Jenis-jenis ejen AI dan kegunaannya

Apakah jenis-jenis ejen AI

Jenis-jenis ejen AI berasal daripada satu taksonomi: refleks ringkas, refleks berasaskan model, berasaskan matlamat, berasaskan utiliti, dan ejen pembelajaran. Setiap nama menerangkan satu perkara, iaitu sejauh mana ejen tersebut mengingati dan sejauh mana ia merancang sebelum bertindak. Dua lagi istilah, berbilang ejen (multi-agent) dan hierarki, menerangkan bagaimana beberapa ejen disambungkan bersama dan bukannya bagaimana mana-mana ejen membuat keputusan secara individu.

Senarai tersebut lebih lama daripada setiap model yang pernah anda gunakan. Ia berasal daripada buku teks AI standard, dan ia kekal relevan walaupun selepas kemunculan model bahasa besar (LLM) kerana ia menanyakan soalan yang masih menentukan reka bentuk anda: apakah yang perlu diketahui oleh benda ini sebelum ia bertindak? Jika anda masih cuba menentukan di mana berakhirnya fungsi ejen dan bermulanya pembantu sembang, baca perbezaan antara ejen AI dan LLM yang menjalankannya terlebih dahulu. Halaman ini bermula selepas garis tersebut.

Ejen refleks ringkas: satu syarat, satu tindakan

Ejen refleks ringkas memetakan input semasa kepada satu tindakan dan tidak menyimpan sebarang memori tentang perkara terdahulu. Jika suhu melebihi 25, hidupkan kipas. Itu sahaja mekanismenya.

Anda hampir pasti pernah menjalankan satu ejen sebegini. Webhook yang mencetuskan aliran kerja n8n, yang membaca penyerahan borang dan menulis baris ke dalam pangkalan data, ialah ejen refleks ringkas. Ia kekal sebagai ejen refleks ringkas walaupun terdapat model bahasa di tengah-tengah yang memilih kategori untuk baris tersebut. Tanya ejen itu apa yang dilakukannya sejam yang lalu dan ia tidak dapat memberitahu anda, kerana tiada apa-apa yang menyimpan jawapannya.

Jenis ini lebih kerap tepat daripada jangkaan orang ramai. Ia murah untuk dijalankan, dan kegagalannya mudah dibaca: syarat tersebut sama ada dipenuhi atau tidak. Apabila tugas sebenar adalah "apabila X tiba, lakukan Y", memori hanya menambah cara untuk menjadi salah dan tidak memberikan sebarang manfaat. Ejen n8n yang dicetuskan oleh webhook adalah baris dalam taksonomi ini dengan antara muka pengguna di atasnya.

Ia akan gagal sebaik sahaja tindakan yang betul bergantung pada sejarah. Bot balasan tanpa status bebenang akan bercanggah dengan dirinya sendiri pada mesej ketiga, kerana dua mesej pertama tidak pernah menjadi sebahagian daripada inputnya.

Ejen refleks berasaskan model: mengekalkan keadaan antara peristiwa

Ejen refleks berasaskan model menyimpan gambaran dalaman persekitarannya dan mengemas kini gambaran tersebut apabila input baharu tiba. Perkataan "model" di sini bermaksud model dunia, bukan rangkaian neural. Istilah ini wujud kira-kira empat puluh tahun sebelum maksud semasanya, dan ia mengelirukan hampir semua orang pada pembacaan pertama.

Satu peraturan automasi rumah yang memadamkan lampu selepas dua puluh minit tanpa pergerakan adalah berasaskan model. Ia sememangnya perlu begitu. "Tiada pergerakan sekarang" dan "tiada pergerakan sejak 21:40" adalah input yang sama bagi ejen refleks ringkas, jadi hanya keadaan tersimpan yang membezakan kedua-duanya.

