What is the Model Context Protocol (MCP) and how does it relate to AI agents?

The Model Context Protocol (MCP) is a framework designed to empower large language model (LLM) agents by providing them with access to potentially hundreds of tools, enabling them to solve complex real-world tasks. It defines a standardized way for agents to interact with external systems and data sources, transforming how AI agents can leverage deterministic software. Rather than agents relying solely on their internal knowledge, MCP allows them to use specialized tools, much like a human uses various applications or references to complete tasks, thus significantly expanding their capabilities and effectiveness across diverse domains.

Why is designing tools specifically for non-deterministic AI agents different from traditional software development?

Traditional software development typically involves creating contracts between deterministic systems, where a given input always yields the same predictable output. AI agents, however, are non-deterministic, meaning their responses can vary even with identical starting conditions. This fundamental difference requires rethinking tool design. Instead of assuming precise, static interactions, tools for AI agents must be robust enough to handle varied agentic reasoning, potential misunderstandings, or even hallucinations. The goal is to make tools 'ergonomic' for agents, facilitating their diverse problem-solving strategies, which often results in surprisingly intuitive tools for human users too.

What are the critical steps in evaluating the performance of AI agent tools?

Evaluating AI agent tools involves a systematic approach starting with generating a diverse set of real-world evaluation tasks. These tasks should be complex enough to stress-test tools, potentially requiring multiple tool calls. Next, the evaluation is run programmatically, typically using agentic loops that simulate how an agent would interact with the tools. Key metrics collected include accuracy, total runtime, number of tool calls, token consumption, and tool errors. Finally, analyzing results involves having agents provide reasoning and feedback, reviewing raw transcripts, and identifying patterns in tool usage or errors to pinpoint areas for improvement in tool descriptions, schemas, or implementations.

How can AI agents like Claude optimize their own tools?

Anthropic demonstrates that AI agents, particularly models like Claude Code, can play a pivotal role in optimizing the very tools they use. This is achieved by feeding the agent transcripts and results from tool evaluations. Claude can then analyze these interactions, identify inefficiencies, inconsistencies, or areas where tool descriptions are unclear, and suggest refactorings. For instance, it can ensure that tool implementations and descriptions remain self-consistent after changes or recommend adjustments to parameters for better token efficiency. This collaborative approach leverages the agent's analytical capabilities to continuously improve the quality and ergonomics of its toolset, leading to enhanced performance.

What are the key principles for writing high-quality tools for AI agents?

Several core principles guide the creation of effective tools for AI agents. Firstly, judiciously choosing which tools to implement (and which to omit) is crucial for agent clarity and efficiency. Secondly, namespacing tools clearly defines their functional boundaries, reducing ambiguity for the agent. Thirdly, tools should return meaningful and concise context to agents, aiding their decision-making. Fourthly, optimizing tool responses for token efficiency is vital for managing costs and processing speed in LLM interactions. Lastly, meticulous prompt-engineering of tool descriptions and specifications ensures agents accurately understand and utilize each tool's purpose and capabilities, minimizing errors and maximizing effectiveness.

