LangChain පදනම් කරගත් AI ඇජන්ට් ව්යාපෘති වල, එක් ඇජන්ට් එකක් (Agent A) තවත් එකකට (Agent B) කාර්යයක් අනුබඳා දෙනවා. මෙහිදී Agent B වැඩේ අසාර්ථක වුවත්, Agent A‑ගේ callback පද්ධතිය ‘සාර්ථකයි’ කියලා ලොග් කරනවා. මේකට delegation masking කියලා නමයි, ඒ කියන්නේ උප‑ඇජන්ට් එකේ වැරදි පරීක්ෂා නොකළම පසුබැසීම.
LangChain හි delegation pattern එකේ, අනුබඳා දෙන කාර්යය සාමාන්යයෙන් @tool ඩෙකොරේටරය භාවිතා කරයි. එතැනින් උප‑ඇජන්ට් එක invoke කරලා, එහි ප්රතිඵලය පමණක් පසු ඇජන්ට් එකට ආපසු දෙයි. උප‑ඇජන්ට් එකේ ඇතුළත පණිවිඩයක් අසාර්ථක වුනා නම්, එහිම callback එක එය ලොග් කරයි, නමුත් ප්රතිඵලයක් (උදා: හිස් string, fallback) ආපසු දෙයි. ඒ නිසා පරම්පරාවේ ඉහළම callback එක HTTP 200 සමඟ ‘on_tool_end’ සිදු කරයි, “සාර්ථකයි” කියලා ලොග් කරයි. අවසන් වශයෙන් වැරදි දෙකම දෙපාර්ශවිකව පෙනෙන්නේ නැත.
මෙම ගැටලුව වැලඳීමේ ප්රධාන හේතුව, පාලක ඇජන්ට් එකේ නිරීක්ෂණ ස්තරය උප‑ඇජන්ට් එකේ අභ්යන්තර තත්වය නොදැකීමයි. එමනිසා token usage වාර්තා හෝ latency මැනුම් වගේ මූලික මොනිටරින් මෙය පසුබැසී යයි. ප්රතිඵලය හිස් වීම, හෝ අකාරයක් නොමැති වීම, ඒවා සැලකිල්ලට ගත නොවේ.
ශ්රී ලංකාවට ඇති වැදගත්කම
- ඩෙවලප්පර්ලාට – උප‑ඇජන්ට් වල වැරදි පරීක්ෂා නොකිරීම නිසා නිෂ්පාදන ගුණාත්මකත්වය අඩු වෙයි. නිරීක්ෂණය ශක්තිමත් කර ගැනීමෙන් බග් හඳුනා ගැනීම ඉක්මනින් සිදු වේ.
- ඉගෙනුම් ආයතනවලට – AI‑agent පදනම් කරගත් පාඨමාලා වල, delegation masking ගැන අවබෝධය ලැබීමෙන් සිසුන්ට සැබැවින්ම වැඩි පාරිභෝගික පරීක්ෂණ හැකියාවක් ලැබේ.
- ව්යාපාරිකයන්ට – Agent‑to‑Agent workflow එකේ නිරීක්ෂණය ශක්තිමත් කරගැනීමෙන් සේවා විශ්වාසනීයතාවය ඉහළ යයි, අවාසනාවන්ත අසාර්ථකතා නිසා සිදු වන නවීකරණ වියදම් අඩු වේ.
Delegation masking තවත් එකක් නොවෙයි; එය නිරීක්ෂණ, output validation, correlation ID භාවිතය, සහ පාර්ශ්වික සාර්ථකතා අනුපාතය මැනීමෙන් ගලවා ගැනීමට පුළුවන්. මෙම ක්රමයන් ක්රියාත්මක කරගත් පසු, ඔබේ LangChain පද්ධතියේ විශ්වාසය හා ප්රතිචාර වේගය වැඩි වේ.
අදාල වාර්තා හා සත්ය පරීක්ෂණ ක්රමයන් ඇතුළත් කර, ඔබේ AI ඇජන්ට් වැඩසටහන් නව පියවරකට ගෙන යන්න.
