Agentic AI yalnız böyük dil modelinin sual-cavab yaratmasını deyil, bir və ya daha çox AI ajanının qavrama, mühakimə, planlaşdırma, yaddaş, alət istifadəsi, hərəkət və orkestrasiya mexanizmləri ilə birlikdə uzunmüddətli məqsədlər istiqamətində işləməsini ifadə edən daha geniş süni intellekt paradiqmasıdır. Bu tədqiqatda AI agent ətraf mühitini qavrayan, mövcud məlumatı qiymətləndirən və müəyyən edilmiş məqsədlərə çatmaq üçün hərəkət edən fərdi hesablama varlığı; agentic AI system isə bu ajanları yaddaş, planlaşdırma, alət istifadəsi və orkestrasiya komponentləri ilə birləşdirən inteqrasiya edilmiş sistem kimi müəyyən edilir.

İcmal 2023–2025 dövrünün aktual agentic AI ədəbiyyatını mərkəzə alır; 75 ilkin qeyddən 60 tədqiqatı yekun təhlilə daxil edərək ajan xüsusiyyətlərini, əsas komponentləri, arxitektura siniflərini, tək və çoxajanlı koordinasiya formalarını, həmçinin səhiyyə, maliyyə, şəhər idarəçiliyi, istehsal və kibertəhlükəsizlik kimi tətbiq sahələrini araşdırır. Tədqiqatın tətbiqi hissəsində LangChain, LangGraph və CrewAI eyni Bitcoin bazar təhlili tapşırığı çərçivəsində müqayisə edilmiş; məlumat və göstəricilər LLM-dən kənarda deterministik şəkildə hesablanarkən framework-lərin orchestration, state management, memory və agent coordination fərqləri öyrənilmişdir.

Məqalənin əsas mesajı agentic davranışın yalnız model ölçüsündən yaranmamasıdır. Uzun üfüqlü və uyğunlaşan muxtariyyət düzgün arxitekturanın, qalıcı vəziyyət idarəetməsinin, yaddaşın, planlaşdırmanın, alətə çıxışın, koordinasiyanın və geribildirim mexanizmlərinin birlikdə layihələndirilməsindən asılıdır. Bununla yanaşı, daha çox muxtariyyət daha geniş hücum səthi, xətaların yayılması, yaddaş uyğunsuzluğu, koordinasiya xərci, izah ediləbilənlik və hesabatlılıq problemlərini də böyüdür.

Agentic AI nədir?

Agentic AI, süni intellekt sisteminə tək bir girişə tək bir çıxış verməkdən daha artığını etməyə; məqsədləri izləməyə, ətrafındakı dəyişiklikləri qavramağa, plan qurmağa, alətləri çağırmağa, nəticələri qiymətləndirməyə, yaddaşından istifadə etməyə və lazım gəldikdə növbəti addımlarını yenidən təşkil etməyə imkan verən sistem səviyyəli süni intellekt paradiqmasıdır. Məqaləyə görə agency tək bir modelin daxili xüsusiyyəti deyil; mühakimə modullarının, yaddaşın, nəzarət siyasətlərinin, alətlərin, mühitin və insan nəzarətinin birlikdə layihələndirilməsindən yaranan sistem xüsusiyyətidir.

Bu fərq vacibdir, çünki güclü LLM təkbaşına tam agentic sistem deyil. LLM sistemin “mühakimə mühərriklərindən” biri ola bilər; lakin qalıcı yaddaş, vəziyyətin izlənməsi, xarici alət istifadəsi və ya tapşırıqlararası koordinasiya yoxdursa, sistemin uzunmüddətli məqsəd izləməsi məhdud qala bilər.

AI agent, agentic AI system və Agentic AI arasındakı fərq

İcmalın metodu

Tədqiqatın ədəbiyyat icmalı ACM Digital Library, IEEE Xplore, ScienceDirect, SpringerLink və Google Scholar üzərində aparılmışdır. İstifadə olunan axtarış terminləri arasında “agentic AI”, “multi-agent systems”, “autonomous agents”, “agent frameworks” və “applications of agentic AI” yer alır.

Əsas axtarış dövrü 2023–2025-dir. Tarixi arxitekturaları və ajan anlayışının inkişafını izah etmək üçün daha köhnə fundamental nəşrlər də seçici şəkildə əlavə olunmuşdur.