Versi LLM ialah mana-mana ejen yang mempunyai stor memori di belakangnya: ringkasan perbualan yang bergerak, atau fail markdown biasa yang dibaca oleh ejen pada permulaan setiap pelaksanaan. Perkhidmatan memori setempat untuk ejen ialah idea tersebut yang dibungkuskan. Mekanismenya tidak berubah. Gambaran dunia oleh ejen itu bertahan lebih lama daripada peristiwa yang menciptanya.

Keadaan (state) mempunyai harga. Fakta yang lapuk adalah lebih buruk daripada tiada fakta, kerana ejen bertindak berdasarkan fakta tersebut dengan penuh keyakinan tanpa sebarang amaran. Apa-apa sahaja yang anda simpan memerlukan cara untuk tamat tempoh atau cara untuk disemak semula, jika tidak, ejen akan terus membuat penaakulan tentang pelayan yang telah anda nyahaktifkan pada bulan Mac.

Ejen berasaskan matlamat: merancang ke arah keadaan yang boleh disemak

Ejen berasaskan matlamat menerima keadaan sasaran dan mencari urutan tindakan untuk mencapainya. Ia berfungsi secara ke belakang daripada titik akhir yang diperlukan, jadi laluan tersebut tidak ditulis terlebih dahulu.

Ejen pengekodan ialah contoh paling jelas yang boleh anda jalankan sendiri. "Jadikan ujian yang gagal itu lulus" tidak menamakan sebarang fail atau langkah. Ejen membaca ujian tersebut, membentuk pelan, menyunting sesuatu, menjalankan ujian, membaca ralat, dan mencuba lagi. Gelung tersebut berakhir pada semakan yang boleh dilaksanakannya, itulah sebabnya arahan tersebut berkesan manakala "perbaiki kod ini" tidak. Matlamat yang boleh dinilai oleh ejen ialah matlamat yang boleh dicapai oleh ejen. Matlamat yang tidak boleh dinilainya akan menjadi gelung tanpa henti yang disertakan dengan bil. Menjalankan ejen pengekodan pada VPS anda sendiri meletakkan gelung tersebut di tempat yang boleh ia beroperasi tanpa menggunakan komputer riba anda.

Kos terletak pada baris ini. Setiap langkah perancangan ialah satu lagi panggilan model yang membawa sejarah setakat ini, jadi tugasan sepuluh langkah bukan sepuluh kali ganda harga satu langkah, malah lebih daripada itu. Kejuruteraan yang penting ialah bentuk gelung dan syarat yang menghentikannya, yang merupakan subjek kepada kejuruteraan gelung.

Ejen berasaskan utiliti: memilih antara beberapa jawapan yang baik

Matlamat adalah binari. Utiliti ialah skor. Ejen berasaskan utiliti berhadapan dengan beberapa hasil yang boleh diterima dan memilih hasil yang mendapat skor tertinggi di bawah fungsi yang anda tulis.

Tugas sandaran yang perlu selesai sebelum hari bekerja bermula tanpa memenuhkan uplink ialah masalah utiliti. Tiada satu jawapan yang betul, hanya pertukaran (trade-off). Penghala yang menentukan model mana mengendalikan permintaan mana, dengan menimbang harga berbanding kualiti jawapan, mempunyai bentuk yang sama.

Algoritma bukanlah bahagian yang sukar. Menulis fungsi utiliti yang jujur adalah bahagian yang sukar. Jika anda memberi skor hanya berdasarkan kos, anda akan mendapat model paling murah bagi setiap permintaan, termasuk permintaan yang sebenarnya memerlukan model mahal. Sistem akan mengoptimumkan apa yang anda ukur dengan tepat, yang menjadi masalah apabila perkara yang anda ukur dipilih hanya kerana ia mudah diukur.

Ejen pembelajaran: jenis yang dianggap sudah dimiliki oleh kebanyakan orang

Ejen pembelajaran mengubah kelakuannya sendiri berdasarkan maklum balas tentang hasil masa lalu. Ia memerlukan sesuatu yang menilai hasil tersebut dan sesuatu yang mengubah polisi sebagai tindak balas.

