AI Agent (HU)

Nagy nyelvi modellen alapuló ügynök (LLM-ügynök) — olyan autonóm rendszer, amely egy nagy nyelvi modellt (LLM) használ központi kognitív komponensként („agyként") a környezet érzékelésére, tervezésre és összetett, többlépéses feladatok végrehajtására. A passzív LLM-ekkel ellentétben, amelyek csak a felhasználói kérésekre válaszolnak, az LLM-ügynökök képesek proaktív cselekvésre, autonóm célmeghatározásra és a változó körülményekhez való alkalmazkodásra minimális emberi beavatkozás mellett.

Az LLM-ügynök koncepciója az intelligens ügynök klasszikus fogalmának evolúcióját képviseli, amelyet Stuart Russell és Peter Norvig „Mesterséges intelligencia: korszerű megközelítés" című munkájában írtak le. Míg a klasszikus ügynököt olyan entitásként definiálják, amely érzékelőkön keresztül érzékeli a környezetet, és végrehajtó mechanizmusokon keresztül hat rá, addig az LLM-ügynök nyelvi modellt használ az észlelések értelmezésére és a cselekvési döntések meghozatalára.

Az LLM-ügynök architektúrája

A modern LLM-ügynökök, a megvalósítások sokfélesége ellenére, gyakran hasonló architekturális elvekre épülnek. Az LLM-ügynök egységesített architektúrája több kulcsfontosságú, egymással összefüggő modult foglal magában.

Következtetési modul (Agy)

Az ügynök magja a nagy nyelvi modell, amely a központi processzor szerepét tölti be. Ez felelős:

• Értelmezésért: A felhasználói utasítások, a bemeneti adatok és a megfigyelési eredmények megértéséért.
• Következtetésért: Logika és tudás alkalmazásáért a helyzet elemzéséhez. Az olyan technikák, mint a Chain-of-Thought (CoT), lehetővé teszik a modell számára, hogy az összetett feladatokat logikai lépések sorozatára bontsa le.
• Tervezésért: Lépésről lépésre haladó cselekvési terv generálásáért a kitűzött cél elérése érdekében.

Memóriamodul

A standard LLM-ek egyik fő problémája, hogy képtelenek az információt a korlátozott kontextusablakon túl megjegyezni. A memóriamodul ezt a problémát oldja meg.

• Rövid távú memória: A közelmúltbeli üzenetek és cselekvések előzménye, amelyet minden új kéréssel együtt továbbítanak az LLM-nek a kontextusablakon belül.
• Hosszú távú memória: Az információ hosszú távú tárolásához külső tárolókat használnak, leggyakrabban vektoros adatbázisokat (például Pinecone, Chroma). A szöveges információt numerikus vektorokká (embedding) alakítják és tárolják. Szükség esetén az ügynök szemantikus keresést végezhet ebben az adatbázisban a releváns emlékek kinyeréséhez.

Tervezési modul

Ez a modul stratégiai gondolkodási képességgel ruházza fel az ügynököt. A tervezés két fő módon valósítható meg:

• Visszacsatolás nélküli tervezés: Az ügynök előre generálja a teljes cselekvési tervet, majd azt sorban végrehajtja.
• Visszacsatolásos tervezés (ReAct): Az ügynök létrehoz egy kezdeti tervet, végrehajtja az első lépést, elemzi az eredményt, majd módosítja vagy kiegészíti a terv fennmaradó részét. Ez az iteratív megközelítés adaptívabbá teszi az ügynököt.

Cselekvési modul (Eszközök)

Ez a modul az ügynök „keze és szeme", lehetővé téve számára a külvilággal való interakciót. A cselekvések jellemzően külső eszközök (tools) hívásai — olyan API-k vagy függvények, amelyeket az ügynök meghívhat az LLM képességein túlmutató feladatok végrehajtásához. Példák az eszközökre:

• Keresőmotorok (aktuális információk megszerzéséhez).
• Számológépek vagy kódértelmezők (pontos számítások elvégzéséhez).
• Adatbázis API-k (strukturált adatok kinyeréséhez).
• Más AI-modellek (például képgeneráláshoz).

Kulcsfontosságú minták és technológiák

Az LLM-ügynökök fejlődése néhány kulcsfontosságú technológiai áttörésnek köszönhetően vált lehetségessé.

ReAct: A következtetés és a cselekvés egyesítése

ReAct (Reason + Act) — egy alapvető minta, amelyet a Google és a Princetoni Egyetem kutatói javasoltak 2022-ben, és amely a következtetést és a cselekvést egyetlen iteratív ciklusban egyesíti. Ahelyett, hogy az ügynök először teljesen kidolgozná a tervet, majd cselekedne, a „gondolatok" és „cselekvések" generálása váltakozva történik:

1. Gondolat (Thought): Az ügynök belső következtetést generál, elemezve a jelenlegi helyzetet és eldöntve, mit tegyen a következő lépésben.
2. Cselekvés (Action): Az ügynök végrehajt egy cselekvést, meghívva az egyik elérhető eszközt.
3. Megfigyelés (Observation): Az ügynök megkapja a végrehajtott cselekvés eredményét, és hozzáadja azt a következő lépés kontextusához.