İcmal dörd əsas tədqiqat sualına yönəlir: Agentic AI sistemlərinin nüvə komponentləri hansılardır, hansı ajan növləri framework yaradır, hansı arxitektura quruluşlarından istifadə olunur və agentic sistemlər müxtəlif sənaye sahələrində necə tətbiq edilir?

Agentic AI sisteminin əsas komponentləri hansılardır?

Mənbə agentic AI həyat dövrünü beş əsas funksiya ətrafında izah edir: qavrama, beyin/mühakimə, hərəkət, yaddaş və öyrənmə. İstifadəçi girişi əvvəlcə qavranır, sonra sistem məlumatı qiymətləndirir və planlaşdırır, hərəkəti həyata keçirir, təcrübəni yaddaşa yazır və geribildirimdən öyrənərək növbəti dövrə hazırlaşır.

1. Qavrama — Perception

Qavrama modulu sistemin xarici dünya ilə təmas nöqtəsidir. Mətn, görüntü və ya API cavabı kimi çoxmodallı girişləri qəbul edir və onları mühakimə modulunun istifadə edə biləcəyi təmsil formasına çevirir.

Mətn əsaslı qavramada əsas problem yalnız sözləri tanımaq deyil; qeyri-müəyyənliyi, örtülü mənanı və konteksti düzgün şərh etməkdir. Giriş yanlış başa düşülsə, sonrakı planlaşdırma və hərəkət zənciri də yanlış təməl üzərində irəliləyə bilər.

Görüntü tərəfində məqalə iki əsas yanaşmanı nəzərdən keçirir. Birinci yanaşmada görüntü əvvəlcə mətn təsvirinə çevrilir. Bu üsul hesablama baxımından səmərəli ola bilər, lakin görüntüdəki incə detalları itirə bilər. İkinci yanaşma vizual encoder çıxışını birbaşa LLM embedding fəzası ilə birləşdirən multimodal fusion yanaşmasıdır.

2. Mühakimə və planlaşdırma — Brain

Agentic sistemin “brain” komponenti mövcud məlumatdan nəticə çıxarma, variantları qiymətləndirmə, mürəkkəb tapşırığı alt tapşırıqlara bölmə və növbəti hərəkəti müəyyənləşdirmə funksiyalarını yerinə yetirir.

Məqalə bu kontekstdə müxtəlif reasoning strategiyalarını nəzərdən keçirir:

• Chain of Thought (CoT): xətti aralıq mühakimə addımları,
• Tree of Thought (ToT): bir neçə alternativ mühakimə yolunu araşdırma,
• Graph of Thought (GoT): qarşılıqlı asılı reasoning düyünlərini qraf quruluşunda bağlama.

Agentic planlaşdırma statik olmaq məcburiyyətində deyil. Sistem hərəkətin nəticəsini müşahidə etdikcə mövcud planını yenidən qiymətləndirə və yeni şəraitə uyğun dəyişdirə bilər.

3. Hərəkət — Action

Hərəkət modulu yüksək səviyyəli məqsədi icra edilə bilən əməliyyatlara çevirir. Ajan API, məlumat bazası, axtarış sistemi, kod icraedici və ya başqa proqram alətini çağıra bilər.

Agentic sistemin klassik söhbət modelindən mühüm fərqlərindən biri buradadır: yalnız “nə edilməli olduğunu” mətnlə söyləmək əvəzinə, icazə verilmiş alətlər vasitəsilə tapşırığın bir hissəsini həyata keçirə bilər.

Məqalə həmçinin Robotic Process Automation ilə LLM əsaslı reasoning-in birləşdirilməsinin istifadəçi interfeysi qarşılıqlı əlaqəsi, məlumat daxil etmə və ardıcıl proqram proseslərinin avtomatlaşdırılması kimi sahələrdə istifadə oluna bildiyini bildirir.

4. Yaddaş — Memory

Yaddaş agentic sistemə yalnız cari promptu deyil, keçmiş tapşırıqları, təcrübələri və öyrənilmiş prosesləri sonrakı qərarlarda istifadə etməyə imkan verir.