Sangat sedikit sistem yang dihoskan sendiri (self-hosted) memenuhi kriteria ini. Ejen yang membaca nota yang ditulisnya minggu lalu ialah ejen berasaskan model dengan fail memori. Wajaran (weight) ejen tersebut adalah sama. Polisinya adalah sama. Mendapatkan semula maklumat bukanlah pembelajaran, dan perbezaan ini adalah praktikal: sistem berasaskan memori akan mengulangi kesilapan selama-lamanya kecuali sesuatu menyunting memori tersebut, manakala sistem pembelajaran sepatutnya berhenti melakukan kesilapan itu.

Jika anda mahukan bahagian pembelajaran, bina penilaiannya terlebih dahulu. Set ujian yang diberi skor, pelaksanaan perubahan anda terhadap set tersebut, serta keputusan untuk mengekalkan atau membuang perubahan itu merupakan gelung tertutup di mana anda adalah komponen pembelajarannya. Proses itu lebih perlahan daripada yang disangka, dan ia merupakan satu-satunya versi yang berfungsi hari ini pada komponen yang dihoskan sendiri. Menghoskan sendiri harness penilaian adalah tempat untuk bermula.

Sistem berbilang ejen dan hierarki: susunan, bukan jenis

Ini bukanlah jenis keenam atau ketujuh. Ia menerangkan cara ejen disusun.

Sistem berbilang ejen menjalankan beberapa ejen serentak di dalam persekitaran yang dikongsi, seperti baris gilir atau repositori git. Oleh kerana persekitaran tersebut dikongsi, ejen akan bertembung di dalamnya. Dua ejen yang menyunting fail yang sama merupakan kegagalan standard, dan penyelesaiannya ialah kunci atau baris gilir kerja. Tiada prompt yang dapat menyelesaikannya.

Sistem hierarki meletakkan penyelia di atas pekerja. Penyelia memecahkan tugasan, mengagihkan bahagian-bahagiannya, dan menggabungkan hasil yang diterima semula. Ia popular kerana ia sepadan dengan cara manusia membahagikan kerja, dan ia mahal kerana konteks penyelia berkembang dengan setiap laporan yang dibacanya. Harness berbilang ejen menunjukkan pendawaian tersebut dalam praktiknya.

Satu ejen yang berfungsi lebih baik daripada empat ejen yang kebanyakannya berfungsi.

Setiap penyerahan tugas merupakan tempat di mana maklumat boleh tercicir. Mulakan dengan satu gelung. Pecahkannya hanya apabila anda boleh menamakan langkah yang menjadi kesesakan.

Mengapa hampir setiap sistem sebenar adalah hibrid

Pertimbangkan ejen penempatan yang mungkin anda jalankan sendiri. Webhook memulakannya, yang bersifat refleks. Ia membaca status keluaran semasa, yang berasaskan model. Ia merancang langkah-langkah daripada versi yang sedang berjalan ke versi sasaran, yang berasaskan matlamat. Ia memilih tetingkap pelancaran daripada beban semasa, yang berasaskan utiliti. Ia tidak pernah menyunting polisinya sendiri, jadi ia tidak melakukan pembelajaran.

Satu sistem, empat baris taksonomi pada masa yang sama. Taksonomi ini berguna sebagai senarai semak reka bentuk, bukan sebagai label untuk produk siap. Apabila sistem berkelakuan tidak wajar, soalan yang berguna ialah lapisan mana yang salah. Pencetus yang diaktifkan pada peristiwa yang salah, status yang menjadi lapuk, semakan matlamat yang tidak mungkin lulus, dan skor yang memberi ganjaran kepada hasil yang salah adalah empat pepijat berbeza dengan empat pembaikan berbeza.

