Agentic Workflows (TL)

Mga Agentic na Daloy ng Trabaho (Agentic Workflows) — ito ay mga dynamic na multi-step na proseso kung saan ang mga autonomous na AI agent na nakabatay sa malalaking language model (LLM) ay nagsasariling gumagawa ng mga desisyon, nagsasagawa ng mga aksyon, at nag-uugnay ng mga gawain nang may pinakamababang pakikilahok ng tao. Sa ganitong mga sistema, ang LLM ay ginagamit hindi lamang para sa pagbuo ng sagot sa isang kahilingan, kundi pati na rin para sa pagpaplano ng pagkakasunud-sunod ng mga aksyon, pakikipag-ugnayan sa mga panlabas na kagamitan, at paulit-ulit na pagpapabuti ng resulta.

Kaiba sa tradisyonal na automation na nakabatay sa mahigpit na mga nakaprogramang alituntunin, ang mga agentic na diskarte ay may kakayahang umangkop — maaari silang mag-adjust sa bagong datos at hindi inaasahang mga kondisyon. Ang isang agentic na daloy ng trabaho ay naiiba mula sa simpleng pagtawag sa LLM (halimbawa, para sa pagbubuod ng teksto) dahil ang ahente ay binibigyan ng awtonomiya sa pagpili ng mga aksyon, na kinabibilangan ng pagpaplano, paggamit ng mga kagamitan, at self-correction.

Mga Bahagi at Arkitektura ng Agentic Workflow

Pinagsasama ng agentic na daloy ng trabaho ang ilang mahahalagang bahagi upang makamit ang layunin.

AI Agent at LLM

Sa sentro ng proseso ay ang AI agent — isang autonomous na programa na kumikilos sa ngalan ng gumagamit o sistema. Ang pangunahing bahagi ng ahente ay ang malaking language model, na nagbibigay ng pag-unawa sa mga instruksyon sa natural na wika at pagbuo ng mga kinakailangang pangangatwiran. Ang kalidad ng gawain ng ahente ay malaki ang depende sa prompt engineering — ang iba't ibang mga shema ng prompt (halimbawa, Chain-of-Thought) ay tumutulong sa pag-configure ng LLM para sa kinakailangang istilo ng trabaho.

Mga Kagamitan (Pag-access sa Mga Panlabas na Aksyon)

Dahil limitado ang kaalaman ng LLM sa datos ng pagsasanay nito, ang ahente ay binibigyan ng mga panlabas na kagamitan na nagpapalawak ng kanyang mga kakayahan. Maaaring kasama sa mga kagamitan ang pag-access sa mga knowledge base, mga search engine, API, mga code interpreter, at iba pang mga application. Sa pamamagitan ng mga ito, makakakuha ang ahente ng napapanahong impormasyon o makakapagsagawa ng mga totoong aksyon sa labas mismo ng modelo.

Memorya at Konteksto

Ang natatanging katangian ng mga agentic na workflow ay ang pagkakaroon ng mekanismo ng memorya na nagbibigay-daan sa ahente na isaalang-alang ang nakaraang karanasan at konteksto.

• Panandaliang memorya ay nagtataglay ng kamakailang impormasyon (halimbawa, kasaysayan ng diyalogo) sa loob ng kasalukuyang sesyon.
• Pangmatagalang memorya ay nagtatago ng kaalaman at mga resulta na naipon sa maraming pagkakataon, madalas na gumagamit ng mga panlabas na imbakan (halimbawa, mga vector database).

Feedback at Pagwawasto

Ang mga mekanismo ng feedback ay may mahalagang papel sa pagpapataas ng pagiging maaasahan. Ang ahente ay maaaring makatanggap ng feedback mula sa kapaligiran ng pagpapatupad ng gawain, mula sa isang auxiliary na modelo-"kritiko", o mula sa tao (human-in-the-loop na mode). Halimbawa, ang sistema ng Reflexion ay nagpapatupad ng panloob na self-feedback: sinusuri ng ahente ang sariling mga pagkakamali at nagtatago ng mga "pag-iisip" sa memorya upang mapabuti ang mga susunod na pagtatangka.

Mga Multi-Agent na Konfigurasyon

Sa mga kumplikadong senaryo, ginagamit ang multi-agent na arkitektura, kung saan ang ilang mga espesyalisadong ahente ay nakikipag-ugnayan sa isa't isa. Halimbawa, ang ahenteng "tagaplano" ay nagtatakda ng mga subtask, habang ang ilang mga ahenteng "tagapagsagawa" ay nagreresolta ng kanilang mga makitid na gawain (paghahanap ng datos, pagkalkula, atbp.).

Mga Tipikal na Pattern at Algorithm ng Gawain ng Mga Ahente

Kahit na wala pang unibersal na standardisadong arkitektura ng mga agentic na LLM na sistema, sa mga taong 2023–2024 ay nagsimulang lumitaw ang mga paulit-ulit na pattern.

• Sunud-sunod na Pagpaplano (Prompt Chaining). Ang gawain ay hinahati sa isang pagkakasunud-sunod ng mga yugto sa pamamagitan ng isang chain ng mga LLM na tawag. Bawat hakbang ay tumatanggap ng resulta ng nakaraang hakbang bilang input at nagsasagawa ng bahagi ng pangkalahatang gawain. Ang diskarteng ito ay nagpapabuti ng interpretability, ngunit mas hindi nababaluktot.
• Routing at Pagpili ng Kagamitan (Router Pattern). Una, inuuri ng ahente ang uri ng input na gawain, pagkatapos ay pumipili ng espesyal na proseso o kagamitan para sa paglutas nito, na kumikilos bilang dispatcher.
• Parallel na Paghahanap ng mga Solusyon. Sa halip na isang linear na linya ng pag-iisip, sabay-sabay na sinisiyasat ang ilang mga pagpipilian ng solusyon. Isang halimbawa nito ay ang diskarte ng Tree-of-Thoughts, kung saan ang ahente ay nagpapalawak ng chain ng pangangatwiran na katulad ng isang puno, bumubuo ng ilang mga kandidatong "pag-iisip" sa bawat hakbang at pinipili ang pinaka-promising.
• Refleksyon at Self-Correction. Kritikal na sinusuri ng ahente ang sariling mga desisyon at natututo mula sa mga pagkakamali. Sa pamamagitan ng paraan ng Reflexion, pagkatapos ng bawat pagtatangka, sinusuri ng ahente ang resulta at nagtatago ng mga konklusyon na ginagamit nito sa mga susunod na siklo.