Uzunmüddətli tapşırıqlarda qalıcı yaddaş reasoning davamlılığı baxımından kritik olur. Lakin yaddaşın yanlış və ya köhnə məlumatı davamlı olaraq sistemə qaytarması da xətaların yayılmasına səbəb ola bilər.

5. Öyrənmə — Learn

İcmal agentic sistemlərin yeni vəziyyətlərə uyğunlaşmasında zero-shot, few-shot və in-context learning kimi mexanizmləri nəzərdən keçirir.

Zero-shot learning modelin təlimdə açıq şəkildə görmədiyi tapşırığa mövcud semantik məlumatından istifadə edərək cavab verməsini; few-shot learning az sayda nümunə əsasında yeni tapşırığa uyğunlaşmasını; in-context learning isə model parametrlərini dəyişmədən promptdakı nümunələrdən tapşırığın quruluşunu çıxarmasını ifadə edir.

Ajan növləri necə təsnif edilir?

İcmal klassik ajan təsnifatlarının müasir LLM agentic sistemlərində hələ də davranış təməli verdiyini bildirir. Refleks, məqsəd əsaslı, fayda əsaslı və öyrənən ajan anlayışları müasir arxitekturalarda müxtəlif formalarda yaşamağa davam edir.

Təkajanlı və çoxajanlı arxitekturalar arasındakı əsas fərq nədir?

Təkajanlı arxitekturalar tapşırıq üzrə reasoning, planlaşdırma və hərəkəti bir agent daxilində cəmləşdirir, çoxajanlı arxitekturalar isə eyni problemi fərqli rollara malik mütəxəssis ajanlar arasında bölüşdürür. Çoxajanlı quruluş paralel iş və ixtisaslaşma təmin edə bilər; lakin kommunikasiya xərci, koordinasiya xətaları, məlumat sürüşməsi və məsuliyyət bölgüsü kimi yeni sistem problemləri yaradır.

ReAct arxitekturası

Reason + Act yanaşmasında ajan aşağıdakı dövrü təkrarlayır:

Giriş → Müşahidə → Mühakimə / Plan → Hərəkət → Alətlə qarşılıqlı əlaqə → Yeni müşahidə → Yenidən mühakimə

Bu quruluş sadə və tətbiq oluna bilən olduğuna görə güclüdür. Bununla yanaşı, çoxsaylı qarşılıqlı asılı alt problemlər ehtiva edən tapşırıqlarda tək dövr məhdudlaşdırıcı ola bilər. Sistem eyni reasoning nümunəsinə təkrar-təkrar qayıdarsa, deadlock bənzəri uğursuzluqlar görünə bilər.

BDI koqnitiv arxitekturası

Belief–Desire–Intention (BDI) modeli üç əsas koqnitiv vəziyyəti ayırır:

• Beliefs: ajanın dünya haqqında mövcud məlumatı,
• Desires: çatıla biləcək mümkün məqsədlər,
• Intentions: ajanın həqiqətən həyata keçirməyə qərar verdiyi məqsədlər.

Ajan mühiti müşahidə edir, beliefs vəziyyətini yeniləyir, desires arasından intentions seçir və sonra bu niyyətlərə yönəlmiş hərəkətləri həyata keçirir. Məqaləyə görə BDI xüsusilə qərar yolunun izah edilə bilməsinin, məqsəd ardıcıllığının və yoxlanılabilənliyin vacib olduğu sistemlərdə üstündür.

Çoxajanlı koordinasiya arxitekturaları hansılardır?

Məqalə çoxajanlı sistemləri əsasən koordinasiya və nəzarət formasına görə nəzərdən keçirir. Şaquli, üfüqi, hibrid və nizamsız/paylanmış əməkdaşlıq arxitekturaları fərqli nəzarət, çeviklik və miqyaslanma tarazlıqları təqdim edir.

Şaquli — Vertical / Hierarchical

Supervising agent yüksək səviyyəli planı qurur, tapşırıqları alt ajanlara paylayır, irəliləyişi izləyir və lazım olduqda yenidən planlaşdırır.

Üstünlük: tapşırıq sahibliyi, nəzarət və məqsəd uyğunluğu aydındır.

Məhdudiyyət: supervising agent dar boğaza və tək nasazlıq nöqtəsinə çevrilə bilər.

