Agentic AI ба энгийн AI Agent: Архитектурын ялгаа ба шийдвэр гаргалт

Хиймэл оюун ухааны (AI) хөгжил хурдасч байгаа өнөө үед байгууллагын технологийн удирдлагууд, үүсгэн байгуулагчид болон ахлах инженерүүдийн өмнө нэгэн чухал асуулт гарч ирж байна: Бидний хөгжүүлж буй систем зүгээр нэг "Энгийн AI Агент" (Simple AI Agent) байх ёстой юу, эсвэл "Agentic AI" буюу өөрөө шийдвэр гаргагч бие даасан систем байх шаардлагатай юу?

Сүүлийн үед "AI Agent" гэдэг нэр томьёо хэт хавтгайрч, энгийн нэг скрипт болон Large Language Model (LLM)-ын хослолыг хүртэл агент хэмээн нэрлэх болсон. Гэвч бодит үйлдвэрлэлийн орчинд (production environment) энэхүү хоёр ойлголт нь архитектур, зардлын бүтэц, найдвартай байдал болон гарах эрсдэлийн хувьд тэс өөр юм. Энэхүү нийтлэлээр эдгээр хоёр ойлголтын суурь ялгаа, хэзээ алийг нь сонгох шалгуур болон бодит хэрэгжүүлэлтийн үед анхаарах зүйлсийг нарийвчлан тайлбарлах болно.

1. Үндсэн тодорхойлолт ба хамрах хүрээ

Технологийн сонголт хийхээс өмнө эдгээр системийн суурь ялгааг тодорхойлох нь чухал юм.

Энгийн AI Агент (Simple AI Agent): Энэ нь урьдчилан тодорхойлсон, хатуу дүрмийн дагуу (rule-bound) ажилладаг систем юм. Ихэвчлэн хүний өгсөн заавар (prompt) эсвэл системийн дохиогоор (trigger) ажиллаж эхлэх бөгөөд нэг эсвэл цөөн хэдэн тодорхой алхмыг дарааллын дагуу гүйцэтгэдэг. Энэ төрлийн системд бие даан шийдвэр гаргах эрх мэдэл байдаггүй бөгөөд зөвхөн өгөгдсөн даалгаврыг л биелүүлнэ.

Agentic AI (Өөрөө шийдвэр гаргагч бие даасан AI): Энэ нь ерөнхий, том зорилго өгөгдсөн үед түүнд хүрэх арга замыг өөрөө төлөвлөж, алхмуудад задалж, багаж хэрэгсэл (tools/APIs) ашиглан гүйцэтгэх чадвартай систем юм. Хамгийн чухал ялгаа нь эдгээр системүүд өөрийн хийсэн үйлдлийн үр дүнгээс суралцаж, алдаа гарсан үед төлөвлөгөөгөө өөрчлөх (self-correction) чадвартай байдагт оршино.

Энэхүү ялгаа нь инженерийн багийн архитектурын шийдвэр төдийгүй бизнесийн эрсдэлийн удирдлагад шууд нөлөөлдөг. Agentic AI нь илүү уян хатан боловч, системийг хянах, дибаг хийх, урьдчилан таамаглахад илүү төвөгтэй байдаг.

2. Хэрхэн ажилладаг вэ: Үндсэн механизм

Эдгээр системүүдийн дотоод ажиллагааны механизм нь тэдний хэрэглээний хязгаарыг тогтоодог.

Энгийн AI Агентын механизм

Энгийн AI нь ихэвчлэн шугаман (linear) эсвэл чиглэлт граф (DAG - Directed Acyclic Graph) хэлбэрийн урсгалаар ажилладаг.

1. Оролт: Хэрэглэгч асуулт асууна.
2. Мэдээлэл татах (Retrieval): Систем өгөгдлийн сангаас холбогдох мэдээллийг татаж авна (жишээ нь RAG архитектур).
3. Генераци (Generation): LLM нь татаж авсан мэдээлэл болон хэрэглэгчийн асуултыг нэгтгэн хариуг боловсруулна.
4. Гаралт: Үр дүнг хэрэглэгчид харуулна.

