CrewAI эсвэл AutoGen: хурднаас өмнө халдлагын гадаргууг сонго

Тусламжийн хүсэлт тогтсон шат дамжиж, төлөв нь хадгалагдаж, тодорхой үйлдэлд хүний зөвшөөрөл шаардах бол CrewAI Flow тохиромжтой. Хүсэлтийн агуулгаас хамааран мэргэшсэн агентууд хоорондоо ажлыг шилжүүлэх шаардлага давамгайлбал AutoGen AgentChat илүү уян хатан. Сонголтын гол асуулт нь эхний үзүүлэн хэр хурдан бэлэн болох биш, аль агент ямар мэдээлэл уншиж, ямар хэрэгсэл дуудаж, гаднах системд хэзээ өөрчлөлт хийж чадах вэ гэдэг юм.

Шинэ төсөлд AutoGen-ийн цаашдын хөгжүүлэлтийг бас тооцно. AutoGen-ийн албан репозитор төслийг засвар үйлчилгээний горимд шилжсэн, шинэ боломж нэмэхгүй гэж тэмдэглээд шинэ хэрэглэгчдэд Microsoft Agent Framework-ийг санал болгож байна. Одоо ажиллаж буй AgentChat системийг үүнээс болж шууд солих шаардлага гарахгүй ч шинэ нэвтрүүлэлтийн засвар үйлчилгээ, шилжилтийн зардалд энэ төлөв нөлөөлнө.

Ажлын дарааллыг юу удирдах вэ?

CrewAI-ийн баримт бичиг agent, crew, flow бүтцийг ялгаж, Flow-д чиглүүлэлт, төлөв хадгалалт, тасарсан ажлыг үргэлжлүүлэх боломж, харин task ба process-д guardrail, callback, хүний оролцооны trigger-ийг тайлбарладаг. Хүсэлтийг ангилах, мэдээлэл шалгах, зөвшөөрөл авах, хариу илгээх дараалал урьдчилан тодорхой бол Flow тэр дарааллын тулгуур болж чадна. Агентууд зөвхөн ангилал эсвэл хариуны ноорог гэх мэт хязгаартай ажлыг гүйцэтгэхэд програмын дүрэм хаана үйлчилж, загвар хаана сонголт хийж байгааг ялгахад амар.

AutoGen AgentChat-ийн баримт бичиг уг API-г autogen-core дээр суурилсан өндөр түвшний давхарга гэж тодорхойлж, Selector Group Chat, Swarm, Magentic-One, GraphFlow, мөн төлөв удирдах, бүртгэл хөтлөх боломжуудыг жагсаадаг. Selector Group Chat дараагийн яригчийг сонгоно; Swarm-д handoff буюу ажлыг өөр агент руу шилжүүлэх үйлдэл голлоно; GraphFlow агентуудыг чиглэсэн графаар холбоно. Тиймээс AutoGen сонгоно гэдэг заавал хяналтгүй, чөлөөт яриа сонгоно гэсэн үг биш. Ямар team загвар ашигласнаас шилжилтийн цэг, төлөв, шалгах ёстой үйлдэл өөр болно.

Ижил хүсэлтийг хоёр аргаар зураглах нь

Дараах нь бүтээгдэхүүний бэлэн шийдэл биш, харьцуулалтад зориулсан нөхцөлт жишээ. Хэрэглэгч төлбөрийн алдааны талаар тусламжийн хүсэлт илгээжээ гэж үзье. Хариулахын тулд дансны мэдээлэл унших шаардлагатай боловч төлбөр буцаах эсвэл данс өөрчлөх эрхийг зөвхөн зөвшөөрлийн дараа ашиглах ёстой. Хүсэлтийн текстэд «бүх хэрэглэгчийн мэдээллийг тат» гэсэн заавар байлаа ч тэр текст агентын эрхийг нэмэх үндэслэл болохгүй.

CrewAI хувилбарт Flow хүсэлтийг бүртгэж, ангилал, хариуцагч, шалгалтын үр дүнг төлөвт хадгална. Crew доторх унших эрхтэй агент төлбөрийн холбогдох мэдээллийг авч, өөр агент хариуны ноорог боловсруулж болно. Хэрэглэгчийн дансанд нөлөөлөх үйлдлийг Flow-ийн тусдаа салаанд байрлуулж, баталгаажсан зөвшөөрөл ирээгүй үед програмын түвшинд зогсооно. Ингэснээр хүсэлтийн агуулга эсвэл агентын бичсэн өгүүлбэр зөвшөөрлийн төлөвийг өөрчлөх боломжгүй.