Jenis yang sesuai untuk setiap tugasan

• Pencetus tetap, respons tetap, tiada sejarah diperlukan: refleks ringkas.
• Respons yang tepat bergantung pada apa yang berlaku sebelumnya: refleks berasaskan model.
• Keadaan akhir boleh disemak tetapi laluan tidak diketahui lebih awal: berasaskan matlamat.
• Beberapa hasil yang boleh diterima dengan pertukaran (trade-off) sebenar antara satu sama lain: berasaskan utiliti.
• Anda memerlukan hasil untuk bertambah baik dari semasa ke semasa: bina gelung penilaian (eval loop), dan terima hakikat bahawa anda adalah komponen pembelajaran.

Bolehkah anda mengehoskan ejen ini sendiri, dan berapakah kosnya?

Ya, dan kosnya terbahagi kepada dua. Orkestrasi adalah murah. Satu instans n8n atau gelung ejen dalam Python menghabiskan kebanyakan masanya menunggu panggilan rangkaian, jadi 2 vCPU dan 4 GB RAM sudah memadai. Kos sebenar terletak pada model.

Jika ejen memanggil API yang dihoskan, pelayan hampir tidak memerlukan apa-apa dan bil akan meningkat mengikut token. Bagi ejen berasaskan matlamat, ini bermakna kos meningkat mengikut bilangan langkah perancangan yang anda benarkan, jadi hadkan gelung tersebut.

Jika anda menjalankan model pada perkakasan sendiri, RAM menentukan apa yang boleh anda jalankan. Angka di bawah adalah saiz fail yang diterbitkan secara tipikal untuk pemberat terkuantisasi 4-bit setakat Ogos 2026, di samping angka perancangan untuk jumlah RAM, kerana tetingkap konteks dan runtime kedua-duanya memerlukan ruang tambahan selain daripada pemberat.

[
  {
    "label": "3B model",
    "weights_gb": 2,
    "ram_needed_gb": 6
  },
  {
    "label": "8B model",
    "weights_gb": 4.9,
    "ram_needed_gb": 10
  },
  {
    "label": "14B model",
    "weights_gb": 9,
    "ram_needed_gb": 16
  },
  {
    "label": "32B model",
    "weights_gb": 20,
    "ram_needed_gb": 32
  },
  {
    "label": "70B model",
    "weights_gb": 43,
    "ram_needed_gb": 64
  }
]

Model 8B pada 4-bit adalah kira-kira 4.9 GB pemberat, dan sebuah mesin dengan 10 GB RAM boleh menjalankannya tanpa swapping. Model 70B pada kuantisasi yang sama adalah 43 GB pemberat dan memerlukan sekitar 64 GB. Perhatikan perkara yang tidak disertakan oleh nombor tersebut: kelajuan. Pada VPS tanpa GPU, model 8B pada 4-bit menghasilkan token dalam angka tunggal sesaat. Ini memadai untuk ejen yang bekerja melalui baris gilir sepanjang malam, tetapi sangat perlahan untuk sebarang tugasan yang memerlukan interaksi manusia. Simpan inferens tempatan untuk kerja kelompok (batch work), dan gunakan GPU atau API untuk bahagian yang interaktif. Senarai pendek ejen AI yang boleh dihoskan sendiri merangkumi projek yang berbaloi untuk dicuba, dan laluan pembelajaran untuk ejen pada tahun 2026 merangkumi perkara yang perlu dipelajari mengikut urutan.

Di mana taksonomi berhenti membantu

Ia tidak menyatakan apa-apa tentang alatan atau kebenaran. Ejen dalam buku teks hanya memerhati dan bertindak. Tiada sesiapa yang menulis bab tersebut bimbang tentang ejen yang memegang token API pengeluaran. Ejen berasaskan matlamat dengan akses shell dan ejen berasaskan matlamat dengan satu sambungan pangkalan data baca-sahaja berada dalam baris yang sama dalam jadual, namun membawa risiko yang sangat berbeza. Tentukan perkara yang boleh disentuh oleh ejen sebelum anda menentukan tahap kepintarannya, dan baca cara menyimpan rahsia daripada ejen AI sebelum anda menyerahkan kelayakan kepadanya.