Mga Halimbawa ng mga Kilalang Diskarte

• ReAct (Reasoning and Acting) — isang pangunahing pamamaraan (2022) na pinagsasama ang pangangatwiran at aksyon. Ang LLM ay nagbubuo nang magkahalili ng mga lohikal na konklusyon (thoughts) at mga kongkretong hakbang-aksyon (actions) na isinasagawa gamit ang mga kagamitan.
• Reflexion (2023) — isang framework ng self-reflection na nagbibigay-daan sa mga ahente na matuto mula sa sariling mga pagkakamali sa pamamagitan ng tekstuwal na feedback, nang walang pag-update ng mga timbang ng modelo.
• Tree-of-Thoughts (ToT) (2023) — isang framework na nagpapalawak ng ideya ng Chain-of-Thought para sa pag-oorganisa ng paghahanap ng solusyon sa anyo ng isang puno, na nagbibigay-daan sa modelo na pag-isipan ang ilang mga pagpipilian ng pag-unlad.
• Auto-GPT (2023) — isa sa mga unang malawak na kilalang open-source na proyekto na nagpapakita ng ganap na autonomous na agentic na workflow. Ang sistema ay bumubuo ng isang grupo ng mga espesyalisadong GPT-4 na ahente na magkasamang nagpaplano at nagsasagawa ng mga hakbang upang makamit ang mataas na antas na layunin na itinakda ng gumagamit.

Aplikasyon at Impluwensya

Ang mga agentic na diskarte ay nakakahanap ng aplikasyon sa maraming larangan kung saan kinakailangan ang matalinong automation at kakayahang umangkop.

• Mga Proseso ng Negosyo: Ang mga agentic na sistema ay nagpapalawak ng mga kakayahan ng mga chatbot sa technical support, na maaaring nagsasariling mag-diagnose ng mga problema at makahanap ng mga solusyon. Ginagamit din ang mga ito sa pananalapi, pamamahala ng tauhan, at marketing.
• Mga Generative na Simulasyon: Ang mga autonomous na LLM na ahente ay maaaring mag-model ng kumplikadong gawi ng mga komunidad o karakter. Sa gawain ng "Generative Agents" (Park et al., 2023), ang dose-dosenang mga GPT na ahente, na binigyan ng iba't ibang personalidad, ay kapani-paniwalang ginaya ang sosyal na buhay sa isang modelong munisipyo.

Ayon sa pagtatasa ng mga analyst ng Gartner, ang agentic AI (Agentic AI) ay kasama sa listahan ng mga estratehikong teknolohikal na trend para sa taong 2025.

Mga Hamon at Pananaw sa Pag-unlad

Kabila ng mga tagumpay, ang mga agentic na LLM na sistema ay nananatiling bago at kumplikadong teknolohiya.

• Gastos sa Mga Mapagkukunan: Bawat karagdagang hakbang ng pagpaplano, paghahanap, o self-analysis ay isang hiwalay na tawag sa LLM, na nagpapalaki ng oras ng pagpapatupad at gastos.
• Hindi Mahulaan ang Gawi: Habang mas maraming kalayaan ang ibinibigay sa ahente, mas mahirap garantiyahan kung anong ruta ang pipiliin nito. Nangangailangan ito ng pagpapatupad ng mga limitasyon at mga mekanismo ng proteksyon (guardrails).
• Pagsusuri ng Kalidad at Pag-debug: Ang pagsusuri sa malawak na mga log ng mga multi-step na sistema upang mahanap ang mga pagkakamali ay isang hindi simpleng gawain.
• Seguridad at Etika: Sa pagtaas ng awtonomiya ng AI, lumilitaw ang pangangailangan na matiyak na ang mga ahente ay kumikilos para sa kapakanan ng gumagamit at lipunan.

Ang mga hinaharap na pananaliksik ay nakatuon sa paglikha ng mga unibersal na paraan ng paggamit ng mga kagamitan, pagbuo ng mga pinagsamang end-to-end na workflow, at pag-optimize ng kahusayan ng mga agentic na sistema.

Mga Sanggunian

• Pangkalahatang-ideya ng mga agentic na daloy ng trabaho mula sa IBM
• Gabay sa paglikha ng mga epektibong AI agent mula sa Anthropic

Mga Akda

• 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.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• 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. DOI:10.1126/science.ade9097.
• Wang, L. et al. (2025). A Survey on Large Language Model based Autonomous Agents. arXiv:2308.11432.
• Li, X. (2024). A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components. arXiv:2406.05804.
• Jung, J. et al. (2024). Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement. arXiv:2407.18370.
• Xu, W. et al. (2025). A-MEM: Agentic Memory for LLM Agents. arXiv:2502.12110.
• He, G. et al. (2025). Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents as a Daily Assistant. arXiv:2502.01390.
• Huang, X. et al. (2024). Understanding the Planning of LLM Agents: A Survey. arXiv:2402.02716.
• Kuang, Z. et al. (2023). PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents. arXiv:2305.14564.