AI මොඩල් එකක් තනිව ක්රියා කරන විට ගැටළු හඳුනාගැනීම ඉතා සරලයි – ඉන්පුට්, ප්රොම්ප්ට්, ප්රතිඵල. නමුත් බොහෝ සමාගම් දැන් මල්ටි-ඇජන්ට් ව්යාපෘති වලට මුහුණ දෙයි. මෙවැනි පද්ධතිවලදී, එක් ඇජන්ට් එකක් දෙවැනියට වැඩ අතවර කරන අවස්ථාවේ (step 2) සිදුවන කුඩා ගැටලුවක්, පසුගිය පියවර (step 5) දක්වා වැරදි පිළිතුරක් ලබා දීමට හේතුවක් වේ.
ඇජන්ට් A එකේ "මට නිවැරදි දත්ත යවනවා" කියලා ලොග් එකක් තියෙන්නෙත්, ඇජන්ට් B එකේ "මට ලැබුණ දේ හොඳයි" කියලා ලොග් එකක් තියෙන්නෙත්, ඒ දෙකම වෙන්ව බැලුවොත් නිවැරදි බවක් පෙනේ. නමුත් A විසින් යවා ඇති payload එක B කියවීමට හැකි memory scope එකට නොගැළපෙන්නේ නම්, පද්ධතියේ අභ්යන්තර ගැටලුවක් නිශ්ශබ්දව පෙනෙන්නෙ නැත. ඒ නිසා හස්ත-හුවමාරු අවස්ථාවන් ලොග් කිරීම අත්යවශ්ය වේ.
හස්ත-හුවමාරු ගැටළු පසුබැසීමේ ත්රි-පියවර ක්රමය
- හස්ත-හුවමාරුවක් ප්රමුඛ සිදුවීමක් ලෙස සලකන්න – ඇජන්ට් A අවසන් වීම, ඇජන්ට් B ආරම්භය පමණක් නොව, හේතුව, payload, B කුමන memory, tools, permissions ලොග් කරන්න.
- සම්පූර්ණ පූර්ව-චක්රය නැවත ධාවනය නොකර, පියවර-පරීක්ෂණය කරන්න – මෙය tool‑වල side‑effect (ඊමේල්, ticket, මුදල්) වලින් රැකගනී. හස්ත-හුවමාරු පියවරට සෘජුව යාමෙන් state පරීක්ෂා කරන්න.
- විචලනය ඉක්මනින් හඳුනාගන්න – හස්ත-හුවමාරුවේ sender snapshot (payload) සහ receiver snapshot (working state) එකිනෙකා සමඟ compare කරලා, වෙනස් වුවොත් පියවර 2 දීම ගැටළුව සලකන්න. එය full replay වඩා අඩු පිරිවැය.
මෙම පියවරයන් අනුගමනය කිරීමෙන්, multi‑agent systems සඳහා observability වැඩි වේ. එක්‑ඇජන්ට් ලොග් "LLM spans" පමණක් නොව, nested runs, memory visibility, tool authorization, cost‑retry metrics වැනි තොරතුරුත් ඇතුළත් කළ යුතුය. Cartha SDK මේ පිළිබඳව පූර්ණ trace, scoped memory, budget, multi‑agent nest වැනි හැකියාවන් සමඟ ඉදිරියට ගමන් කරයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණ ශිෂ්යයන්, සංවර්ධකයන්, ව්යාපාරිකයන්ට මෙය විශාල වාසියක්. මල්ටි‑ඇජන්ට් AI සොෆ්ට්වෙයා නිර්මාණය කරන විශ්වවිද්යාල සිසුන්ට, හස්ත-හුවමාරු ලොග් කිරීමේ නව ප්රවේශය පරික්ෂණ කාර්යක්ෂමතාව වැඩි කරයි. එමෙන්ම, ස්ථානීය start‑up කම්පැනිවලට, tool‑based automation (email, ticket, payment) වල unintended side‑effects අඩු කර, ආර්ථික වශයෙන් ආරක්ෂිතව scaling කිරීමේ හැකියාව ලැබේ. රජයේ AI ප්රජාතන්ත්රික ප්රජා ව්යාපෘති වලද, transparent audit trails එකතු කිරීමෙන් විශ්වාසය වැඩි වේ.
අවසන් වශයෙන්, මල්ටි‑ඇජන්ට් පද්ධතිවල හස්ත-හුවමාරු ලොග් කිරීම අත්යවශ්යයි. ඒ නොකළහොත්, වැරදි පිළිතුරක් පසු පියවරේ පෙනෙයි, ඒක හඳුනාගැනීමට ගතවන වේලාව හා සම්පත් අධික වේ. ඉදිරියේදී, Cartha වැනි SDK‑වලින් ස්වයංක්රීය divergence detection, fork‑from‑node testing වැනි පහසුකම් ලැබෙන විට, ශ්රී ලංකාවේ AI සංවර්ධනය තවත් වේගවත් වේ.
