AI-agentteja käsitellään usein ohjelmistokehityksen kautta. Puhutaan agenttikehyksistä, muistista, työkaluista, orkestroinnista, reitityksestä ja monen agentin yhteistyöstä.

Käytännössä moni AI-työnkulku on paljon arkisempi. Ensin kerätään lähteet. Sitten tehdään rakenne. Sen jälkeen kirjoitetaan luonnos, tarkistetaan se, tehdään tarvittavat muutokset ja valmistellaan julkaisu.

Tällaisiin vaiheittaisiin ja ihmisen tarkistamiin työnkulkuihin tutkimuspaperi Interpretable Context Methodology: Folder Structure as Agent Architecture ehdottaa kiinnostavaa mallia. Sen ydinajatus on, että osa agenttiarkkitehtuurista voidaan kuvata suoraan tiedostojärjestelmään: numeroiduilla kansioilla, markdown-ohjeilla, välituloksilla ja paikallisilla skripteillä.

Lyhyesti: ICM sopii tilanteisiin, joissa AI-työ etenee vaiheittain, ihminen tarkistaa välituloksia ja sama prosessi toistuu eri aineistoilla. Sen sijaan, että rakennetaan monta erillistä agenttia, työnkulku kuvataan kansioilla, ohjetiedostoilla ja välituloksilla.

Menetelmän nimi on Interpretable Context Methodology, lyhyemmin ICM.

ICM on tapa rakentaa AI-työnkulkuja niin, että työn eri vaiheet näkyvät kansiorakenteessa.

Sen perusajatus on yksinkertainen:

Tämä eroaa monesta agenttikehyksestä siinä, että työnkulun rakenne näkyy kansioissa ja tekstitiedostoissa eikä ensisijaisesti koodissa.

ICM:n käytännöllinen ydin on tämä: jos sama agentti osaa lukea eri vaiheissa eri ohjeet, kaikkea ei tarvitse mallintaa erillisiksi agenteiksi.

Yhdessä vaiheessa se toimii tutkijana. Seuraavassa vaiheessa se toimii kirjoittajana. Kolmannessa vaiheessa se toimii editorina tai tuotantoassistenttina. Rooli vaihtuu sen mukaan, mitä tiedostoja agentti lukee.

Agenttikehykset, kuten LangChain, CrewAI ja AutoGen, ovat hyödyllisiä, kun rakennetaan monimutkaisia järjestelmiä. Ne auttavat työkalujen käytössä, muistissa, reitityksessä, virheenkäsittelyssä ja rinnakkaisessa agenttityössä.

Samalla ne tuovat mukanaan kehyskohtaisen tavan ajatella. Jos haluat muuttaa työnkulun järjestystä, lisätä vaiheen tai vaihtaa promptin, muutos voi vaatia koodin muokkaamista, kehyksen ymmärtämistä ja joskus uudelleenasennusta tai käyttöönottoa.

ICM lähtee toisesta suunnasta. Se kysyy: mitä jos työnkulun rakenne olisi niin selkeä, että sen voi nähdä avaamalla kansion?

Tämä on hyödyllistä erityisesti silloin, kun työnkulku on:

Tällaisessa tilanteessa koodi ei välttämättä ole paras käyttöliittymä työnkululle. Kansiot ja markdown-tiedostot voivat olla helpompia myös niille, jotka eivät ole kehittäjiä.

ICM on ennen kaikkea kontekstisuunnittelun menetelmä.

Prompttisuunnittelu tarkoittaa usein yksittäisen ohjeen kirjoittamista. Kontekstisuunnittelu on laajempi kysymys: mitä tietoa mallille annetaan, missä vaiheessa, missä järjestyksessä ja mitä jätetään pois.

Tämä on tärkeää, koska mallin suorituskyky ei riipu vain siitä, kuinka hyvä viimeinen prompti on. Se riippuu myös siitä, millaiseen tietoympäristöön prompti asetetaan.

Jos mallille annetaan kaikki mahdollinen kerralla, se voi saada liikaa kohinaa. Mukana on vanhoja luonnoksia, tyyliohjeita, lähteitä, kommentteja, aiempia päätöksiä ja työvaiheita, joista vain osa on relevanttia juuri nyt.

ICM yrittää ratkaista tätä rakenteella. Jokainen vaihe saa vain sen kontekstin, jota se tarvitsee.

Tutkimusvaihe tarvitsee lähteitä ja kysymyksiä. Kirjoitusvaihe tarvitsee lähdekoosteen, rakenteen ja tyyliohjeet. Julkaisuvaihe tarvitsee valmiin tekstin, metatiedot ja alustan ohjeet.

