Deep Agent

Deep Agent er FlowHunts mest kapable agenttype, bygget til opgaver, der går langt ud over en enkelt prompt-og-response-cyklus. Hvor en standard AI-agent besvarer et spørgsmål eller udfører en diskret handling, forfølger en Deep Agent et mål — bryder det ned, udfører trin, evaluerer resultater og tilpasser sin tilgang, indtil målet er nået.

Hvordan en Deep Agent adskiller sig fra en almindelig AI-agent

En standard AI-agent behandler dit input med en LLM, kalder eventuelt et værktøj og returnerer et svar. Det er fantastisk til enkelt-trins eller enklere multi-trins opgaver, samtaler, opsummering af dokumenter eller udløsning af handling.

En Deep Agent er proaktiv og iterativ. Givet et højt niveau mål gør den:

• Dekomponerer målet i en sekvens af konkrete delvis-opgaver, før der foretages nogen handling
• Planlægger sin tilgang, beslutter hvilke værktøjer der skal bruges og i hvilken rækkefølge
• Udfører trin iterativt, kalder værktøjer, behandler resultater og beslutter, hvad der skal gøres næste baseret på det, den finder
• Selv-evaluerer efter hvert trin — prøver igen, forfiner eller ændrer strategi, hvis et resultat er utilstrækkeligt
• Syntetiserer et endeligt output kun efter alle delvis-opgaver er fuldført

Den vigtigste praktiske forskel: en almindelig agent kan tage flere trin på det bedste, men en Deep Agent kan tage dusin af trin, og den ved, hvornår den skal stoppe.

Hvornår skal man bruge en Deep Agent

Deep Agents er det rigtige valg, når:

• Opgaven kræver indsamling og syntese af information fra flere kilder
• Arbejdsgangen involverer betinget logik, eller med andre ord, når næste trin afhænger af resultatet af tidligere trin
• Du skal have agenten til at verificere eller krydstjekke sine egne mellemresultater
• Målet er for komplekst eller åbent-endt til fuldt at specificere i en enkelt prompt
• Du vil have agenten til at fungere autonomt over en længere periode

Husk: For simple, veldefinerede opgaver er en standard AI-agent hurtigere og mere omkostningseffektiv. Brug kun en Deep Agent, når kompleksiteten retfærdiggør den ekstra ræsonneringsdybde.

Deep Agent-indstillinger

LLM

Vælg den store sprogmodel, som agenten vil bruge. Du kan vælge blandt modeller fra 6 store udbydere. Standardmodellen er altid den seneste mid-range model fra OpenAI, som burde være nok til de fleste opgaver.

Deep Agents drager størst fordel af mere avancerede modeller med stærke ræsonneringsevner (f.eks. seneste GPT, seneste Claude Sonnet eller Opus-modeller, Gemini Pro-modeller), fordi de kan planlægge over mange trin, håndtere tvetydighed og træffe sunde beslutninger på hvert trin uden menneskelig vejledning.

Værktøjer

Værktøjer er det, der giver Deep Agent sin evne til at handle i verden. Med over 900 tilgængelige værktøjer (der spænder over API’er, databaser, kommunikationsplatforme, søgemaskiner, kodeudførelses-miljøer) og MCP-servere — kan du udstyret agenten med præcis de evner, som dens opgave kræver.

Hvordan man forbinder værktøjer

Klik + Tilføj værktøj. Den fulde liste over tilgængelige værktøjer vises. Du kan filtrere efter kategori eller søge efter navn:

Hvert værktøj har sine egne indstillinger. For hvert enkelt kan du enten lade AI beslutte, hvordan det skal bruges baseret på kontekst (anbefalet til Deep Agents, da agenten har brug for fleksibilitet til at tilpasse sig over mange trin) eller konfigurere parametre manuelt for at låse specifikke værdier.

For at skifte til manuel input skal du klikke på knappen “AI Decides”. Når en parameter er manuelt defineret, er den fast, og AI kan ikke tilsidesætte den.

Når værktøjet er konfigureret, skal du klikke på “Tilføj med konfiguration”, eller springe konfigurationen helt over ved at klikke på “Spring over og tilføj”. Du kan derefter fortsætte med at tilføje andre værktøjer.

For Deep Agents fører et fokuseret og relevant værktøjssæt til bedre beslutninger og hurtigere udførelse end et alt for bredt sæt — agenten overvejer alle tilgængelige værktøjer på hvert trin, så unødvendige værktøjer tilføjer støj.

Systembeskeds

Systembeskeden er den vigtigste konfiguration til en Deep Agent. Den definerer agentens rolle, mål, ræsonneringstilgang og de begrænsninger, den skal respektere. Det er den primære mekanisme til at holde en autonom agent på sporet.

For Deep Agents bør din systembeskeds dække:

• Målet — hvad agenten i sidste ende forsøger at opnå
• Det forventede output — format, længde, struktur
• Beslutningsregler — hvad der skal gøres, når den møder manglende data, modstridende kilder eller værktøjsfejl
• Omfangsbegrænsninger — hvad agenten skal og ikke skal gøre

Eksempel på systembeskeds:

Du er en deep research agent. Dit mål er at producere en omfattende, præcis og velstruktureret rapport om ethvert emne, du får.