Üfüqi — Horizontal

Ajanlar eyni iyerarxik səviyyədə olur və ortaq məqsəd üçün birbaşa ünsiyyət qurur. Tək mərkəzi supervisor məcburi deyil.

Üstünlük: tək nöqtədəki nasazlığa qarşı daha dayanıqlı ola bilər və tapşırıqlar dinamik şəkildə paylana bilər.

Məhdudiyyət: koordinasiya, razılaşma və ortaq resursların idarə edilməsi çətinləşə bilər.

Hibrid

Hibrid arxitektura yüksək səviyyəli supervisor ilə yarı müstəqil işləyən mütəxəssis ajanları birləşdirir. Beləliklə, şaquli arxitekturanın qlobal nəzarəti ilə üfüqi arxitekturanın çevikliyi birlikdə istifadə olunmağa çalışılır.

Bu quruluş böyük korporativ iş axınlarında faydalı ola bilər; lakin həm mərkəzləşdirilmiş, həm də paylanmış arxitekturaların bəzi mürəkkəbliklərini birlikdə daşıyır.

Nizamsız / paylanmış əməkdaşlıq

Nizamsız arxitekturada sabit iyerarxiya və ya danışıq sırası yoxdur. Bir neçə ajan təklif, tənqid və düzəlişləri sərbəst şəkildə paylaşır.

Bu düzən fikir müxtəlifliyini artıra bilər; lakin resurs münaqişəsi, təkrarlanan əməliyyatlar, hallucination amplification və information drift riskini də böyüdə bilər.

Tədqiqatın metodu və nəticələri

LangChain, LangGraph və CrewAI müqayisəsinin dizaynı

Tədqiqatın tətbiqi hissəsində LangChain v0.3.27, LangGraph v1.0.8 və CrewAI v1.1.0 Python 3.13.7 altında ortaq kriptovalyuta bazarı təhlili pipeline-ında tətbiq edilmişdir.

Bitcoin-in tarixi OHLCV məlumatları Yahoo Finance vasitəsilə yfinance 0.2.66 ilə əldə edilmişdir.

LLM işə salınmazdan əvvəl rəqəmsal təhlillər deterministik Python alətləri ilə hesablanmışdır:

• Prophet 1.3.0 — trend və mövsümilik,
• NLTK VADER 3.9.2 — lüğət əsaslı sentiment təhlili,
• Matplotlib 3.10.8,
• Plotly 6.5.2,
• mplfinance 0.12.10b0.

Bu ayrılmanın məqsədi rəqəmsal nəticələrin LLM-in stoxastik mətn istehsalından təsirlənməsinin qarşısını almaqdır. LLM yalnız əvvəlcədən hesablanmış indikatorları mətn halında birləşdirmək və Markdown hesabatı yaratmaq mərhələsində istifadə edilmişdir.

LangChain yanaşması

LangChain tətbiqi prompt mərkəzli və əsasən ardıcıl pipeline kimi qurulmuşdur. Developer məlumat axınını, tool invocation ardıcıllığını və tapşırıq keçidlərini birbaşa idarə edir.

Bu quruluş deterministik və müşahidə edilə bilən pipeline-lar üçün əlverişlidir; lakin qalıcı kontekstin çoxsaylı addımlara yayılmalı olduğu sistemlərdə state management developer tərəfindən əl ilə idarə edilməli ola bilər.

LangGraph yanaşması

LangGraph düyünlər arasında daşınan açıq shared state quruluşundan istifadə edir. Hər node bir məsuliyyəti üzərinə götürə və state üzərində yeniləmə apara bilər.

Bu arxitektura:

• şərti budaqlanma,
• paralel qiymətləndirmə,
• state persistence,
• iterativ refinement

kimi mürəkkəb workflow davranışlarına daha açıq quruluş verir.

Bu qiymətlər yalnız tədqiqatda tətbiq olunan pipeline-a aiddir və framework-ün universal performans benchmarkı kimi şərh edilməməlidir.

CrewAI yanaşması

CrewAI rol əsaslı, qalıcı ajanlara söykənir. Tədqiqatın konseptual diaqramında Market Analyst, Sentiment Analyst və Reporter rolları göstərilir. Lakin mənbə xüsusilə real eksperimental CrewAI implementasiyasında iki agent instantiate edildiyini; bəzi analitik komponentlərin müstəqil agent deyil, internal module kimi tətbiq olunduğunu bildirir.