Kaikki nämä voivat olla samassa projektissa, mutta niitä ei tarvitse antaa mallille samalla kertaa.

ICM kuvaa kontekstin kerroksina. Yksityiskohdat voivat vaihdella toteutuksesta toiseen, mutta ajatus on tämä:

Kerrosten ero on käytännössä tärkeä.

Pysyvä referenssimateriaali määrittää työtilan perussäännöt. Se kertoo, millä tyylillä kirjoitetaan, mitä värejä käytetään, millaisia termejä suositaan ja mitä sääntöjä pitää noudattaa. Nämä eivät muutu jokaisessa ajossa.

Ajokohtaiset työartefaktit ovat käsiteltävä raaka-aine. Ne vaihtuvat joka kerta: tämän artikkelin lähteet, tämän asiakkaan briefi, tämän videon transkriptio tai tämän kampanjan tiedot.

ICM:n kannalta hyvä työnkulku erottaa nämä toisistaan. Mallille annetaan vaihekohtaisesti rajattu aineisto, ja ohje määrittää, mitä se saa lukea ja mitä sen pitää tuottaa.

Kuvitellaan AI-Sanomien artikkeliputki ICM-tyylisenä työtilana.

Tässä AGENTS.md kertoo koko työtilan yleiset säännöt. Se voi sanoa esimerkiksi, että kirjoitetaan suomeksi, vältetään tiettyjä tyylipiirteitä ja pidetään julkaisu ihmisen hyväksynnän takana.

Projektin CONTEXT.md toimii reitittimenä. Se kertoo, mitä vaiheita työtilassa on ja milloin mitäkin käytetään.

Jokaisen vaiheen oma CONTEXT.md on varsinainen sopimus. Se kertoo esimerkiksi:

output/-kansio on välitulosten paikka. Lähdevaihe kirjoittaa lähdekoosteen. Rakennevaihe lukee lähdekoosteen ja kirjoittaa sisältörakenteen. Artikkelivaihe lukee rakenteen ja kirjoittaa artikkelin.

Tärkeää on, että jokainen välitulos on tavallinen tiedosto. Ihminen voi avata sen, lukea sen, muokata sitä ja tallentaa muutokset. Seuraava vaihe lukee juuri sen version, jonka ihminen jätti kansioon.

Tämä tekee työnkulusta ymmärrettävän. Jos lopputulos on huono, voi katsoa, missä vaiheessa ongelma syntyi.

Agenttiarkkitehtuuri kuulostaa helposti monimutkaiselta. ICM palauttaa asian yksinkertaisempiin osiin.

Arkkitehtuuri vastaa kysymyksiin:

ICM:ssä näihin vastataan tiedostojärjestelmällä.

Vaiheiden järjestys näkyy numeroinnissa. Kontekstin rajaus näkyy kansiorakenteessa ja vaihekohtaisessa CONTEXT.md-tiedostossa. Tila näkyy levyllä olevissa tiedostoissa. Tiedonsiirto tapahtuu niin, että yhden vaiheen tuotos on seuraavan vaiheen lähtöaineisto.

Ajatus jatkaa vanhaa ohjelmistoteknistä perinnettä. Paperi yhdistää ICM:n Unix-putkiin, pipe-and-filter-arkkitehtuuriin, Make-työkaluihin, monivaiheisiin kääntäjiin ja literate programming -perinteeseen.

Unix-maailmasta tuttu ajatus on, että pieni ohjelma tekee yhden asian hyvin ja tulos siirtyy seuraavalle ohjelmalle tekstinä. ICM soveltaa samaa AI-työnkulkuihin: yksi vaihe tekee yhden työn, kirjoittaa luettavan välituloksen ja seuraava vaihe jatkaa siitä.

ICM:n vahvuus on käytettävyys.

Monessa AI-järjestelmässä välitila jää piiloon. Se voi olla muistissa, tietokannassa, lokissa tai agenttikehyksen sisäisessä tilassa.

ICM:ssä välitulos on tiedosto. Sen voi avata ja lukea.

Tämä auttaa sekä laadunvarmistuksessa että oppimisessa. Kun näet, mitä tutkimusvaihe tuotti, voit arvioida, johtuuko huono artikkeli heikosta lähdekoosteesta, huonosta rakenteesta vai kirjoitusvaiheen ohjeista.

Koska jokainen välitulos on editointipinta, ihmisen rooli ei jää lopputarkistukseen.

Voit korjata lähdekoosteen ennen rakennetta. Voit muuttaa rakennetta ennen artikkelia. Voit lisätä tyyliohjeen ennen viimeistelyä.

