Arhitectura propusă constă din cinci agenți esențiali, fiecare cu o funcție distinctă și interdependență clară:
1. Planificatorul (Planner) – Este responsabil pentru dezvoltarea unei strategii de rezolvare a problemei. Analizează cerința de intrare, o descompune în pași logici și secvențiali, și generează un plan de acțiune detaliat, sub formă de structură JSON validată. Acest plan servește ca harta rutiere pentru toți ceilalți agenți, asigurând coherență și evitând derularea arbitrară a sarcinii.
2. Cercetătorul (Researcher) – Folosind instrumente externe (de exemplu, căutări web, baze de date, API-uri de știință sau documentație tehnică), acest agent colectează informații relevante, verificate și actualizate pentru fiecare pas al planului. Este esențial că ieșirile lui să fie constrânse prin scheme care impun surse citabile, date cuantificabile și referințe explicite, evitând hallucinațiile și asigurând baza factuală a procesului.
3. Scriitorul (Writer) – Pe baza informațiilor colectate de cercetător și al planului generat, scriitorul produce un draft inițial de răspuns sau document. Acest draft nu este final, ci servește ca punct de plecare pentru evaluare. Ieșirea lui este, totuși, structurată conform unui schema predefinit (de exemplu: secțiuni, argumente, exemple, concluzii), permițând validarea automată și compararea cu alte variante.
4. Criticul (Critic) – Acest agent joacă un rol crucial în asigurarea calității. Evaluează draft-ul scrisitorului față de criterii obiective: corectitudine factuală, coherență logică, completitudine față de plan, stil, și adherentă la cerințele inițiale. Criticul nu doar identifică probleme, ci le clasifică după gravitate și sugerează modificări concrete, bazate pe reguli explicite sau modele de evaluare antrenate. Ieșirea lui este, de asemenea, schema-constrainată, permițând procesarea automată a feedback-ului.
5. Rescriitorul (Rewriter) – Primește feedback-ul de la critic și revizionă draft-ul inițial, producând o versiune îmbunătățită. Acest pas poate fi repetat de mai multe ori (iterativ), fiecare ciclă creșterea calității prin corecteri targetate. Este aici unde intervenția de auto-consistență devine esențială: în loc să ne bazăm pe o singură ieșire, generăm mai multe variante ale draft-ului (de exemplu, prin sampling cu temperatură variată sau diferite seed-uri), apoi aplicăm criticul pe fiecare variantă și selectăm cea care primește cel mai bun scor de validare – o tehnică cunoscuta sub numele de self-consistency sampling.
Această buclă iterativă – planificare → cercetare → scriere → criticare → rescriere – formează un pipeline de refinament bazat pe critică (critique-driven refinement), care asigură că soluția finală nu este doar creativă, ci și robustă, verificată și aliniată cu obiectivele inițiale. De asemenea, integrarea utilizării de instrumente la nivelul cercetătorului asigură că agenții nu sunt limitați de cunoștințele interne ale modelului, ci pot accesa informații actualizate, specializate și verificabile din lumea externă – un aspect critic pentru aplicații de grad de producție în domenii precum medicina, dreptul, inginería sau cercetarea științifică.
Un avantaj esențial al acestui design este transparența și auditabilitatea. Deoarece fiecare agent produce ieșiri structurate și validate prin scheme, întregul proces poate fi jurnalizat, analizat și depanat. Echipele de dezvoltare pot verifica exact ce a decis planificatorul, ce informații a adus cercetătorul, ce critici au fost generate și cum au influențat rescrierea – lucru esențial pentru conformitate, siguranță și încredere în sistemele AI.
De asemenea, această arhitectură este extensibilă. Putem adăuga noi agenți (de exemplu, un agent de etică, unul de legalitate, sau un optimizer de costuri) fără să ruptem fluxul existent. Fiecare nou agent se integrează prin intermediul schemei de intrare/ieșire și prin contractul clar al responsabilității sale.\n
În concluzie, proiectarea unui sistem multi-agent CAMEL de grad de producție nu este doar o exerciție de inginerie de prompturi, ci o disciplină de sistematică a inteligenței artificiale. Prin combinarea planificării structurate, utilizării de instrumente, auto-consistenței și refinamentului bazat pe critică, obținem un sistem care nu doar răspunde bine la întrebări, ci învață să devină mai bun prin iterare, feedback și validare obiectivă – aproape ca un echipă umană de experți care lucrează împreună pentru a rezolva o problemă dificilă.
De ce este important:
Acest tip de sistem multi-agent este esențial pentru aplicările reale de AI unde greșealea nu este o opțiune – de la diagnostic medical și consultanță juridică până la proiectare de sisteme embarcate și analiză financiară. În contrast cu modelele monolistice, care sunt prone la hallucinații, inconsistențe și lipsă de responsabilitate, arhitectura CAMEL propusă oferă un cadru de încredere: transparență, verificabilitate, adaptabilitate și calitate garantată prin mecanisme de control și feedback. Într-o lume în care AI-ul devine pe tot mai mult parte a proceselor decizionale, sistemele precum această nu sunt doar o îmbunătățire – sunt o necesitate pentru a asigura că tehnologia servește oamenii, nu invers.
