Agenti, kteří se nativně sami orchestrují, spravují svůj vlastní kontext, nástroje a subagenty, jsou dalším velkým odemčením výkonu LLM. V současnosti může zkušený inženýr, který vytváří optimalizovaný kabel, s promyšleným datovým tokem, oddělením problémů, řízením subagentů atd., výrazně zlepšit oproti základnímu nastavení pro konkrétní úkoly. Kdyby to model dokázal sám, byl by to velký krok vpřed. Dáte mu cíl a sadu nástrojů a on si vymyslí optimální způsob, jak se sám zorganizovat, aby úkol splnil. Například stavím velmi primitivního AI vědce, kterého brzy otevřu jako open source. Většina práce není v zadání, ale v postroji... Co vidí orchestrátor, co vidí subagenti, co se mezi nimi a kdy sdílí, kde shrneme a kde předáváme surová data a jaké nástroje každý agent ovládá. Tímto způsobem mohu výrazně zlepšit to, co model dokáže sám. Pokud model dokáže efektivně navrhnout vlastní kabeláž pro daný problém, byl by to obrovský krok vpřed. Můj tip: samoorganizující modely... Ti, kteří spravují svůj vlastní kontext, nástroje a subagenty, posunou hranice téměř stejně jako přechod z chatbotu → Reasoning. Možná i víc.

Jen si tady říkám, co jsem chtěl... Jsem si v tom docela jistý. Někdo to může prototypovat dnes (možná já!) tím, že model napíše harness pro daný prompt v Pythonu, vloží ho do @daytonaio sandboxu nebo něčeho podobného a pak prompt předá do harnessu.