LLM (Large Language Model) එකක් එක්වරම භාවිතා කිරීම සරලයි – ප්රෝම්ප්ට් එකක් එබලා, ප්රතිඵලයක් ලැබෙයි, කාලය ලොග් කරගන්නවා. නමුත් බහු-ඇජන්ට් (multi‑agent) පද්ධතියකදී කතාව වෙනස් වෙයි. එකම මොහොතේ සිව්, පහ ඇජන්ට් එකක් එකිනෙකට සමඟ ක්රියාත්මක වෙමින්, වෙන්වූ මොඩල්, fallback මොඩල්, විචාරක (critic) ඇජන්ට් වැනි බොහෝ කොටස් එකතු වෙයි. මෙවැනි සංකීර්ණ 흐ාවයෙහි කුමන කොටස කාලය, පිරිවැය, ටෝකන් භාවිතය වැනි දේවල් වැඩි කරන්නේ කියලා හඳුනා ගැනීම අසීරු වේ.
මෙම ගැටලුවට විසඳුමක් ලෙස otel-swarm නමින් MIT ලයිසන්ස් ලයිබ්රරියක් හඳුන්වා දී ඇත. මෙම ලයිබ්රරිය OpenTelemetry (OTEL) ක්රමවේදය භාවිතා කර, සෑම ඇජන්ට්, සපයන්නාගේ කැඳවුම, නැවත උත්සාහ කිරීම වැනි පියවරක්ද සවිස්තරාත්මක ලෙස ට්රේස් කරයි. ඉන්පසු SigNoz වැනි ට්රේසිං පසුබිමට එම තොරතුරු එවීමෙන්, එක් එක් ස්පෑන් (span) අතර පියාබැඳි (parent‑child) සම්බන්ධතා පැහැදිලි වේ.
කේත උදාහරණයක් බලනවා නම්, createSwarm() මඟින් සේවාව නාමයක් සහ OTLP endpoint එකක් සැකසීමෙන් පසු, task() මගින් රූට් ස්පෑන් එකක් විවෘත කරයි. agent() ප්රතිපත්ති අනුව ළදරුවන් ස්පෑන් සාදයි, llm() GenAI‑semconv ස්පෑන් එකක් සකස් කරයි. ප්රධාන මොඩලයක් අසාර්ථක වූ විට fallback මොඩලයට මාරු වීම fallback_promotion සිදුවීම ලෙස සටහන් වේ, එමඟින් ඕනෑම ඩෑෂ්බෝඩ් එකට “කොහේ වැරදුනා?” කියලා පෙන්විය හැක.
මෙම ක්රමය භාවිතා කරමින් DevSwarm වැනි ප්රොඩක්ෂන් පරිසරයක 29 ජනනය, 243 මොඩල් කැඳවුම්, 3.78 මිලියන ටෝකන්, 257 විචාරක (critic) සටහන් වාර්තා කර ඇත. ඒ අතරින් ලැබුණු ඉගැන්වීමක් නම්, fallback සිදුවීම attribute එකක් තුළම නොලියන්න; ඒ වෙනුවට සිදුවීමක් (event) ලෙස සටහන් කිරීම වැදගත්. එසේ නොකළහොත්, පිරිවැය සහ latency වාර්තා වැරදි මොඩලයට අය කරනු ඇත.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණික ශිෂ්යයින්, සංවර්ධකයින්, ව්යාපාරිකයින් සඳහා මෙම නව ට්රේසිං උපකරණය විශාල වාසියක් ගෙන එයි.
- ශිෂ්යයින් – LLM‑මත පදනම් වූ පර්යේෂණ හෝ පෞද්ගලික ව්යාපෘතිවලදී, කුමන ඇජන්ට් කාලය ගත කරන්නේ, කොපමණ ටෝකන් භාවිතා කරන්නේ යන දේ වාර්තා කරගැනීමෙන්, කාර්යක්ෂමතා අධ්යයනය ඉතා පහසු වේ.
- සංවර්ධකයින් – බහු‑ඇජන්ට් ආරච්චි නිර්මාණය කරන විට, fallback මොඩල හෝ අසාර්ථක කැඳවුම් නිසා සිදුවන පිරිවැය පැහැදිලිව දැනගැනීමෙන්, කේතය සරල කිරීම, සම්පත් හොඳින් බෙදා ගැනීම සලස්විය හැක.
- ව්යාපාරිකයින් – AI‑සම්බන්ධ සේවා වල ගාස්තුව හා ප්රතිචාර වේගය නිරීක්ෂණය කර, ROI (Return on Investment) ගණනය කිරීමේදී තොරතුරු පදනම් වූ තීරණ ගැනීමට අවකාශය ලැබේ.
ඉදිරියේදී otel-swarm වැනි ලයිබ්රරීන් සිංහල කමන්ඩ් ලයින්, Docker, Kubernetes වැනි පරිසරයන් සමඟ ඒකාබද්ධ කර, දේශීය AI පදනම ඉදිරියට ගෙන යාමට මග පෙන්වයි.
අවසන් වශයෙන්, OpenTelemetry‑අධාරිත tracing එකක් නිසා බහු‑ඇජන්ට් LLM පද්ධතිවල පාලනය, පිරිවැය පාලනය, දෝෂ නිරාකරණය වඩාත් සරල හා විශ්වාසදායක වේ. ඔබේ AI ව්යාපෘතියේ සාර්ථකත්වය මෙය මඟින් වගකීමක් ලබා ගනී.
