Przekazanie między agentami (handoff)
Jeden agent przekazuje prowadzenie rozmowy razem z kontekstem innemu, wyspecjalizowanemu agentowi albo człowiekowi.
Przekazanie między agentami (handoff) oddaje prowadzenie rozmowy jednego agenta drugiemu, zwykle specjaliście: agent od wstępnej obsługi przekazuje klienta agentowi od zwrotów, który dalej odpowiada sam. Agent przejmujący przejmuje rozmowę, zamiast zdawać raport jak subagent. Przekazania to podstawowy klocek systemu wieloagentowego.
W OpenAI Agents SDK przekazanie to narzędzie, które model może wywołać, o nazwie w stylu transfer_to_refund_agent. Domyślnie nowy agent widzi całą wcześniejszą rozmowę, a filtr wejścia może ją przyciąć, na przykład usuwając wcześniejsze wywołania narzędzi. Ten wybór to główne ryzyko. Przekażesz za mało, a specjalista każe klientowi powtarzać wszystko od nowa albo źle odczyta podsumowanie. Przekażesz za dużo, a specjalista zobaczy dane, których nie powinien, i zapłacisz za tokeny, których nie potrzebował. Dobre przekazanie niesie krótką, ustrukturyzowaną notatkę: kim jest użytkownik, czego chce, co już próbowano i dlaczego sprawa zmienia ręce.
To samo dotyczy przekazania sprawy człowiekowi. Notatka powinna iść razem ze sprawą, żeby człowiek nie zaczynał od zera, a reguły, kiedy eskalować, to część projektu człowieka w pętli. Loguj każde przekazanie z powodem w narzędziach obserwowalności LLM; wiele „złych odpowiedzi” okazuje się właściwym agentem pracującym na złym kontekście.
Źródła
- OpenAI Agents SDK: Handoffs openai.github.io
Powiązane hasła
- System wieloagentowy (orkiestracja agentów): Kilku agentów AI z osobnymi rolami i kontekstami pracujących nad jednym zadaniem, zwykle koordynowanych przez agenta prowadzącego albo stały workflow.
- Subagent: Osobne uruchomienie agenta z własnym, świeżym kontekstem, odpalone przez głównego agenta do jednego podzadania.
- Człowiek w pętli (human in the loop): Człowiek zatwierdza, poprawia albo odrzuca akcję agenta, zanim zacznie działać.
- Framework agentowy (LangChain, LangGraph i inne): Biblioteka do budowania agentów AI i workflow z LLM: wywołania modeli, narzędzia, stan, ponowienia i śledzenie, żeby nie pisać pętli samemu.
- Obserwowalność LLM: Śledzenie każdego wywołania modelu: wejście, wyjście, czas, tokeny, koszt i wynik dla użytkownika.
- Context engineering: Decydowanie, co trafia do kontekstu modelu, w jakiej kolejności i kiedy, przez całe zadanie.
- Zespół agentów (agent team): Agent prowadzący, który koordynuje kilka długo działających sesji agentów ze wspólną listą zadań i bezpośrednią komunikacją między nimi.
- Ewaluacje trajektorii: Testy, które oceniają całą drogę agenta do odpowiedzi: jakie narzędzia wywołał, w jakiej kolejności, w ilu krokach i za ile; sam wynik końcowy to za mało.