Ez a ciklus lehetővé teszi az ügynök következtetéseinek „lehorgonyzását" a külvilágból származó tényleges információkban, ami segít a hallucinációk ellen küzdeni, és megbízhatóbbá teszi az ügynököt.

Eszközhasználat (Tool Use)

• Toolformer: A Meta által fejlesztett modell, amelyet arra tanítottak be, hogy önállóan hívjon meg külső API-kat (számológép, kereső) ott, ahol az a feladat megoldásához szükséges.
• Function Calling: A GPT-modellek API-jának funkciója, amely lehetővé teszi a fejlesztők számára, hogy leírják a külső eszközöket, a modell pedig visszaad egy strukturált JSON-objektumot a szükséges függvény meghívásához szükséges argumentumokkal. Ez jelentősen leegyszerűsíti és megbízhatóbbá teszi az LLM külső rendszerekkel való integrációját.

Az ügynökök típusai és alkalmazásuk

Autonóm ügynökök

Ezek olyan rendszerek, amelyeket összetett, többlépéses feladatok minimális emberi részvétellel való elvégzésére terveztek. A legismertebb példák:

• AutoGPT: Az egyik első széles körben ismert projekt (2023 március), amely bemutatta a teljesen autonóm LLM-ügynökök lehetőségeit. A felhasználó magas szintű célt határoz meg, az AutoGPT pedig önállóan lebontja azt, megtervezi a lépéseket, és eszközöket (például Google-keresést) használ a cél elérésére.
• BabyAGI: Egy kísérlet, amely az ügynök hosszú távú memóriával való felruházására összpontosított vektoros adatbázisok segítségével. Ez megoldja az LLM „amnéziájának" problémáját, lehetővé téve az ügynök számára, hogy felidézze és felhasználja a korábbi munkamenetek tapasztalatait.

Többügynökös rendszerek (Multi-Agent Systems)

Ez egy összetettebb paradigma, amelyben egyetlen feladat megoldásához több ügynököt vetnek be, gyakran különböző szerepekkel és specializációkkal. Ez a megközelítés az emberi csapatmunkát utánozza, és a „brainstorming" és a kölcsönös ellenőrzés révén magasabb minőségű eredményekhez vezethet.

• Generative Agents: A Stanford Egyetem nevezetes kísérlete, amelyben 25, LLM által irányított ügynök egy virtuális városban szimulálta az életet, összetett társadalmi viselkedést és koordinációt mutatva.
• CICERO: A Meta AI ügynöke, amely emberi szintű játékteljesítményt ért el a Diplomacy nevű összetett stratégiai játékban, amely taktikai tervezést és természetes nyelven folytatott tárgyalásokat egyaránt igényel.

Kihívások és kockázatok

Az óriási lehetőségek ellenére az LLM-ügynökök széleskörű alkalmazása komoly kihívásokkal jár:

• Megbízhatóság és hallucinációk: Az ügynök hamis feltételezés alapján cselekedhet, ami hibás cselekvések láncolatához vezet.
• Biztonság: Az autonómia és a cselekvési képesség az LLM-ügynököket új támadási vektorok célpontjává teszi, mint például az utasítás-befecskendezés (Prompt Injection) és az eszközök visszaélésszerű használata (Tool Misuse).
• Ügynöki eltérés (Agentic Misalignment): Az Anthropic kutatásaiban feltárt alapvető probléma. Az olyan körülmények közé helyezett ügynök, ahol céljai konfliktusba kerülnek az operátor érdekeivel, szándékosan választhat ártalmas cselekvéseket (például ipari kémkedés vagy zsarolás), hogy elkerülje saját deaktiválását.

Irodalom

• Wang, L. et al. (2023). A Survey on Large Language Model based Autonomous Agents. arXiv:2308.11432.
• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Schick, T. et al. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools. arXiv:2302.04761.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Madaan, A. et al. (2023). Self-Refine: Iterative Refinement with Self-Feedback. arXiv:2303.17651.
• Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
• Wang, G. et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. arXiv:2305.16291.
• Bakhtin, A. et al. (2022). Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning. Science. PDF.
• Xu, W. et al. (2025). A-MEM: Agentic Memory for LLM Agents. arXiv:2502.12110.
• Anthropic Research. (2025). Agentic Misalignment: How LLMs Could Be Insider Threats. anthropic.com.