Энэхүү үйл явц нь маш ойлгомжтой бөгөөд үр дүн нь тогтвортой (deterministic) шинж чанартай байдаг.

Agentic AI-ийн механизм

Agentic систем нь давтан гүйцэтгэх (loop) хэлбэрээр ажилладаг. Үүний хамгийн түгээмэл загвар бол ReAct (Reasoning and Acting) архитектур юм.

• Зорилго хүлээн авах: "Сүүлийн 3 сарын үүлэн технологийн зардлыг шинжилж, хэмнэж болох 2 санааг хэрэгжүүлэхэд бэлэн байдлаар бэлтгэ" гэх мэт.
• Төлөвлөлт (Reasoning): Агент энэ зорилгыг хэд хэдэн жижиг алхамд хуваана.
• Үйлдэл (Acting): Эхний алхмыг хийхийн тулд холбогдох API-г дуудна (жишээ нь, AWS Cost Explorer API).
• Ажиглалт (Observation): API-аас ирсэн хариуг шинжилнэ.
• Баталгаажуулалт ба дасан зохицох (Reflection): Хэрэв API алдаа заасан бол шалтгааныг нь ойлгож, өөр аргаар хандах эсвэл төлөвлөгөөгөө өөрчилнө. Энэ үйл явц нь зорилгодоо хүрэх хүртэл үргэлжилнэ.

3. Архитектур болон үйлдлийн загварууд

Системийн архитектурын түвшинд хэрхэн зохион байгуулагдах нь төслийн амжилтад шууд нөлөөлдөг.

Төлөв байдлын удирдлага (State Management): Энгийн AI нь ихэвчлэн төлөв хадгалдаггүй (stateless) байдаг. Харин Agentic AI-д тухайн агент ямар алхам дээр явж байгаа, өмнө нь ямар алдаа гаргасан зэргийг санах ойд (Memory) хадгалах шаардлагатай. Үүний тулд вектор өгөгдлийн сангууд (Vector DB) эсвэл уламжлалт өгөгдлийн сангуудыг ашиглан богино болон урт хугацааны санах ойг бүрдүүлдэг.

Олон агентын систем (Multi-Agent Systems): Нарийн төвөгтэй төслүүдэд нэг л супер агент бүхнийг хийхээс илүүтэй, төрөлжсөн хэд хэдэн агентууд хамтран ажиллах загвар илүү амжилттай байдаг.

• Чиглүүлэгч агент (Supervisor Pattern): Нэг ерөнхий удирдагч агент даалгаврыг бусад жижиг агентуудад хуваарилж, үр дүнг нь нэгтгэдэг.
• Хамтын ажиллагааны загвар (Collaborative Pattern): Агентууд хоорондоо мэдээлэл солилцож, нэгнийхээ гаргасан үр дүнг нөгөөх нь шалгаж баталгаажуулдаг (жишээ нь, код бичдэг агент болон түүнийг нь шалгаж тест хийдэг агент).

4. Хэрэглээний тохиолдлууд

Бүх асуудалд Agentic AI шаардлагатай биш. Зөв технологийг зөв асуудалд ашиглах нь зардлыг хэмнэж, бүтээмжийг нэмэгдүүлнэ.

Энгийн AI Агент ашиглах нь тохиромжтой үе:

• Хэрэглэгчийн үйлчилгээний лавлах: Байгууллагын дотоод журам эсвэл бүтээгдэхүүний гарын авлагаас асуултад хариулах.
• Өгөгдөл задлах (Data Extraction): Бүтэцгүй баримт бичгээс (гэрээ, нэхэмжлэх) тодорхой утгуудыг олж, JSON форматаар хадгалах.
• Синтакс шалгах: Программистын бичсэн кодод синтакс алдаа байгаа эсэхийг урьдчилан тодорхойлсон дүрмийн дагуу шалгах.