Ia juga tidak menyatakan apa-apa tentang perkara yang berlaku apabila sesuatu langkah gagal. Ejen sebenar menghabiskan kebanyakan masa jalanannya untuk mengendalikan ralat: had kadar (rate limit), atau alat yang mengembalikan sesuatu yang tidak dijangka oleh model. Kod tersebut menentukan sama ada sistem anda boleh digunakan, dan tiada baris dalam taksonomi yang menerangkannya.

FAQ

Apakah lima jenis ejen AI?

Ejen refleks ringkas, refleks berasaskan model, berasaskan matlamat, berasaskan utiliti, dan ejen pembelajaran. Ia disusun mengikut tahap pengetahuan ejen sebelum ia bertindak. Ejen refleks ringkas hanya melihat input semasa. Ejen berasaskan model menyimpan status persekitarannya. Ejen berasaskan matlamat merancang ke arah status sasaran. Ejen berasaskan utiliti memberi skor kepada beberapa hasil yang boleh diterima dan memilih yang tertinggi. Ejen pembelajaran mengubah polisinya sendiri berdasarkan maklum balas, sesuatu yang hampir tidak dilakukan oleh mana-mana persediaan self-hosted.

Jenis ejen AI yang manakah patut saya gunakan untuk automasi ringkas?

Ejen refleks ringkas, yang secara praktikalnya bermaksud webhook atau jadual yang mencetuskan urutan tetap. Jika respons yang betul hanya bergantung pada input yang baru tiba, memori hanya akan menambah mod kegagalan tanpa memberikan keupayaan tambahan. Beralihlah kepada reka bentuk berasaskan model apabila anda boleh menamakan satu keputusan yang perlu mengetahui perkara yang berlaku sebelumnya.

Bolehkah saya menjalankan ejen AI saya sendiri pada VPS?

Boleh. Lapisan orkestrasi adalah ringan, jadi 2 vCPU dan 4 GB RAM sudah memadai untuk menjalankan enjin aliran kerja atau gelung ejen dengan selesa. Keputusan sebenar terletak pada tempat model itu dijalankan. API yang dihoskan memastikan pelayan kekal kecil dan memindahkan kos kepada token. Model tempatan memerlukan RAM yang berkadar dengan jumlah parameternya, dan tanpa GPU, ia hanya menjana token dalam angka tunggal sesaat, yang lebih sesuai untuk kerja kelompok beratur berbanding tetingkap sembang.

Adakah model bahasa besar (LLM) merupakan ejen AI dengan sendirinya?

Tidak. Model memetakan teks input kepada teks output dan kemudian berhenti. Ia menjadi ejen apabila sesuatu membungkusnya dalam gelung yang boleh bertindak ke atas dunia dan menyalurkan semula hasilnya, yang memerlukan alatan untuk dipanggil dan syarat yang memberitahu gelung tersebut bila untuk berhenti. Pembungkus itulah ejennya. Model hanyalah satu komponen di dalamnya.

Adakah saya memerlukan sistem berbilang ejen?

Biasanya tidak. Satu gelung dengan beberapa alatan boleh mengendalikan kebanyakan kerja dan jauh lebih mudah untuk dinyahpepijat. Berbilang ejen membantu apabila bahagian tugasan benar-benar bebas dan boleh dijalankan pada masa yang sama, atau apabila satu bahagian memerlukan model yang berbeza. Kosnya ialah penyelarasan: status dikongsi, dan penyelia yang konteksnya berkembang dengan setiap laporan pekerja yang dibacanya. Tambah ejen kedua apabila anda boleh menunjukkan langkah yang perlahan.