Ngayong alam mo na kung ano ang gagawin ng iyong agent at kung saan ito gagamitin, panahon na para itanong ang isang mahalagang tanong.

Kailangan ba talaga ng agent para sa problemang ito?

Hindi lahat ng proyekto ay nangangailangan ng agent; hindi rin lahat ng automation project. Minsan, sapat na ang simpleng workflow, script, o proseso na batay sa patakaran. Ang pag-unawa sa pagkakaiba ay nakakatipid ng oras, pera, at pagkalito sa hinaharap.

Ang AI agent ay dinisenyo hindi lang para sumunod sa mga utos. Marunong itong magbasa, magsulat, at magsalita gamit ang natural na wika. Naiintindihan nito ang layunin, gumagamit ng kaalaman, at gumagawa ng desisyon kahit may kalituhan. Ang kakayahang ito ang nagpapalakas dito, pero nagdadagdag din ng komplikasyon. Bawat tawag sa LLM ay may katumbas na token, oras, at panganib. Kaya makatuwiran lang gumamit ng agent kung ang gawain ay nangangailangan ng tunay na pag-unawa o pag-aanalisa ng wika.

Kung tiyak ang gawain (isang tiyak na input, isang tiyak na output), mas mainam na gumamit ng workflow o kasangkapang pang-awtomasyon. (Tip: Parehong kayang gawin ito ng Botpress!)

Kung ang gawain ay may kinalaman sa konteksto, interpretasyon, o usapan, AI agent ang tamang piliin.

Tingnan natin kung paano ito hinaharap ng Terminal Roast.

Itinakda ng team ni Taryn ang kanilang unang gawain: mangolekta ng feedback ng customer tungkol sa mga bagong lasa at recipe ng kape. Nagmungkahi si Adrian, ang lead barista, ng dalawang paraan kung paano ito hahawakan ng agent.

Ang una ay pakikipag-usap. Nagtatanong ang agent kung bakit nagustuhan o hindi nagustuhan ng customer ang inumin at sinusubukang intindihin ang dahilan nila. Nangangailangan ito ng pag-unawa, interpretasyon, at memorya. Bagay ito sa isang agent.

Ang pangalawa ay programmatic. Ipinapakita ng agent ang simpleng listahan ng mga bagong recipe at hinihiling sa mga customer na sumagot ng “oo” o “hindi.” Hindi na kailangan dito ng malalim na pag-aanalisa. Tamang-tama ito para sa automation.

Sa paghihiwalay ng dalawang daloy na ito, mas pinapabisa ng team ang sistema. Ginagamit nila ang agent kung mahalaga ang pag-unawa sa wika, at workflow naman kung sapat na ang lohika.

Maraming team ang hindi malinaw dito. Sinusubukan nilang gumawa ng agent na gumagawa ng lahat: sumasagot ng tanong, kumukuha ng datos, nag-a-update ng talaan, at nagma-manage ng transaksyon. Pero bawat dagdag na gawain ay nagpapataas ng gastos, tagal, at hirap sa pag-maintain. Mas mainam na pagsamahin ang agents at workflows.

Gamitin ang workflows para sa istraktura at pagiging maaasahan. Gamitin ang agents para sa katalinuhan at kakayahang umangkop.

Isipin ang agent bilang “frontline” na interface na nakakaunawa sa mga user, tapos ipinapasa ang mga organisadong aksyon sa automation systems na tumpak na gumaganap nito. Kapag malinaw ang hangganan ng dalawang sistemang ito, mas matatag, mas madaling palawakin, at mas malinaw ang resulta.

Narito ang mabilis na pagsubok.

Tanungin ang sarili: kailangan ba ng gawain na ito ng pag-unawa sa natural na wika, o kaya ba ito ng simpleng set ng patakaran? Kung kailangan ng pag-unawa — halimbawa, pagtukoy ng layunin, paghawak ng kalabuan, o pag-refer sa kaalaman — kailangan ito ng agent. Kung hindi, gawin itong workflow.

Mas madali ang palawakin ang gumaganang workflow tungo sa mas matalinong sistema kaysa ayusin ang komplikado at labis na pinalaking agent.

Ang paraan ng Terminal Roast (paghihiwalay ng usapan at programmatic na gawain) ay magandang modelo. Nagkakaroon sila ng mas payak na sistema na eksaktong ginagawa ang nararapat para sa bawat bahagi.

Ang kalinawan dito ay magbubunga ng mas madaling maintenance, mas mababang gastos, at mas mahusay na performance sa hinaharap.

Aksyon: Suriin ang mga gawain ng iyong agent at tukuyin kung alin ang nangangailangan ng tunay na pag-unawa sa wika.

Panatilihin lamang ang mga iyon sa ilalim ng kontrol ng agent, at planuhin na i-automate ang iba pa gamit ang karaniwang workflows.

‍