SelfManaged Crew

SelfManaged Crew

AI-crews giver dig mulighed for at bruge hele teams af AI-agenter til at udføre komplekse opgaver. Det kan virke forvirrende i starten, men crew-tilgangen kopierer blot, hvordan rigtige teams arbejder. I ethvert givet team har du personer med unikke roller og færdigheder, som arbejder sammen for at nå et fælles mål.

Lad os sige, du vil oprette og udgive et længere blogindlæg. Arbejdet starter typisk med, at en SEO-specialist undersøger søgeord og udarbejder indholdets disposition. De laver et SEO-brief, som gives videre til tekstforfatteren. Når forfatteren er færdig, korrekturlæser og redigerer en kollega artiklen for at sikre kvaliteten. Hvad med billeder eller infografikker? En designer hjælper med det.

Du har allerede mindst tre-fire personer, der arbejder på at skabe dette indhold. De deler et fælles mål, men hver især specialiserer sig i noget forskelligt og udfører forskellige delopgaver. Lad os se, hvordan du kan kopiere dette team som en gruppe AI-agenter.

Nysgerrig på det Flow, vi analyserer i denne guide? Det er Advanced Blog Generator, og du kan nemt finde det i dit Flow-bibliotek.

Hvad er SelfManaged Crew-komponenten

SelfManaged Crew-komponenten er en strukturel komponent, der grupperer agenter og opgaver i ét team ledet af en manager-agent. Den repræsenterer kun én gruppe, så du kan oprette flere agentteams i et enkelt Flow. Kernen i at oprette et AI-crew er at opsætte agenter og deres opgaver.

AI-agenternes rolle i crews

SelfManaged Crew-komponenten er kun en strukturel komponent, der samler grupper af agenter. Derfor er første skridt til at bruge AI-crews med succes at forstå og opsætte de enkelte agenter, inklusiv manager-agenten.

AI-agenter er computerprogrammer, der kan udføre opgaver og løse problemer selvstændigt. De behandler information og handler ud fra deres programmering, viden og mål.

Agenter er ikke kun generativ AI. Med de rette værktøjer kan de udføre egentlige opgaver som at sende e-mails, oprette dokumenter m.m. I stedet for at foruddefinere faste triggere for denne adfærd kan agenterne selv træffe beslutninger.

I praksis behøver du ikke længere give detaljerede prompts for en stramt styret generativ adfærd. Du skal blot give agenten deres rolle, personlighed og mål, så de ved, hvem de er, og hvad der motiverer dem.

Læs mere om AI-agenter og hvordan du bruger AI Agent-komponenten

Hvorfor er crews bedre end enkeltagenter?

Hvis der opstår et problem i dit teams processer, kan du hurtigt finde fejlen og arbejde sammen med en kompetent teammedlem for at finde en løsning. Forestil dig nu, at det kun er dig, der arbejder på hele opgaven, og problemet opstår i dit eget hoved. Det er meget sværere at opdage og rette. Det samme gælder, når man sammenligner en enkelt agent med et crew af agenter.

Når du giver en enkelt agent en prompt, får den en kompleks opgave uden megen kontrol over, hvordan de enkelte delopgaver udføres. Ved komplekse opgaver kan det føre til flaskehalse og lav outputkvalitet.

Med et crew kan du opdele hovedopgaven i specifikke delopgaver og tildele hver enkelt til et unikt AI-teammedlem. Resultatet er et langt mere professionelt og detaljeret output. Det gør også fejlfinding lettere, og koordinering af specialiserede agenter gør det muligt at håndtere meget mere komplekse opgaver.

Forskellen på Self-Managed og Sequential Crews

Du har måske bemærket, at der er to forskellige Crew-komponenter i dit dashboard. Forskellen mellem disse typer crews ligger i rækkefølgen af opgaver og graden af kontrol.

Lad os vende tilbage til vores marketingteam-eksempel. Den første agent i rækken er SEO-specialisten. Når emnet er undersøgt, sender denne information videre til tekstforfatteren. Nedenfor kan du se, hvordan SEO-agentens opgave er forbundet til tekstforfatter-agentens skriveopgave:

Lad os først tale om en Sequential Crew. Med en Sequential Crew udføres opgaverne efter hinanden i præcis den rækkefølge, du angiver i Flowet. Når en opgave er færdig, er den permanent, og Flowet går videre til næste agent. Det er godt til simple processer eller processer, der kræver mindre beregningskraft.

Tænk på en ægte tekstforfatter. De researcher først og går derefter i gang med at skrive, men efterhånden som artiklen udvikler sig, opdager de måske, at der skal researcheres mere. Derfor veksler de mellem research og skrivning, inden de går videre. Det gør en sequential crew ikke. Når en opgave er færdig, er det bare det. Her kommer Self-Managed crews ind i billedet.