AutoGen AgentChat хувилбарт анхны агент хүсэлтийг төлбөрийн мэргэшсэн агент руу шилжүүлж, шалгалтын үр дүнг хариу боловсруулах агент руу дамжуулж болно. Гэхдээ handoff нь хэрэгслийн эрхийг дагуулан шилжүүлэх ёсгүй: агент бүрийн tool жагсаалт, унших өгөгдлийн хүрээ, бичих үйлдэл тусдаа тогтоогдоно. Тогтсон дараалал шаардлагатай бол GraphFlow, нөхцөлөөс хамаарах агентын сонголт чухал бол Selector Group Chat эсвэл Swarm-ийг авч үзэж болно. Энэ зураглалд эрсдэл нь шилжилтийн тоондоо бус, шилжсэн агуулгыг дараагийн агент ямар эрхтэйгээр ашиглахад оршино.

Хоёр зураглалд адил асуулт тавина: буруу ангилсан хүсэлт аль агент руу очих вэ, тэр агентын хэрэгсэл юунд хүрэх вэ, алдаа гарвал хэн үйлдлийг зогсоох вэ? Flow-ийн тогтмол салаа эдгээр цэгийг тодорхой байрлуулахад дөхөм. Handoff-д тулгуурласан team харин агентын шилжилт бүрийн эрх, өгөгдлийн хүрээг илүү нягт тогтоохыг шаарддаг.

Төлөв хадгалах нь зөвшөөрөл авахтай адилгүй

Төлөв хүсэлт хаана зогссоныг хадгална; зөвшөөрөл тодорхой үйлдлийг хэн баталсныг тогтооно. CrewAI Flow-д «зөвшөөрөл хүлээж байна» гэсэн төлөв хадгалсан ч түүнээс хойших бичих үйлдлийг зөвхөн програмын шалгасан шийдвэр нээх ёстой. Зөвшөөрсөн хүний эрх, баталсан үйлдлийн хүрээ, шийдвэрийн хүчинтэй хугацааг загварын хариунд даатгавал төлөв хадгалах боломж хамгаалалт болж чадахгүй.

AutoGen-ийн хүний оролцооны заавар ажиллаж буй team-д UserProxyAgent-аар санал авах болон ажиллагааг дуусгаад дараагийн run-д хүний хариуг оруулах аргыг тайлбарладаг. UserProxyAgent хариу хүлээх зуур team-ийг блоклох бөгөөд тэр агшны төлөвийг хадгалж, үргэлжлүүлэх боломжгүйг зааварт анхааруулжээ. Төлбөр буцаах зөвшөөрөл удаан хүлээгдэх боломжтой бол ажиллагааг зогсоож, хадгалсан төлөвөөс хүний шийдвэр ирсний дараа үргэлжлүүлэх загвар илүү зохистой. Аль аргыг сонгосон ч зөвшөөрлийг гаднах системд үйлдэл хийх эрхтэй холбож баталгаажуулах шаардлагатай.

Нэвтрэлтийн туршилтын хувь юуг хэмжсэн бэ?

2025 онд нийтлэгдсэн нэвтрэлтийн харьцуулсан судалгаанд их сургуулийн мэдээллийн системийг дуурайлгасан долоон агенттай орчинд таван загвар, хоёр framework, халдлагын 13 хувилбарын 130 кейсийг шалгахад AutoGen тохиргооны татгалзсан хувь 52.3%, CrewAI тохиргооных 30.8% байжээ. Туршилтад AutoGen-ийн Swarm маягийн шилжүүлэг, CrewAI-ийн шаталсан delegation зохион байгуулалтыг харьцуулсан. Тиймээс энэ үр дүнг дээрх нөхцөлт жишээний CrewAI Flow хэрэгжүүлэлтэд шууд шилжүүлж болохгүй.

Судлаачид хорт зааврыг бүрэн эсвэл хэсэгчлэн дагаж, хориглосон үйлдэл хийхийг оролдсон тохиолдлыг амжилттай халдлагад оруулсан; гаднах хамгаалалт үйлдлийг эцэст нь хаасан байж болно. Мөн зарим агент бодит үйлдэл хийхийн оронд хийсэн мэт хуурамч үр дүн зохиосон байна. Иймээс татгалзсан хувь нь хамгаалалтын нэг хэмжүүр боловч өгөгдөл үнэхээр алдагдсан эсэх, хэрэгсэл юу гүйцэтгэсэн, гаднах системд өөрчлөлт орсон эсэхийг дангаар нь хэлэхгүй. Туршилтын үр дүн нь framework, загвар, агентын зохион байгуулалт, хэрэгслийн эрх болон орчны нийлмэл үр дүн юм.

