Warsztat sterowany językiem naturalnym
Zamiast osobnego interfejsu do zdjęć, plików, CAD i bazy danych — jedno polecenie i agent, który rozbija je na zadania i deleguje do wyspecjalizowanych modułów.
To jest artykuł o kierunku, w którym idą wszystkie wcześniejsze części tej serii. Każdy moduł osobno działa. Pytanie brzmi, co się stanie, gdy dostaną wspólne wejście.
Problem
Typowe zadanie w warsztacie przecina kilka systemów naraz:
Znajdź zdjęcia ABDA7517F2, sprawdź, czy mają poprawne tło, przygotuj wersje 1600 × 1600, znajdź model STEP i wygeneruj rzut do instrukcji.
To pięć operacji w czterech różnych narzędziach. Wykonanie ręczne zajmuje kilkanaście minut, z czego większość to przełączanie kontekstu, a nie praca.
Rozbicie na zadania i zależności
Kluczowym krokiem nie jest rozpoznanie intencji, tylko zbudowanie grafu zależności. Kontrola tła musi nastąpić po znalezieniu plików, ale generowanie rzutu ze STEP jest od tego całkowicie niezależne i może iść równolegle.
Ten graf jest też miejscem, w którym najłatwiej o błąd. Model potrafi ustawić zależność tam, gdzie jej nie ma, i niepotrzebnie serializować pracę. Ograniczyliśmy to, wymagając jawnego uzasadnienia każdej zależności — jeśli nie potrafi wskazać, czego brakuje, zadania idą równolegle.
Agenci wyspecjalizowani
- Agent plików — przeszukiwanie po SKU, metadanych i strukturze katalogów.
- Agent vision — kontrola jakości, tło, skalowanie i kadrowanie.
- Agent CAD/CNC — operacje na modelach, rzuty, przygotowanie ścieżek.
- Agent danych — baza wiedzy, dokumentacja, dane produktowe.
Każdy ma wąski zakres i własny opis możliwości. Wąski zakres jest zaletą: agent, który potrafi trzy rzeczy, wybiera właściwą znacznie pewniej niż agent, który potrafi trzydzieści.
Kontrola wyników i wynik częściowy
Najważniejsza decyzja projektowa całego systemu brzmi: zadanie może zakończyć się częściowo. W przykładzie z początku artykułu jedno zdjęcie nie przechodzi kontroli tła. System nie przerywa całości ani nie udaje, że wszystko się udało — dostarcza jedenaście gotowych plików, rzut PDF i jasną informację, że jedno ujęcie wymaga retuszu.
Ślad wykonania jest tu równie ważny jak sam wynik. Bez niego użytkownik nie wie, czy „gotowe” oznacza faktycznie wykonane, czy tylko zaraportowane.
Wynik i granice
Zadania obejmujące dwa moduły działają na tyle dobrze, że weszły do codziennego użytku. Przy czterech modułach skuteczność spada — nie z powodu modelu, tylko dlatego, że polecenie w języku naturalnym staje się niejednoznaczne szybciej, niż rośnie złożoność zadania.
Wniosek na razie jest taki: język naturalny świetnie nadaje się do uruchamiania znanych procesów, gorzej do definiowania nowych. Nowy proces nadal opłaca się opisać raz, konkretnie, i dopiero potem wywoływać go jednym zdaniem.