Med en Self-Managed Crew beslutter manager-AI-agenten rækkefølgen af opgaver og hvor mange iterationer, der er nødvendige. Når AI’en træffer beslutninger, forsøger den at efterligne traditionelle organisationshierarkier. Det åbner mulighed for at gentage opgaver og lave flere iterationer af det endelige output.

Takket være manager-LLM’en, der uddelegerer opgaver og overvåger deres udførelse, kan SelfManaged Crew arbejde med en enkelt kompleks opgave. Manager-LLM’en kan nemt opdele opgaven og tildele delopgaver til de rigtige agenter. Det er især smart, når du ved, hvad der skal gøres, men ikke er sikker på den præcise proces og delopgaver.

Sådan bruger du SelfManaged Crews

SelfManaged Crew er en strukturel komponent, der samler agent- og opgavekomponenter i en gruppe. For at bruge en SelfManaged Crew skal vi først definere manager-agenten, teammedlemmerne og deres opgaver. Først derefter kan vi gøre dem til et team.

Opsætning af SelfManaged Crews består af fire trin:

1. Opsætning af individuelle AI-agenter
2. Give agenter opgaver
3. Opsætning af manager-agenten
4. Gøre agenterne til en SelfManaged Crew

Opsætning af individuelle AI-agenter

Hvert medlem af et ægte team har en rolle, mål og en unik baggrund, der inkluderer deres tidligere erfaringer, personlighed og specifikke stil. Det gælder også for hver AI-agent.

For eksempel, lad os fokusere på tekstforfatteren i teamet:

• Rollen: Agentens jobtitel. I dette eksempel er rollen tekstforfatter.
• Målet: Hvad agenten skal gøre, og hvad det ideelle resultat er. For tekstforfatteren er det forventede resultat en velskrevet artikel, som følger tema og SEO-brief.
• Baggrunden: Repræsenterer, hvem agenten er. Uanset om du vil det eller ej, tager du altid din personlighed, tankegang, sprogbrug og erfaringer med i alt, hvad du laver. Det ses især i kreativt arbejde som tekstforfatning.

Gentag denne proces for alle de agenter, du vil bruge i dit team.

Læs mere om AI-agenter og hvordan du bruger AI Agent-komponenten

Give agenter opgaver

Vi fortsætter med vores blog-eksempel og ved nu, hvem vores agent er. Næste skridt er at lade agenten vide, hvad deres opgave er, og introducere dem for teamet.

Hvad er opgavekomponenterne?

I Crews får hver agent tildelt en opgave. Ligesom i et rigtigt team kan hvert medlem udføre forskellige projektrelaterede opgaver. Opgavekomponenterne gør det muligt at specificere og tildele disse opgaver.

Du vil lægge mærke til, at der ligesom med Crew-komponenten er to mulige opgavekomponenter—sequential og SelfManaged. Da dette er to modsatrettede tilgange til at styre agenter, vil det ikke give mening at blande dem. Derfor bruger vi også SelfManaged Tasks, når vi bruger en SelfManaged Crew:

Hvis du har en opgave i tankerne, men ikke er sikker på, hvordan du skal opdele den i mindre delopgaver, kan du blot skrive det hele ind i én opgave. Manager-LLM’en er der til at uddelegere opgaver og overvåge processen, så hver agent ved, hvad de skal gøre hvornår. Den kan opdele hovedopgaven og tildele delene til de rette agenter.

Ud over opgaven kan hver agent i et crew også få passende værktøjer, der gør deres arbejde lettere og mere præcist. I vores eksempel bruger researcheren værktøjerne GoogleSearch og URL Retriever til at styre researchmulighederne.

Dernæst skal opgaverne opsættes. Hver SelfManaged Task skal enten have en beskrivelse, det forventede output – eller begge dele:

Opgavebeskrivelsen for tekstforfatter-agenten kan fx lyde sådan her:

“Givet SEO-indholdsbriefet, skriv et blogindlæg på maksimalt 1500 ord. 

Start aldrig afsnit med vage udsagn som ‘I det hastigt skiftende felt af…’. Gå altid direkte til hovedinformationen, som afsnittet skal levere. “

Lad os se nærmere på denne opgavebeskrivelse:

• “Givet indholdsbriefet” – Agenten ved, hvad den skal gøre med det tidligere output.
• “Skriv et blogindlæg på op til 1500 ord” – Det output, vi forventer fra agenten.
• “Start aldrig…..” – Yderligere tilpassede instruktioner til at justere outputtet. Disse instruktioner kan være retningslinjer for sprog, ordvalg, struktur eller andet, der hjælper agenten med at skabe det, du har brug for.

Feltet for forventet output er valgfrit og er velegnet, når du ønsker et struktureret output eller vil sikre, at noget bestemt indgår i resultatet. For eksempel er SEO-researcher-agentens opgave at lave:

Et brief i denne form:

SEO-venlig titel:

SEO-venlig metabeskrivelse:

SEO-venlig disposition