Semasa saya mengurus operasi harian di AINNA, ada satu corak yang sentiasa muncul-sama seperti dalam banyak sistem kompleks: satu proses menghasilkan proses lain, satu peraturan mengawal proses itu, dan satu lapisan perlu memastikan semua benda jalan dalam batasan yang betul. Corak ini sangat relevan dengan apa yang kami sedang bangunkan dan laksanakan bersama klien menggunakan AI 智能体, LLM, dan detached 系统 dalam persekitaran sebenar.
Hari ini, dalam projek yang kami jalankan, kami bekerja dengan detached 系统-ada yang dikawal semata-mata melalui parameter, ada yang dibantu oleh model AI biasa, dan ada yang menggunakan LLM premium untuk reasoning, perancangan, dan pembinaan sistem yang lebih mendalam. Ada sistem direka untuk berjalan secara autonomi, manakala yang lain dipandu oleh lapisan AI yang membantu interpret input, membuat keputusan, dan memperbaiki workflow.
Semakin lama saya terlibat dalam pelaksanaan, saya semakin sedar yang model AI semata-mata tak menjadikan sistem itu kuat. 系统 baru menjadi kuat apabila model itu disambungkan dengan 工具, memory, permissions, logs, feedback loops, isyarat input/output, dan akses deployment. Barulah detached 系统 itu boleh melepasi tahap sekadar ikut arahan dan mula menyokong keputusan operasi sebenar.
Secara ringkasnya: program menghasilkan program, program mengaudit program, program memperbaiki program, dan akhirnya model itu sendiri mungkin di-onboard terus ke dalam sistem. Ini menjadi lebih menarik apabila sistem dideploy pada edge device seperti Raspberry Pi, di mana ia boleh menerima input dunia nyata dan memicu output untuk menyokong jentera moden, sensor, peranti, atau peralatan operasi.
Tetapi di sinilah governance menjadi sangat kritikal. Risiko sebenar bukanlah AI \"menjadi hidup\". Risiko sebenar ialah apabila kita memberi agent terlalu banyak akses tanpa audit, approval gates, safety limits, rollback, manual override, dan accountability yang jelas. Apabila AI mula menyentuh sistem sebenar, keselamatan dan kawalan tidak boleh dianggap sebagai benda tambahan.
Bagi saya, masa depan bukanlah satu otak AI gergasi yang mengawal segala-galanya. Seni bina yang lebih baik lebih mirip organisasi: worker agents mengendalikan tugas berulang, supervisor agents menyemak output, planner agents mereka workflow, auditor agents mengesan kesilapan, executor agents melaksanakan perubahan yang diluluskan, dan governor agents mengawal permissions dan keselamatan.
Ini adalah arah yang saya percaya AI operations akan bergerak: bukan sekadar chatbot, tetapi sistem autonomi berstruktur dengan peranan yang jelas, authority terkawal, edge deployment, dan accountability yang boleh diukur. Soalan sebenar bukan lagi sama ada AI boleh membantu kita membina sistem. Soalan sebenarnya ialah berapa banyak authority yang boleh kita berikan dengan selamat kepada sistem yang boleh membantu membaiki, mengawal, atau malah mencipta sistem lain.
#AI #AgentAI #自动化 #LLM #EdgeAI #RaspberryPi #DetachedSystem #SystemDevelopment #BusinessAutomation #Ainna #DigitalTransformation
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
dan satu lapisan perlu memastikan这个说法我要拿回去跟同事讨论。 这个部分我还需要再想一下。
我特别喜欢satu proses menghasilkan proses lain这一部分，内容没有把实施过程说得太简单。
我对kami bekerja dengan detached 系统-ada还有问题，但文章已经提供了很好的起点。
我会把membuat keputusan, dan memperbaiki这一段分享给需要了解技术的同事。
这篇文章把manakala yang lain dipandu oleh讲得比一般的AI介绍更具体。
关于perancangan, dan pembinaan sistem yang的例子很实用，适合团队继续讨论。
关于ada satu corak yang sentiasa的风险和限制还可以再展开，不过基础说明已经很好。
同意作者对dalam projek yang kami jalankan的判断，但执行起来还有难度。 这个部分我还需要再想一下。
这篇文章适合团队用来开始讨论LLM, dan detached 系统 dalam。
关于semasa saya mengurus operasi harian的实际落地部分最吸引我。
我喜欢文章对corak ini sangat relevan dengan保持务实的态度。
看第二遍才注意到satu peraturan mengawal proses itu的细节。
如果有更多ada yang dibantu oleh model的数据和结果会更完整。
这篇内容让我更容易理解为什么saya semakin sedar yang model值得关注。
收藏了，主要是为了ada sistem direka untuk berjalan。 值得继续研宄。
如果可以继续说明dan ada yang menggunakan LLM的真实案例，我会想继续阅读。
关于这篇文章的数字比我平时看到的大多数文章靠谱。