ஏஜென்ட் கருவிகள்: Claude தேர்வுமுறை மூலம் AI செயல்திறனை மேம்படுத்துதல்

AI ஏஜென்ட் செயல்திறனில் கருவிகளின் முக்கியப் பங்கு

வேகமாக வளர்ந்து வரும் AI உலகில், ஒரு அறிவார்ந்த ஏஜென்ட்டின் செயல்திறன் அது பயன்படுத்தும் கருவிகளின் தரம் மற்றும் பயன்பாட்டைப் பொறுத்து கணிசமாக அமைகிறது. செயற்கை நுண்ணறிவு மாதிரிகள் பெருகிய முறையில் திறமை மிக்கதாகி, சிக்கலான, பல-படி பணிகளைச் செய்ய உதவுவதால், அவை வெளிப்புற அமைப்புகளுடன் – "கருவிகள்" மூலம் – எவ்வாறு தொடர்பு கொள்கின்றன என்பது மிக முக்கியத்துவம் பெறுகிறது. AI ஆராய்ச்சி மற்றும் மேம்பாட்டில் ஒரு முன்னோடியான Anthropic, இந்த கருவிகளை எவ்வாறு உருவாக்குவது, மதிப்பீடு செய்வது மற்றும் மேம்படுத்துவது என்பது பற்றிய முக்கியமான நுண்ணறிவுகளைப் பகிர்ந்துள்ளது, இது ஏஜென்ட் செயல்திறனை வியத்தகு முறையில் அதிகரிக்கிறது.

இந்த அணுகுமுறையின் மையத்தில் மாதிரி சூழல் நெறிமுறை (MCP) உள்ளது, இது பெரிய மொழி மாதிரி (LLM) ஏஜென்ட்களுக்கு பரந்த அளவிலான செயல்பாடுகளை அணுகுவதற்கு அதிகாரம் அளிக்க வடிவமைக்கப்பட்ட ஒரு அமைப்பாகும். இருப்பினும், கருவிகளை வழங்குவது மட்டும் போதாது; அவை அதிகபட்சமாக பயனுள்ளதாக இருக்க வேண்டும். இந்த கட்டுரை Anthropic-ன் ஏஜென்டிக் AI அமைப்புகளை மேம்படுத்துவதற்கான நிரூபிக்கப்பட்ட நுட்பங்களை ஆராய்கிறது, Claude போன்ற AI மாதிரிகள் எவ்வாறு தங்கள் சொந்த கருவித் தொகுப்புகளை கூட்டாகச் செம்மைப்படுத்தலாம் என்பதை எடுத்துக்காட்டுகிறது. ஆரம்ப கருத்திலிருந்து உகந்த கருவி வரை செல்லும் பயணம், முன்மாதிரி உருவாக்குதல், கடுமையான மதிப்பீடு மற்றும் ஏஜென்ட்டுடன் ஒரு கூட்டு பின்னூட்ட சுழற்சியை உள்ளடக்கியது.

AI ஏஜென்ட் கருவிகளைப் புரிந்துகொள்ளுதல்: மென்பொருளுக்கான ஒரு புதிய எடுத்துக்காட்டு

பாரம்பரியமாக, மென்பொருள் மேம்பாடு வரையறுக்கப்பட்ட கோட்பாடுகளின் அடிப்படையில் செயல்படுகிறது: ஒரே உள்ளீடு கொடுக்கப்பட்டால், ஒரு செயல்பாடு எப்போதும் ஒரே வெளியீட்டை உருவாக்கும். ஒரு எளிய getWeather("NYC") அழைப்பைக் கருத்தில் கொள்ளுங்கள்; இது நியூயார்க் நகரத்தின் வானிலையை ஒரே மாதிரியாக தொடர்ந்து பெறுகிறது. இருப்பினும், Anthropic-ன் Claude போன்ற AI ஏஜென்ட்கள், வரையறையற்ற அமைப்புகளாக செயல்படுகின்றன. அதாவது, ஒரே மாதிரியான ஆரம்ப நிலைமைகளின் கீழும் அவற்றின் பதில்கள் மாறுபடலாம்.

இந்த அடிப்படை வேறுபாடு ஏஜென்ட்களுக்கான மென்பொருளை வடிவமைக்கும்போது ஒரு புதிய எடுத்துக்காட்டை (paradigm shift) அவசியமாக்குகிறது. AI ஏஜென்ட்களுக்கான கருவிகள் மற்ற டெவலப்பர்களுக்கான செயல்பாடுகள் அல்லது API-கள் மட்டுமல்ல; அவை ஒரு அறிவார்ந்த, ஆனால் சில சமயங்களில் கணிக்க முடியாத, நிறுவனத்திற்கான இடைமுகங்களாக வடிவமைக்கப்பட்டுள்ளன. ஒரு பயனர், "இன்று குடை கொண்டு வர வேண்டுமா?" என்று கேட்டால், ஒரு ஏஜென்ட் வானிலை கருவியை அழைக்கலாம், பொது அறிவைப் பயன்படுத்தலாம் அல்லது இருப்பிடம் குறித்து தெளிவுபடுத்தக் கேட்கலாம். சில சமயங்களில், ஏஜென்ட்கள் மாயத்தோற்றம் கொள்ளலாம் அல்லது ஒரு கருவியை சரியாகப் பயன்படுத்துவது எப்படி என்று புரிந்து கொள்ளத் தவறலாம்.