LangChain, LangGraph və CrewAI arasındakı əsas arxitektura fərqi nədir?

Mənbədə LangChain əsasən developer tərəfindən idarə olunan ardıcıl pipeline quruluşunu, LangGraph qalıcı ortaq state və graph əsaslı orkestrasiya quruluşunu, CrewAI isə mütəxəssis rolları və tapşırıq bölgüsünə əsaslanan multi-agent əməkdaşlığını təmsil edir. Tədqiqatın məqsədi bu üç yanaşmanı vahid “ən yaxşı framework” sıralamasına qoymaq deyil, fərqli orkestrasiya fəlsəfələrinin reasoning continuity, state visibility, coordination complexity və developer control üzərində təsirini göstərməkdir.

Framework müqayisəsindən çıxarılan əsas nəticə

Məlumat mənbələri, analitik hesablamalar və istifadə olunan LLM sabit saxlandıqda müşahidə edilən əsas fərqlər model zəkasından daha çox orkestrasiya və state-management arxitekturasından qaynaqlanmışdır. Mənbənin qiymətləndirməsinə görə framework arxitekturası factual consistency, reasoning continuity, dəyişən bazar şərtlərinə uyğunlaşma və yaradılan çıxışların ümumi etibarlılığı üzərində təsirli ola bilər.

Buna görə framework seçimi yalnız “hansı alət daha populyardır?” sualına görə deyil, tətbiqin:

• qalıcı state tələbi,
• budaqlanma və geridöngü ehtiyacı,
• ajanlararası koordinasiya səviyyəsi,
• developer control ehtiyacı,
• traceability gözləntisi,
• uzun tapşırıq müddəti

kimi arxitektura tələblərinə uyğun aparılmalıdır.

Real dünya tətbiq sahələri

İcmal agentic AI istifadəsini səhiyyə, şəhər idarəçiliyi, biznes və maliyyə, istehsal və kibertəhlükəsizlik kimi sahələrdə araşdırır.

Səhiyyə

Səhiyyə tətbiqlərində agentic quruluşlar pasiyent monitorinqi, klinik qərar dəstəyi, dərman idarəetməsi, yaşlılara qulluq dəstəyi və məlumat inteqrasiyası kimi tapşırıqlarda nəzərdən keçirilir. Bununla yanaşı, pasiyent təhlükəsizliyi, izah ediləbilənlik, izlənəbilənlik və qanunvericiliyə görə mərkəzi nəzarət və ya hibrid koordinasiya önəm qazanır.

Şəhər idarəçiliyi

Şəhər idarəçiliyində nəqliyyat, mənzil, büdcələşdirmə, ətraf mühit monitorinqi və ictimai xidmətlərdə paylanmış ajanların ortaq siyasət məqsədləri ilə işləyə biləcəyi hibrid modellər nəzərdən keçirilir. Burada texniki performans qədər şəffaflıq, prosedur ədaləti və insan nəzarəti də kritik sayılır.

Maliyyə

Maliyyə sahəsində ajanlar bazar təhlili, risk idarəetməsi, saxtakarlığın aşkarlanması, portfel təhlili və trading workflow-larında istifadə olunur. İcmal ədəbiyyatda bildirilən müxtəlif tətbiq nəticələrini təqdim edir; lakin bu performans qiymətlərinin mühüm hissəsi bu məqalənin öz nəzarətli təcrübəsindən deyil, araşdırılan xarici tədqiqatlardan gəlir.

İstehsal

İstehsalda agentic AI sabit avtomatlaşdırma məntiqini multimodal qavrama, xətanın diaqnostikası, rəqəmsal əkiz, uzunmüddətli planlaşdırma və avtomatik təkmilləşdirmə dövrləri ilə genişləndirmə potensialı baxımından müzakirə olunur.

Kibertəhlükəsizlik

Kibertəhlükəsizlikdə çoxsaylı mütəxəssis ajan şəbəkə trafikinin monitorinqini, təhdid təhlilini, risk qiymətləndirməsini və response tapşırıqlarını paralel yerinə yetirə bilər. Lakin daha çox alətə çıxış və inter-agent communication eyni zamanda hücum səthini də genişləndirir.

Agentic AI-nın başlıca riskləri hansılardır?