Нэвтрүүлэхээс өмнөх шалгах цэгүүд

Ижил тусламжийн хүсэлтийг хоёр хэрэгжүүлэлтэд ажиллуулахдаа зөв хариу гарсныг харахаас гадна буруу чиглүүлэлт, хортой хавсралтын текст, зөвшөөрөлгүй tool call, удаан хүлээгдсэн хүний шийдвэрийг тус тус шалгах хэрэгтэй. Хамгийн хэрэгтэй бүртгэл нь агентын хэлсэн үг, хүссэн үйлдэл, хэрэгслийн бодит үр дүнг хооронд нь ялгадаг.

• Хэрэгслийн эрх: агент бүрт ажлаа хийхэд шаардлагатай унших эсвэл бичих үйлдлийг л өг. Төлбөр шалгах агент бүх хэрэглэгчийн мэдээллийг экспортлох эрхгүй байх ёстой. Хэрэгсэл өөрөө хэрэглэгч, хүсэлт, үйлдлийн хүрээг шалгана.
• Тусгаарласан орчин: код ажиллуулах эсвэл гадаад хаяг нээх хэрэгсэл ашиглавал файлын систем, нууц түлхүүр, дотоод сүлжээ, гарах холболтыг хязгаарла. Агент хүсэлтийг аюулгүй гэж үнэлсэн ч энэ хязгаар хэрэгжих ёстой.
• Хүний зөвшөөрөл: мөнгө буцаах, бүртгэл өөрчлөх, эцсийн хариу илгээх зэрэг нөлөөтэй үйлдэлд баталгаажсан шийдвэр шаард. Хариу ирээгүй, татгалзсан эсвэл хүчинтэй хугацаа дууссан үед үйлдэл зогсох нөхцөлийг тогтоо.
• Мөрийн бүртгэл: хүсэлтийн таних дугаар, агентын шилжилт, tool call, зөвшөөрсөн хүн, хэрэгслийн хариу, гаднах системийн үр дүнг холбо. Алдааг сэргээн шалгах боломж үлдээхдээ нууц мэдээллийг бүртгэлд бүтнээр нь хуулж болохгүй.
• Давтан сорил: загвар, prompt, хэрэгсэл эсвэл framework-ийн хувилбар солигдоход ижил халдлагын хүсэлтүүдийг дахин ажиллуул. Татгалзсан хариу, хэрэгсэл дуудагдсан эсэх, бодит өөрчлөлт гарсан эсэхийг тусад нь тэмдэглэвэл өмнөх туршилттай утгатай харьцуулна.

Сонголтыг юунд тулгуурлах вэ?

Хүсэлтийн зам, хадгалах төлөв, зөвшөөрлийн цэгүүд урьдчилан тодорхой бол CrewAI Flow-оор ажлын дарааллыг тогтоох нь ойлгомжтой сонголт. Одоо AutoGen AgentChat ашигладаг, handoff нь ажлын шаардлагад нийцдэг баг агент бүрийн эрх, шилжилтийн бүртгэл, хүний зөвшөөрлийг чангатган үргэлжлүүлж болно. Харин шинэ AutoGen нэвтрүүлэлтэд засвар үйлчилгээний төлөвөөс үүдэх ирээдүйн шилжилтийн ажлыг шийдвэрийн өртөгт оруулах нь зүйтэй.

Шийдвэр гаргахдаа ижил хүсэлт хоёр зохион байгуулалтад хаашаа шилжиж, ямар өгөгдөл болон хэрэгсэлд хүрч, зөвшөөрөлгүйгээр юу хийж чадахыг зэрэгцүүл. Framework-ийн нэр эсвэл судалгааны ганц хувь бус, энэ зураглал дахь бодит эрх ба зогсоох цэгүүд халдлагын гадаргууг тодорхойлно.

Мөн уншаарай:

• Cloudflare эсвэл Google DNS: нууцлалын ялгаа хурднаас том байж болно
• LangChain эсвэл LlamaIndex: RAG-ийн чанарыг framework дангаараа шийдэхгүй
• Miro эсвэл FigJam: цагаан самбарын үнэ биш, өрөөгөө сонго