Proces:
1. Opdel emnet i 4–6 vigtige forskningsspørgsmål.
2. For hvert spørgsmål skal du søge efter relevant information ved hjælp af de tilgængelige værktøjer.
3. Evaluér kvaliteten og relevansen af hver kilde, før du bruger den.
4. Syntetisér resultater på tværs af alle spørgsmål i en sammenhængende rapport.
5. Inkluder en opsummering, vigtigste resultater og en liste over kilder i slutningen.

Regler:
- Fabrikér ikke information. Hvis du ikke kan finde en pålidelig kilde, skal du sige det.
- Hvis et værktøjskald mislykkes, skal du prøve igen én gang med en modificeret forespørgsel, før du fortsætter.
- Stop ikke, før alle forskningsspørgsmål er blevet behandlet, eller du har udtømt tilgængelige kilder.
- Hold den endelige rapport faktuel, neutral i tone og fri for spekulation.

Outputformat: Markdown, med klare overskrifter for hver sektion.

Maksimal rekursionsdybde

Styrer, hvor mange niveauer dybt agenten kan rekursere, når den nedbryder og udfører delvis-opgaver. En højere værdi giver agenten mulighed for at tackle mere komplekse, indlejrede problemer, men øger udførelsestid og ressourceforbrug. For de fleste opgaver er standardværdien mere end nok. Øg den kun, når agenten skal forfølge virkelig multi-niveau delvis-mål.

Agent Chat-historie

Giver tidligere chatbeskeder som kontekst til den aktuelle kørsel. Med historik aktiveret kan Deep Agent referere til tidligere udvekslinger, hvilket er nyttigt, når agenten er del af en igangværende samtale eller iterativ arbejdsgang, hvor tidligere kontekst former næste trin. Uden historik behandler agenten hver kørsel som fuldt uafhængig.

Agent Memory

Styrer, om agenten kan læse fra og skrive til din Workspace-hukommelse. Når det er aktiveret, kan Deep Agent fastholde resultater, beslutninger og akkumuleret viden på tværs af separate kørsler — hvilket gør det muligt at opbygge en vidensbase trinvist eller genoptage langsigtede projekter, hvor start fra bunden ville være spild. Hvis det er aktiveret, bliver du bedt om at definere hukommelsestilstand og adfærdsprompts, der styrer, hvad der gemmes, og hvordan det hentes.

Bemærk: Kun værktøjsinput er strengt påkrævet; alle andre indstillinger er valgfrie, men har en betydelig indflydelse på kvaliteten og pålideligheden af en Deep Agents output.

Hvordan en Deep Agent løser opgaver

Deep Agents følger en struktureret udførelsessløjfe. Denne sløjfe er præcis det, der gør Deep Agents i stand til at håndtere opgaver, der ville overvælde en standard agent:

• Måldekomposition: Agenten analyserer målet og opdeler det i en sekvens af delvis-opgaver.
• Iterativ udførelse: Agenten arbejder gennem delvis-opgaver én ad gangen, kalder værktøjer, behandler resultater og beslutter, hvad der skal gøres næste baseret på fuldførte trin.
• Selv-evaluering: Efter hvert trin evaluerer agenten, om resultatet er tilstrækkeligt til at gå videre, eller om det skal prøve igen, forfine sin forespørgsel eller tage en helt anden tilgang.
• Syntese: Når alle delvis-opgaver er fuldførte, kombinerer agenten mellemresultater i et endeligt, sammenhængende output.
• Afslutning: Agenten stopper, når målet er nået, når den når de konfigurerede grænser, eller når den bestemmer, at den ikke er i stand til at fuldføre opgaven med de tilgængelige værktøjer og information.

Valg af den rigtige model til en Deep Agent

LLM er ræsonneringsmotoren bag hver beslutning, Deep Agent træffer. For dybe, multi-trins opgaver har modelkvalitet en outsized indflydelse på ydeevnen.

• Frontier-modeller (GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro): Bedst til kompleks ræsonnering, langsigtede planlægning og opgaver, hvor agenten skal håndtere tvetydighed eller træffe dømmekraft uden menneskelig input. De højere omkostninger er normalt forsvarlige for Deep Agent-arbejdsbelastninger.
• Mid-range modeller: En solid balance mellem evne og omkostning for moderat komplekse, men veldefinerede opgaver.
• Små sprogmodeller: Ikke anbefalet som den primære model til Deep Agents. De mangler den ræsonneringsdybde, der er nødvendig for pålidelig multi-trins udførelse. Når det er sagt, er de stadig egnet til simple delvis-opgaver inden for en større arbejdsgang, hvor hastighed og omkostning betyder mere end ræsonneringskvalitet.

Start med en mid-range model og gå op kun, hvis ydeevnen kræver det. Det rigtige valg afhænger af din opgavekompleksitet, acceptabel latens og budget.