ஆகவே, ஏஜென்ட்கள் பயனுள்ளதாக இருக்கக்கூடிய "பரப்பளவை" (surface area) அதிகரிப்பதே குறிக்கோள். அதாவது, வலுவானது மட்டுமல்லாமல், ஏஜென்ட்கள் பயன்படுத்த "பயனர்-நட்பு" (ergonomic) ஆகவும் இருக்கும் கருவிகளை உருவாக்குவதாகும். சுவாரஸ்யமாக, Anthropic-ன் அனுபவம், ஒரு ஏஜென்ட்டின் வரையறையற்ற தன்மையைக் கருத்தில் கொண்டு வடிவமைக்கப்பட்ட கருவிகள் பெரும்பாலும் மனிதர்களுக்கும் ஆச்சரியமான உள்ளுணர்வு மற்றும் புரிந்துகொள்ள எளிதானதாக அமைகின்றன என்பதைக் காட்டுகிறது. கருவி மேம்பாட்டின் மீதான இந்த கண்ணோட்டம், Claude Opus அல்லது Claude Sonnet போன்ற அதிநவீன மாதிரிகளின் முழு திறனையும் நிஜ உலக பயன்பாடுகளில் திறக்க ஒரு முக்கிய அம்சமாகும்.

பயனுள்ள AI கருவிகளை உருவாக்குதல்: முன்மாதிரி முதல் தேர்வுமுறை வரை

பயனுள்ள AI ஏஜென்ட் கருவிகளை உருவாக்கும் பயணம், உருவாக்குதல், சோதித்தல் மற்றும் செம்மைப்படுத்துதல் ஆகியவற்றின் ஒரு தொடர்ச்சியான செயல்முறையாகும். Anthropic விரைவான முன்மாதிரி உருவாக்குதலுடன் தொடங்கி, பின்னர் விரிவான மதிப்பீட்டிற்கு மாறுவதன் மூலம் ஒரு நேரடி அணுகுமுறையை வலியுறுத்துகிறது.

விரைவான முன்மாதிரியை உருவாக்குதல்

ஏஜென்ட்கள் கருவிகளுடன் எவ்வாறு தொடர்புகொள்வார்கள் என்பதை முன்கூட்டியே கணிப்பது நடைமுறை அனுபவம் இல்லாமல் சவாலானது. முதல் படி ஒரு முன்மாதிரியை விரைவாக உருவாக்குவதை உள்ளடக்கியது. டெவலப்பர்கள் கருவி உருவாக்கத்திற்காக Claude Code போன்ற ஒரு ஏஜென்ட்டைப் பயன்படுத்தினால், எந்தவொரு அடிப்படை மென்பொருள் நூலகங்கள், API-கள் அல்லது SDK-கள் (MCP SDK உட்பட) க்கான நன்கு கட்டமைக்கப்பட்ட ஆவணங்களை வழங்குவது மிகவும் முக்கியம். அதிகாரப்பூர்வ ஆவண தளங்களில் பெரும்பாலும் காணப்படும் பிளாட் 'llms.txt' கோப்புகள், குறிப்பாக LLM-களுக்கு ஏற்றவை.