İcmal muxtariyyət artdıqca yalnız faydanın deyil, sistem risklərinin də böyüdüyünü xüsusilə vurğulayır. Mənbədə nəzərdən keçirilən əsas problem qrupları bunlardır:

1. Ajan davranışının qeyri-şəffaflığı və proqnozlaşdırılmazlığı.
2. Yaddaş, tool use və agent communication səbəbindən genişlənən hücum səthi.
3. Parçalanmış məlumat, köhnə sistemlər və aşağı interoperability səbəbindən ucdan-uca muxtariyyətin çətinləşməsi.
4. Qapalı dövr və self-healing qabiliyyətlərinin təhlükəsiz şəkildə tətbiq edilə bilməməsi.
5. Probabilistic LLM reasoning ilə deterministik təhlükəsizlik və tənzimləmə tələbləri arasındakı münaqişə.
6. Trust, accountability və etik governance boşluqları.
7. Bias və misaligned objective səbəbindən ədalətsiz nəticələrin miqyaslanması.
8. Standart agentic AI benchmark və validasiya çərçivələrinin çatışmazlığı.
9. Uzun-horizon və çoxajanlı reasoning-də miqyaslanma problemləri.

Reasoning drift nədir?

Reasoning drift uzun çəkən və ya çoxsaylı ajanı əhatə edən iş axınlarında erkən mərhələdəki kiçik səhvin sonrakı reasoning addımlarında təkrar istifadə olunaraq getdikcə böyüməsini ifadə edir. Uzun context zəncirləri, aralıq çıxışlar və ajanlararası məlumat ötürülməsi artdıqca bu cür xəta yığılması sistemin yekun qərarında böyük uyğunsuzluqlara çevrilə bilər.

Ajan sayını artırmaq həmişə daha yaxşıdırmı?

Xeyr. Məqalənin sistem perspektivinə görə daha çox ajan ixtisaslaşma və paralel icra üstünlüyü verə bilər, lakin communication overhead, state synchronization, conflict resolution, redundant action və error propagation xərclərini də artırır. Çoxajanlı arxitektura yalnız koordinasiya quruluşu tətbiqin tələblərinə uyğundursa üstünlük verir.

İnsan nəzarəti niyə hələ də vacibdir?

Mənbənin qiymətləndirməsinə görə səhiyyə, maliyyə, dövlət idarəçiliyi və digər yüksək təsirli sahələrdə agentic muxtariyyət izah ediləbilənlik, təhlükəsizlik və hesabatlılıq mexanizmləri olmadan kifayət deyil. Human-in-the-loop yanaşması, xüsusilə probabilistic reasoning-in qanunvericilik və ya təhlükəsizlik sərhədləri ilə toqquşa biləcəyi hallarda kritik nəzarət qatı kimi nəzərdən keçirilir.

Tədqiqatın dəstəklədikləri

• Agentic davranış sistem səviyyəli arxitektura dizaynından yaranır.
• Qavrama, reasoning, action, memory və learning əsas funksiyalardır.
• Tək və çoxajanlı arxitekturalar fərqli koordinasiya üstünlükləri və riskləri daşıyır.
• LangChain, LangGraph və CrewAI fərqli orkestrasiya paradiqmalarını təmsil edir.
• Shared persistent state uzun workflow-larda reasoning davamlılığını dəstəkləyə bilər.
• Rol əsaslı çoxajanlı yanaşma tapşırıq ixtisaslaşmasını asanlaşdıra bilər.
• Muxtariyyət artdıqca təhlükəsizlik, auditability və governance daha kritik olur.

Tədqiqatın dəstəkləmədikləri

• Vahid agentic framework-ün bütün tapşırıqlarda ən yaxşı olduğu göstərilməmişdir.
• LangChain, LangGraph və CrewAI müqayisəsi bütün istifadə sahələrinə ümumiləşdirilə bilməz.
• Tətbiqlərdəki bütün performans faizləri bu tədqiqatın öz təcrübə nəticəsi deyil; mühüm hissəsi araşdırılan ədəbiyyatdan gəlir.
• Agentic AI-nın insan nəzarəti olmadan təhlükəsiz olduğu sübut edilməmişdir.
• Daha çox agent-in avtomatik olaraq daha yüksək dəqiqlik verdiyi göstərilməmişdir.
• Agentic AI üçün universal və standartlaşdırılmış doğrulama sistemi hələ mövcud deyil.