Tämä sopii hyvin asiantuntijatyöhön, jossa ihminen haluaa ohjata suuntaa, mutta ei tehdä kaikkea käsin.

Jos vaihekohtainen ohje on markdown-tiedosto, sen muokkaaminen ei vaadi ohjelmistokehittäjää.

Tämä on iso etu tiimeissä, joissa sisällöstä, brändistä, asiakasviestinnästä tai tutkimusprosessista vastaavat ihmiset eivät välttämättä kirjoita koodia.

He voivat silti säätää työnkulun ohjeita.

ICM-työtila on kansio. Sen voi kopioida, versionhallita ja jakaa.

Jos mukana on vain tekstitiedostoja ja paikallisia skriptejä, riippuvuuksia on vähemmän kuin monessa kehyspohjaisessa järjestelmässä. Tämä ei tarkoita, että kaikki olisi automaattisesti helppoa, mutta lähtökohta on ymmärrettävä.

Kun jokainen vaihe lukee vain sille määritetyt tiedostot, malli ei huku koko projektin sisältöön.

Tämä voi parantaa laatua. Malli keskittyy siihen, mitä sen juuri nyt pitää tehdä.

ICM:ää ei kannata lukea väitteenä, että agenttikehyksiä ei tarvita. Niitä tarvitaan edelleen monissa tilanteissa.

Parempi kysymys on: milloin kansiorakenne riittää ja milloin tarvitaan kehys?

ICM sopii hyvin, kun:

Agenttikehys on parempi, kun:

ICM on vahvimmillaan, kun prosessi muistuttaa tuotantolinjaa. Työ etenee vaiheesta toiseen, jokainen vaihe tuottaa välituloksen ja ihminen voi tarkistaa työn ennen jatkoa.

Agenttikehys on parempi valinta silloin, kun järjestelmä tarvitsee paljon automaattista päätöksentekoa, rinnakkaista työtä, reaaliaikaista toimintaa, monimutkaista virheenkäsittelyä tai tuotantotason integraatioita.

ICM:n yksinkertaisuus on samalla sen rajoitus.

Jos työnkulku haarautuu monimutkaisesti, kansiorakenne voi muuttua hankalaksi. Jos vaiheita ajetaan paljon rinnakkain, pelkkä numerointi ei riitä. Jos järjestelmän pitää toipua virheistä automaattisesti, tarvitaan enemmän kuin tiedostoja ja ohjeita.

Myös nimeämisen kuri ratkaisee paljon. Jos kansiot, tuotokset ja CONTEXT.md-tiedostot eivät noudata yhteistä rakennetta, tiedostopohjaisesta työnkulusta tulee nopeasti sekava.

ICM tekee suunnittelun näkyväksi. Epäselvä prosessi näkyy nopeasti kansioissa, ohjeissa ja välituloksissa.

Tämä on menetelmän vahvuus ja rajoitus. Virheet on helpompi huomata, mutta epäselvä prosessi ei piiloudu kehyksen taakse.

ICM:n arvoa voi hyödyntää ilman, että ottaa koko menetelmää käyttöön kerralla.

Jos sinulla on toistuva AI-työnkulku, kokeile tätä:

Tämä riittää jo pitkälle. Moni “agenttityönkulku” paranee huomattavasti, kun siitä tulee ensin näkyvä prosessi.

Interpretable Context Methodology on kiinnostava siksi, että se ei yritä ratkaista jokaista agenttijärjestelmien ongelmaa. Se rajaa ongelman.

Jos työnkulku on peräkkäinen, toistuva ja ihmisen tarkistama, kansiorakenne voi tehdä paljon:

Tämä ei korvaa agenttikehyksiä silloin, kun tarvitaan rinnakkaista työtä, automaattista reititystä, vahvaa virheenkäsittelyä tai tuotantotason integraatioita. Mutta se tarjoaa yksinkertaisen lähtökohdan suureen osaan arjen AI-työstä.

Hyvä AI-työnkulku ei ala välttämättä agenttikehyksen valinnasta. Se voi alkaa paljon pienemmästä kysymyksestä:

Mihin kansioon tämä vaihe kuuluu, mitä sen pitää lukea ja mitä sen pitää kirjoittaa seuraavaa vaihetta varten?

Jos organisaatiossasi käytetään tekoälyä toistuvissa tehtävissä, työnkulku kannattaa tehdä näkyväksi: mitä luetaan, mitä tuotetaan, missä ihminen tarkistaa ja mikä voidaan automatisoida.

Jos haluat sparrailla omaa AI-työnkulkuasi, varaa sitoumukseton etäkahvi alta.