அத்தியாயம் 1 · ஏஜென்ட் அடிப்படைகள்

"மாதிரியே ஏஜென்ட்" என்ற புதிய முன்னுதாரணத்திலிருந்து தொடங்கி, ஏஜென்ட் = LLM + சூழல் + கருவிகள் என்ற முக்கிய சூத்திரத்தை நிறுவுகிறது; மேலும் Harness பொறியியலையும் அறிமுகப்படுத்துகிறது — மாதிரிக்கு அப்பாற்பட்ட அனைத்துப் பொறியியல் திறன்களே உண்மையான போட்டித் திறன் அமைந்த இடமாகும்.

← முக்கிய README க்குத் திரும்பு · 📖 அத்தியாய உரையைப் படி

துணை திட்டங்கள்

சோதனை	Project	Type	Description
1-1	context	✅	முறையான அப்லேஷன் பரிசோதனைகள் மூலம் ஏஜென்ட் சூழலின் ஒவ்வொரு கூறின் முக்கியத்துவத்தையும் காட்டுகிறது. பல LLM வழங்குநர்களை (SiliconFlow Qwen, ByteDance Doubao, Moonshot Kimi) ஆதரிக்கிறது; வெவ்வேறு சூழல் பயன்முறைகளை உள்ளமைத்து ஏஜென்ட் நடத்தை மாற்றங்களைக் கவனிக்கலாம்.
1-2	web-search-agent	✅	அடிப்படை ஆழமான தேடல் திறன் கொண்ட ஏஜென்டை உருவாக்குகிறது; பல சுற்று தேடல் மற்றும் தகவல் ஒருங்கிணைப்பைச் செய்ய முடியும்.
1-3	search-codegen	✅	அடிப்படை ஆழமான தேடல் திறன் மற்றும் குறியீடு மணற்பெட்டி (sandbox) திறன் கொண்ட ஏஜென்டை உருவாக்கி, இணையத் தேடல், குறியீடு செயலாக்கம் போன்ற கருவிகளை ஒருங்கிணைத்துச் சிக்கலான பகுப்பாய்வுகளைச் செய்கிறது.
7-1, 7-2	learning-from-experience	✅	பாரம்பரிய வலுவூட்டல் கற்றல் (Q-learning) மற்றும் LLM அடிப்படையிலான சூழல் கற்றலை ஒப்பிட்டு, Shunyu Yao இன் "The Second Half" வலைப்பதிவின் முக்கிய நுண்ணறிவுகளை மீண்டும் உருவாக்குகிறது. புதையல் தேடும் விளையாட்டின் மூலம் LLM எவ்வாறு 250-400 மடங்கு மாதிரி செயல்திறனுடன் (sample efficiency) பாரம்பரிய RL ஐ விஞ்சுகிறது என்பதைக் காட்டுகிறது.

திட்ட வகைகள்

சின்னம்	வகை	பொருள்
✅	தனித்து இயங்கும்	முழு குறியீடு இந்த களஞ்சியத்தில், API Key உள்ளமைத்தவுடன் இயங்கும்
📖	மறு உருவாக்க வழிகாட்டி	வெளிப்புற களஞ்சியங்களை git clone செய்ய வேண்டிய விரிவான ஆவணம்
🚧	வடிவமைப்பு ஆவணம்	கட்டமைப்பு/செயலாக்கத் திட்டம் மட்டும், இயங்கும் குறியீடு இன்னும் WIP