இந்த முன்மாதிரிகள் ஒரு உள்ளூர் MCP சர்வர் அல்லது டெஸ்க்டாப் நீட்டிப்பில் (DXT) இணைக்கப்பட்டு, Claude Code அல்லது Claude டெஸ்க்டாப் பயன்பாட்டில் உள்ளூர் சோதனையை எளிதாக்கலாம். நிரல்ரீதியான சோதனைக்கு, கருவிகளை நேரடியாக Anthropic API அழைப்புகளில் அனுப்பலாம். இந்த ஆரம்ப கட்டம், டெவலப்பர்களை கருவிகளை தனிப்பட்ட முறையில் சோதிக்கவும், பயனர் கருத்துக்களை சேகரிக்கவும், மற்றும் கருவிகள் கையாள உத்தேசிக்கப்பட்டுள்ள பயன்பாட்டு வழக்குகள் மற்றும் தூண்டுதல்களைப் பற்றிய உள்ளுணர்வை உருவாக்கவும் ஊக்குவிக்கிறது.

விரிவான மதிப்பீட்டை நடத்துதல்

ஒரு முன்மாதிரி செயல்பட்டவுடன், அடுத்த முக்கியமான படி, ஒரு முறையான மதிப்பீட்டின் மூலம் ஏஜென்ட் இந்த கருவிகளை எவ்வளவு திறமையாகப் பயன்படுத்துகிறது என்பதை அளவிடுவதுதான். இது நிஜ உலக சூழ்நிலைகளின் அடிப்படையில் பல மதிப்பீட்டுப் பணிகளை உருவாக்குவதை உள்ளடக்கியது.

மதிப்பீட்டுப் பணிகளை உருவாக்குதல்

மதிப்பீட்டுப் பணிகள் உண்மையான பயனர் வினவல்களால் ஈர்க்கப்பட வேண்டும் மற்றும் யதார்த்தமான தரவு மூலங்களைப் பயன்படுத்த வேண்டும். கருவிகளின் சிக்கல்தன்மையை போதுமான அளவு அழுத்தப் பரிசோதனை செய்யாத எளிமையான "சாண்ட்பாக்ஸ்" சூழல்களைத் தவிர்ப்பது முக்கியம். வலுவான மதிப்பீட்டுப் பணிகள் பெரும்பாலும் ஏஜென்ட்கள் ஒரு தீர்வை அடைய பல கருவி அழைப்புகளைச் செய்ய வேண்டும்.

பணி வகை	வலுவான எடுத்துக்காட்டு	பலவீனமான எடுத்துக்காட்டு
சந்திப்பு திட்டமிடல்	"எங்கள் சமீபத்திய Acme Corp திட்டத்தைப் பற்றி விவாதிக்க அடுத்த வாரம் ஜேனுடன் ஒரு சந்திப்பை திட்டமிடுங்கள். எங்கள் கடைசி திட்டமிடல் கூட்டத்தின் குறிப்புகளை இணைத்து ஒரு கூட்ட அறையை ஒதுக்குங்கள்."	"அடுத்த வாரம் jane@acme.corp உடன் ஒரு சந்திப்பை திட்டமிடுங்கள்."
வாடிக்கையாளர் சேவை	"வாடிக்கையாளர் ஐடி 9182 ஒரே ஒரு கொள்முதல் முயற்சிக்கு மூன்று முறை கட்டணம் வசூலிக்கப்பட்டதாகப் புகாரளித்தார். தொடர்புடைய அனைத்து பதிவு உள்ளீடுகளையும் கண்டறிந்து, வேறு எந்த வாடிக்கையாளர்களும் அதே சிக்கலால் பாதிக்கப்பட்டார்களா என்பதைத் தீர்மானிக்கவும்."	"பணம் செலுத்தும் பதிவுகளில் 'purchase_complete' மற்றும் 'customer_id=9182' என்பதைத் தேடுங்கள்."
தக்கவைப்பு பகுப்பாய்வு	"வாடிக்கையாளர் சாரா சென் ரத்து கோரிக்கையை சமர்ப்பித்துள்ளார். ஒரு தக்கவைப்பு சலுகையை தயார் செய்யுங்கள். தீர்மானிக்கவும்: (1) அவர்கள் ஏன் வெளியேறுகிறார்கள், (2) எந்த தக்கவைப்பு சலுகை மிகவும் கவர்ச்சிகரமானதாக இருக்கும், மற்றும் (3) ஒரு சலுகையை வழங்குவதற்கு முன் நாம் அறிந்திருக்க வேண்டிய ஆபத்து காரணிகள் ஏதேனும் உண்டா."	"வாடிக்கையாளர் ஐடி 45892 மூலம் ரத்து கோரிக்கையை கண்டறியவும்."