Agentic AI ашиглах нь тохиромжтой үе:

• Ажлын урсгалын динамик автоматжуулалт: Системд гарсан доголдол (incident)-ын шалтгааныг хайх, лог датаг шинжлэх, шалтгааныг олох, шаардлагатай бол серверийг дахин ачаалах хүртэлх бүхий л үйл явцыг бие даан хийх.
• Программ хангамжийн бие даасан тест ба дибаг: Зөвхөн алдааг заагаад зогсохгүй, кодын санд (codebase) засвар оруулах, тестийг дахин ажиллуулж баталгаажуулах, улмаар Pull Request үүсгэх.
• Нийлүүлэлтийн сүлжээний оновчлол: Ачаа тээвэр саатсан үед өөр хувилбаруудыг автоматаар судалж, үнэ болон хугацааны тооцооллыг хийж шинэ замналыг санал болгох.

5. Давуу болон сул тал, эрсдэл, хязгаарлалтууд

Технологийн удирдлагууд Agentic AI-г нэвтрүүлэхдээ дараах бодит эрсдэлүүдийг үнэлэх хэрэгтэй.

• Зардлын хяналтгүй өсөлт: Энгийн AI нь нэг хүсэлтэд нэг л удаа LLM руу ханддаг бол, Agentic систем нь нэг даалгаврыг биелүүлэхийн тулд 10 эсвэл 20 удаа дотооддоо API дуудлага хийж болно. Энэ нь үүлэн тооцооллын болон LLM-ийн API зардлыг огцом өсгөдөг.
• Хугацааны саатал (Latency): Олон алхамт төлөвлөлт хийдэг тул хариу өгөх хугацаа урт байдаг. Хэрэглэгч шууд хариу (real-time) хүлээж байгаа системд (жишээ нь, чатбот) Agentic AI төдийлөн тохиромжгүй.
• "Хязгааргүй давталт" (Infinite Loops): Агент алдаа гаргах үедээ түүнийгээ ойлгохгүй, нэг хийсэн буруу үйлдлээ дахин дахин давтсаар гацах магадлалтай.
• Аюулгүй байдал ба эрхийн хязгаар (Blast Radius): Агентад өгөгдлийн санд бичих, имэйл илгээх зэрэг эрхүүдийг өгөх нь маш том эрсдэл дагуулдаг. Хэрэв LLM хий үзэгдэл (hallucination) гаргаж, буруу параметр дамжуулбал системд ноцтой хохирол учруулж болзошгүй. Тиймээс хамгийн бага эрхийн зарчим (Principle of Least Privilege) болон хатуу тусгаарлалт (Sandboxing) хийх нь амин чухал.

6. Шийдвэр гаргах шалгуур үзүүлэлтүүд

Аль системийг сонгох талаарх шийдвэрээ дараах шалгууруудаар үнэлэхийг зөвлөж байна:

1. Даалгаврын нарийн төвөгтэй байдал:
   • Энгийн AI: Алхмуудыг урьдчилан таамаглаж, дүрэм болгон бичих боломжтой бол.
   • Agentic AI: Даалгаврыг хэрхэн шийдвэрлэх арга зам нь байнга өөрчлөгддөг, динамик нөхцөл байдалд ажиллах шаардлагатай бол.
2. Хугацаа (Latency) болон гүйцэтгэл:
   • Энгийн AI: Миллисекундээс хэдхэн секундын дотор хариулах шаардлагатай системд.
   • Agentic AI: Даалгаврыг гүйцэтгэхэд минут эсвэл түүнээс дээш хугацаа зарцуулахад бизнесийн үйл ажиллагаанд нөлөөлөхгүй, ар талд (background task) ажиллах боломжтой үед.
3. Найдвартай байдал ба Алдаа гаргах эрсдэл:
   • Энгийн AI: Үр дүн нь 100% урьдчилан таамаглах боломжтой, эрсдэл багатай байх ёстой үед.
   • Agentic AI: Систем алдаа гаргасан ч өөрөө өөрийгөө засах боломжтой, эсвэл эцсийн шийдвэрийг хүн баталгаажуулах боломжтой үед.
4. Төсөв ба нөөц:
   • Энгийн AI: Хөгжүүлэх болон ажиллуулах зардал бага, урьдчилан таамаглах боломжтой.
   • Agentic AI: Хөгжүүлэлтийн цаг их шаардагдах ба үйл ажиллагааны (API calls) зардал өндөр.

