• Agents-ஐ serialize செய்ய முடியுமா? — ஆம், புதிய MCP spec agents-ஐ serializable மதிப்புகளாகக் கருத அனுமதிக்கிறது, இது எளிதான சேமிப்பு (persistence) மற்றும் மீண்டும் தொடங்குதலைச் (resumption) சாத்தியமாக்குகிறது.

Tags

#agents #ai #mcp