ஒவ்வொரு தூண்டுதலும் சரிபார்க்கக்கூடிய பதில் அல்லது விளைவுடன் இணைக்கப்பட வேண்டும். சரிபார்ப்பவர்கள் எளிய சரம் ஒப்பீடுகளிலிருந்து, பதிலைத் தீர்மானிக்க ஒரு ஏஜென்ட்டை ஈடுபடுத்தும் மேம்பட்ட மதிப்பீடுகள் வரை இருக்கலாம். சிறிய வடிவமைப்பு வேறுபாடுகள் காரணமாக சரியான பதில்களை நிராகரிக்கும் அளவுக்கு கடுமையான சரிபார்ப்பவர்களைத் தவிர்ப்பது முக்கியம். விருப்பமாக, டெவலப்பர்கள் எதிர்பார்க்கப்படும் கருவி அழைப்புகளைக் குறிப்பிடலாம், இருப்பினும் இது குறிப்பிட்ட உத்திகளுக்கு அதிகமாகக் குறிப்பிடுவதையோ அல்லது அதிகமாக பொருத்துவதையோ தவிர்க்க கவனமாகச் செய்யப்பட வேண்டும், ஏனெனில் ஏஜென்ட்கள் ஒரு தீர்வுக்கு பல சரியான வழிகளைக் கண்டறியலாம்.

மதிப்பீட்டை நிரல்ரீதியாக நடத்துதல்

Anthropic, எளிய ஏஜென்டிக் சுழல்களுக்குள் (எ.கா., LLM API மற்றும் கருவி அழைப்புகளுக்கு இடையில் மாறும் while சுழல்கள்) நேரடி LLM API அழைப்புகளைப் பயன்படுத்தி நிரல்ரீதியாக மதிப்பீடுகளை நடத்த பரிந்துரைக்கிறது. ஒவ்வொரு மதிப்பீட்டு ஏஜென்ட்டிற்கும் ஒரு ஒற்றைப் பணி தூண்டுதல் மற்றும் கருவிகள் வழங்கப்படுகின்றன. இந்த ஏஜென்ட்களுக்கான சிஸ்டம் தூண்டுதல்களில், கட்டமைக்கப்பட்ட பதில் தொகுதிகள் (சரிபார்ப்புக்கு), பகுத்தறிவு மற்றும் பின்னூட்ட தொகுதிகளை கருவி அழைப்பு மற்றும் பதில் தொகுதிகளுக்கு முன் வெளியிடுமாறு அறிவுறுத்துவது பயனுள்ளது. இது சங்கிலி-சிந்தனை (CoT) நடத்தைகளை ஊக்குவிக்கிறது, LLM இன் பயனுள்ள நுண்ணறிவை மேம்படுத்துகிறது. Claude-ன் "இடைச்செருகப்பட்ட சிந்தனை" அம்சம் இதே போன்ற செயல்பாட்டை உடனடியாக வழங்குகிறது, ஏஜென்ட்கள் ஏன் குறிப்பிட்ட கருவி தேர்வுகளை செய்கிறார்கள் என்பதற்கான நுண்ணறிவுகளை வழங்குகிறது.