7. Түгээмэл алдаанууд ба түүнээс хэрхэн сэргийлэх вэ

Инженерийн багууд Agentic AI-г хэрэгжүүлэх үед ихэвчлэн дараах алдаануудыг гаргадаг:

• Хэт их бие даасан байдал эрт олгох: Агентад шууд л мэдээлэл устгах эсвэл тохиргоо өөрчлөх эрх өгч болохгүй. Эхний ээлжинд ямагт "Human-in-the-loop" (Хүн хянах) зарчмыг баримталж, агент зөвхөн санал болгодог, харин хүн зөвшөөрснөөр үйлдэл баталгааждаг байх хэрэгтэй.
• Багаж хэрэгслийн (Tools) тодорхойлолт хангалтгүй байх: Агентийн ашиглах API болон функцүүдийн тайлбарыг (docstrings) муу бичсэнээс болж LLM нь тухайн хэрэгслийг хэзээ, хэрхэн ашиглахаа мэдэхгүй төөрөлддөг. Багаж хэрэгслийн тайлбарыг хүнд зориулж биш, машинд зориулж маш нарийн, тодорхой бичих ёстой.
• Хяналт ба алдаа шалгах процесс (Observability) дутмаг байх: Agentic AI бол "хар хайрцаг" биш байх ёстой. Агент яагаад тийм шийдвэр гаргасан, ямар мэдээлэлд үндэслэн ямар алхам хийснийг алхам тутамд нь бүртгэж (tracing) хянах боломжтой байх нь үйлдвэрлэлийн орчинд гарсан алдааг засахад хамгийн чухал.
• Үнэлгээний системгүй (No Evals) хөгжүүлэх: Энгийн программ хангамжийн тестээр AI агентыг шалгах боломжгүй. Тиймээс агентын шийдвэр гаргалтын оновчтой байдлыг үнэлэх тусгай хэмжигдэхүүн, үнэлгээний орчин (Evaluation framework) заавал бүрдүүлэх шаардлагатай.

8. Гол дүгнэлтүүд

Технологийн сонголт хийх болон систем зохион бүтээх үедээ дараах зүйлсийг санахад илүүдэхгүй:

• Хэрэгцээгээ зөв тодорхойлох: Хэрэв таны асуудал энгийн скрипт эсвэл хатуу дүрэм бүхий ажлын урсгалаар (workflow) шийдэгдэх боломжтой бол Agentic AI руу шилжих хэрэггүй. Урьдчилан таамаглах боломжтой систем үргэлж хямд бөгөөд найдвартай байдаг.
• Архитектурын модульчлал: Шууд л олон агентын нарийн төвөгтэй систем рүү үсрэхээс зайлсхий. Эхлээд нэг энгийн агент үүсгэж, түүнд нэг багаж (tool) өгч турших замаар системийн сууриа тавих нь илүү үр дүнтэй.
• Эрсдэлийн хяналт ба баталгаажуулалт: Өөрөө шийдвэр гаргагч агентыг үйлдвэрлэлийн орчинд нэвтрүүлэхээс өмнө "Blast radius" буюу алдаа гаргах үед үүсэх хохирлын цар хүрээг тодорхойлж, хэрэгжүүлэх үйлдлүүдийг хатуу хязгаарласан (sandbox) орчинд ажиллуулах шаардлагатай.
• Хэмжигдэхүйц сайжруулалт: Agentic системийг хөгжүүлэх нь нэг удаагийн төсөл биш юм. Систем хэрхэн ажиллаж байгааг тогтмол хянаж, лог дата дээр үндэслэн багаж хэрэгслийн тодорхойлолт, төлөвлөлтийн промптуудыг тасралтгүй сайжруулах үйл явц юм.