Gələcək tədqiqat istiqamətləri

Mənbə gələcək agentic AI dizaynının yalnız daha yüksək muxtariyyəti hədəfləməməli olduğunu müdafiə edir. Mühüm tədqiqat mövzuları arasında:

• formal verification ilə LLM reasoning inteqrasiyası,
• yoxlanıla bilən reasoning trace-ləri,
• verifiable memory,
• policy-constrained planning,
• yaddaş ardıcıllığı,
• reasoning drift nəzarəti,
• böyük agent populyasiyalarının koordinasiyası,
• adversarial manipulation-a davamlılıq,
• human-in-the-loop governance

yer alır.

Bu perspektivdə agentic AI-nın uğuru yalnız “nə qədər muxtardır?” sualı ilə ölçülməməlidir. Etibarlı real dünya tətbiqi muxtariyyətin şəffaflıq, doğrulanabilənlik, insan nəzarəti, təhlükəsizlik və etik idarəetmə ilə nə dərəcədə tarazlaşdırıla bildiyindən asılıdır.

Mənbə və metod qeydi

Orijinal başlıq: Agentic AI: A Perspective on Architecture, Frameworks and Applications

Müəlliflər: Priyadarshini Raghavendra; Manob Jyoti Saikia.

Məsul müəllif: Manob Jyoti Saikia.

Qurumlar: Biomedical Sensors & Systems Lab və Electrical and Computer Engineering Department, University of Memphis, Memphis, Tennessee, USA.

Jurnal: AI.

Cild / say / məqalə: 2026, 7(6), 219.

DOI: 10.3390/ai7060219

Nəşriyyat: MDPI.

Nəşr tarixi: 14 İyun 2026.

Mənbə növü: Review; ədəbiyyat icmalı nəzarətli framework tətbiqi müqayisəsi ilə müşayiət olunur.

Lisenziya: Creative Commons Attribution (CC BY).

Ədəbiyyat metodu: ACM Digital Library, IEEE Xplore, ScienceDirect, SpringerLink və Google Scholar üzərindən əsasən 2023–2025 ədəbiyyatı araşdırılmışdır. İlkin 75 qeyddən 68-i abstract baxışına, 60-ı yekun tam mətn təhlilinə daxil edilmişdir.

Framework təcrübə bölməsi: LangChain v0.3.27, LangGraph v1.0.8 və CrewAI v1.1.0 Python 3.13.7 altında ortaq Bitcoin bazar təhlili tapşırığı ilə müqayisə edilmişdir. Maliyyə hesablamaları LLM-dən kənarda deterministik alətlərlə aparılmış, LLM mətn sintezinə ayrılmışdır.

Maliyyələşdirmə: National Science Foundation, USA, Grant No. 2514612.

Etika komitəsi: Tətbiq edilmir.

Məlumatlandırılmış razılıq: Tətbiq edilmir.

Məlumatların əlçatanlığı: Mənbə “No new data were created or analyzed in this study” bəyanatını verir. Framework müqayisəsində mövcud bazar məlumatları və proqram alətləri istifadə olunmuşdur; buna görə bu ifadə yeni orijinal məlumat dəstinin yaradılmadığı kimi oxunmalıdır.

Maraqların toqquşması: Müəlliflər maraqların toqquşması olmadığını bildirmişlər.

Əsas məhdudiyyətlər: Agentic AI sahəsi son dərəcə sürətlə dəyişir; proprietary və hələ nəşr olunmamış sistemlər icmalın əhatəsindən kənarda qala bilər. Framework müqayisəsi yalnız LangChain, LangGraph və CrewAI-ı vahid cryptocurrency market analysis tapşırığında araşdırır. Müqayisə universal performans sıralaması deyil.

Vizual qeyd: Mənbənin həyat dövrü, arxitektura təsnifatı, ReAct, BDI və multi-agent coordination şəkilləri eynilə köçürülməməlidir. Verianla üçün eyni elmi əlaqələr yeni düyün yerləşimi, yeni ikonoqrafiya, yeni tipoqrafik iyerarxiya və müstəqil vizual kompozisiya ilə sıfırdan yenidən qurulmalıdır.