மேல்மட்ட துல்லியத்திற்கு அப்பால், மொத்த இயக்க நேரம், கருவி அழைப்புகளின் எண்ணிக்கை, டோக்கன் நுகர்வு மற்றும் கருவி பிழைகள் போன்ற அளவீடுகளை சேகரிப்பது மிக முக்கியம். கருவி அழைப்புகளைக் கண்காணிப்பது பொதுவான ஏஜென்ட் பணிப்பாய்வுகளை வெளிப்படுத்தலாம், கருவி ஒருங்கிணைப்பு அல்லது செம்மைப்படுத்தலுக்கான வாய்ப்புகளை பரிந்துரைக்கிறது.

AI மூலம் கருவிகளை மேம்படுத்துதல்: Claude-ன் கூட்டு அணுகுமுறை

மதிப்பீட்டு முடிவுகளை பகுப்பாய்வு செய்வது ஒரு முக்கியமான கட்டமாகும். ஏஜென்ட்களே இந்த செயல்பாட்டில் விலைமதிப்பற்ற பங்காளிகளாக இருக்கலாம், சிக்கல்களைக் கண்டறிந்து கருத்துக்களை வழங்கலாம். இருப்பினும், அவர்களின் கருத்து எப்போதும் வெளிப்படையாக இருக்காது; அவர்கள் தவிர்ப்பது அவர்கள் சேர்ப்பது போலவே பல விஷயங்களைச் சொல்லலாம். டெவலப்பர்கள் ஏஜென்ட் பகுத்தறிவை (CoT) கவனமாக ஆராய வேண்டும், மூல பதிவுகளை (கருவி அழைப்புகள் மற்றும் பதில்கள் உட்பட) மதிப்பாய்வு செய்ய வேண்டும் மற்றும் கருவி அழைப்பு அளவீடுகளை பகுப்பாய்வு செய்ய வேண்டும். உதாரணமாக, தேவையற்ற கருவி அழைப்புகள் பக்கவாட்டமைப்பு அல்லது டோக்கன் வரம்புகளை சரிசெய்ய வேண்டியதன் அவசியத்தைக் குறிக்கலாம், அதே நேரத்தில் தவறான அளவுருக்கள் காரணமாக அடிக்கடி ஏற்படும் பிழைகள் தெளிவற்ற கருவி விளக்கங்களைக் குறிக்கலாம்.

Anthropic-ன் ஒரு குறிப்பிடத்தக்க எடுத்துக்காட்டு, Claude-ன் வலைத் தேடல் கருவியாகும், அங்கு அது தேடல்களில் '2025' ஐ தேவையில்லாமல் சேர்த்து, முடிவுகளை ஒருதலைப்பட்சமாக ஆக்கியது. கருவி விளக்கத்தை மேம்படுத்துவதே Claude ஐ சரியான திசையில் வழிநடத்த முக்கியமாக இருந்தது.

Anthropic-ன் முறையின் மிகவும் புதுமையான அம்சம், ஏஜென்ட்கள் தங்கள் சொந்த முடிவுகளை பகுப்பாய்வு செய்து தங்கள் கருவிகளை மேம்படுத்த அனுமதிக்கும் திறன் ஆகும். மதிப்பீட்டு பதிவுகளை இணைத்து அவற்றை Claude Code க்கு வழங்குவதன் மூலம், டெவலப்பர்கள் சிக்கலான தொடர்புகளை பகுப்பாய்வு செய்வதிலும் கருவிகளை மறுசீரமைப்பதிலும் Claude-ன் நிபுணத்துவத்தைப் பயன்படுத்தலாம். ஏராளமான மாற்றங்கள் ஏற்பட்டாலும் கூட, கருவி செயலாக்கங்கள் மற்றும் விளக்கங்களுக்கு இடையே நிலைத்தன்மையை உறுதி செய்வதில் Claude சிறந்து விளங்குகிறது. இந்த சக்திவாய்ந்த பின்னூட்ட சுழற்சி, Anthropic-ன் கருவி மேம்பாடு குறித்த பல ஆலோசனைகள், ஏஜென்ட்-உதவி தேர்வுமுறை எனும் இந்த செயல்முறையின் மூலமே உருவாக்கப்பட்டு செம்மைப்படுத்தப்பட்டுள்ளன என்பதைக் குறிக்கிறது, இது மென்பொருள் மேம்பாட்டில் ஏஜென்டிக் பணிப்பாய்வுகளின் வளர்ந்து வரும் போக்கை எதிரொலிக்கிறது.

உயர்தர ஏஜென்ட் கருவி மேம்பாட்டிற்கான முக்கிய கோட்பாடுகள்

விரிவான பரிசோதனை மற்றும் ஏஜென்ட்-உந்துதல் தேர்வுமுறை மூலம், AI ஏஜென்ட்களுக்கான உயர்தர கருவிகளை உருவாக்குவதற்கான பல முக்கிய கோட்பாடுகளை Anthropic அடையாளம் கண்டுள்ளது:

மூலோபாய கருவி தேர்வு: எந்தக் கருவிகளைச் செயல்படுத்துவது, மற்றும் விமர்சன ரீதியாக, எவற்றைச் செயல்படுத்தக்கூடாது என்பதை புத்திசாலித்தனமாகத் தேர்ந்தெடுக்கவும். ஒரு ஏஜென்ட்டை தேவையற்ற கருவிகளால் சுமை ஏற்றுவது குழப்பத்திற்கும் திறமையின்மைக்கும் வழிவகுக்கும்.
தெளிவான பெயரிடல் (Namespacing): பயனுள்ள பெயரிடல் மூலம் ஒவ்வொரு கருவிக்கும் தெளிவான எல்லைகள் மற்றும் செயல்பாடுகளை வரையறுக்கவும். இது ஏஜென்ட்கள் ஒவ்வொரு திறனின் துல்லியமான நோக்கம் மற்றும் நோக்கத்தைப் புரிந்துகொள்ள உதவுகிறது.
அர்த்தமுள்ள சூழல் திரும்புதல்: கருவிகள் ஏஜென்ட்டிற்கு சுருக்கமான மற்றும் பொருத்தமான சூழலைத் திரும்ப அனுப்ப வேண்டும், அதிகப்படியான அல்லது வெளிப்படையான தகவல்கள் இல்லாமல் தகவலறிந்த முடிவெடுப்பதை செயல்படுத்துகிறது.
டோக்கன் செயல்திறன் தேர்வுமுறை: டோக்கன்-திறனுள்ளதாக இருக்க கருவி பதில்களை மேம்படுத்தவும். LLM தொடர்புகளில், ஒவ்வொரு டோக்கனும் செலவு மற்றும் செயலாக்க வேகம் இரண்டிற்கும் முக்கியமானது.
துல்லியமான தூண்டுதல் பொறியியல்: கருவி விளக்கங்கள் மற்றும் விவரக்குறிப்புகளை கவனமாக தூண்டுதல் பொறியியல் செய்யவும். தெளிவான, சந்தேகத்திற்கு இடமில்லாத வழிமுறைகள் ஏஜென்ட்கள் கருவிகளை சரியாக விளக்கவும் பயன்படுத்தவும் அவசியம்.

இந்தக் கோட்பாடுகளைப் பின்பற்றி, தொடர்ச்சியான, ஏஜென்ட்-உதவி மேம்பாட்டுச் சுழற்சியைத் தழுவுவதன் மூலம், டெவலப்பர்கள் வலுவான, திறமையான மற்றும் மிகவும் பயனுள்ள கருவிகளை உருவாக்க முடியும், இது AI ஏஜென்ட்களின் செயல்திறனையும் திறன்களையும் கணிசமாக மேம்படுத்துகிறது, இந்த அறிவார்ந்த அமைப்புகள் எட்டக்கூடிய எல்லைகளைத் தள்ளுகிறது.