Agentic AI чоң тил моделинин суроо-жооп түзүүсүн гана эмес, бир же бир нече AI агенттин кабылдоо, ой жүгүртүү, пландоо, эс тутум, куралдарды колдонуу, аракет жана оркестрация механизмдери менен узак мөөнөттүү максаттарга карай иштөөсүн билдирген кеңири жасалма интеллект парадигмасы. Бул изилдөөдө AI agent айлана-чөйрөсүн кабылдаган, жеткиликтүү маалыматты баалаган жана белгиленген максаттарга жетүү үчүн аракет кылган жеке эсептөөчү субъект; ал эми agentic AI system бул агенттерди эс тутум, пландоо, куралдарды колдонуу жана оркестрация компоненттери менен бириктирген бүтүндүү система катары аныкталат.

Сереп 2023–2025-жылдардагы актуалдуу agentic AI адабиятына көңүл бурат; баштапкы 75 жазуунун 60ын акыркы талдоого киргизип, агенттин өзгөчөлүктөрүн, негизги компоненттерди, архитектуралык класстарды, жалгыз жана көп агенттүү координация формаларын, ошондой эле саламаттык сактоо, каржы, шаардык башкаруу, өндүрүш жана киберкоопсуздук сыяктуу колдонуу тармактарын изилдейт. Изилдөөнүн практикалык бөлүгүндө LangChain, LangGraph жана CrewAI бирдей Bitcoin рыногун талдоо тапшырмасынын алкагында салыштырылган; маалыматтар менен индикаторлор LLMден тышкары детерминисттик түрдө эсептелип, frameworkтардын orchestration, state management, memory жана agent coordination айырмачылыктары талданган.

Макаланын негизги билдирүүсү — agentic жүрүм-турум моделдин көлөмүнөн гана келип чыкпайт. Узак мөөнөттүү жана ыңгайлашма автономия туура архитектураны, туруктуу абалды башкарууну, эс тутумду, пландоону, куралдарга жетүүнү, координацияны жана кайтарым байланыш механизмдерин биргелешип долбоорлоого байланыштуу. Ошол эле учурда көбүрөөк автономия чабуул аянтын кеңейтет жана каталардын жайылышы, эс тутумдун шайкешсиздиги, координация чыгымы, түшүндүрмөлүүлүк жана жоопкерчилик маселелерин күчөтөт.

Agentic AI деген эмне?

Agentic AI — жасалма интеллект системасына бир киргизүүгө бир чыгаруу берүүдөн да көбүрөөк иш аткарууга, максаттарды көзөмөлдөөгө, айланадагы өзгөрүүлөрдү кабылдоого, план түзүүгө, куралдарды чакырууга, натыйжаларды баалоого, эс тутумун колдонууга жана зарыл учурда кийинки кадамдарын кайра уюштурууга мүмкүнчүлүк берген система деңгээлиндеги жасалма интеллект парадигмасы. Макалага ылайык, agency бир моделдин ички өзгөчөлүгү эмес; ал ой жүгүртүү модулдарынын, эс тутумдун, башкаруу саясаттарынын, куралдардын, чөйрөнүн жана адамдык көзөмөлдүн биргелешкен дизайнынан пайда болгон системалык өзгөчөлүк.

Бул айырма маанилүү, анткени күчтүү LLM өз алдынча толук agentic система болуп саналбайт. LLM системанын “ой жүгүртүү кыймылдаткычтарынын” бири болушу мүмкүн; бирок туруктуу эс тутум, абалды көзөмөлдөө, тышкы куралдарды колдонуу же тапшырмалар аралык координация болбосо, системанын узак мөөнөттүү максаттарды көзөмөлдөө мүмкүнчүлүгү чектелиши мүмкүн.

AI agent, agentic AI system жана Agentic AI ортосундагы айырма

Серептин ыкмасы

Изилдөөнүн адабият сереби ACM Digital Library, IEEE Xplore, ScienceDirect, SpringerLink жана Google Scholar базаларында жүргүзүлгөн. Колдонулган издөө терминдеринин арасында “agentic AI”, “multi-agent systems”, “autonomous agents”, “agent frameworks” жана “applications of agentic AI” бар.

Негизги издөө мезгили 2023–2025. Тарыхый архитектураларды жана агент түшүнүгүнүн өнүгүшүн түшүндүрүү үчүн мурдагы негизги эмгектер да тандалып кошулган.

Сереп төрт негизги изилдөө суроосуна көңүл бурат: Agentic AI системаларынын өзөк компоненттери кайсылар, frameworkту агенттердин кандай түрлөрү түзөт, кандай архитектуралык түзүлүштөр колдонулат жана agentic системалар ар кандай тармактарда кантип ишке ашырылат?

Agentic AI системасынын негизги компоненттери кайсылар?

Булак agentic AI жашоо циклин беш негизги функциянын айланасында түшүндүрөт: кабылдоо, мээ/ой жүгүртүү, аракет, эс тутум жана үйрөнүү. Колдонуучунун киргизүүсү адегенде кабылданат, андан соң система маалыматты баалап, пландайт, аракетти аткарат, тажрыйбаны эс тутумга жазат жана кайтарым байланыштан үйрөнүп, кийинки циклге даярданат.

1. Кабылдоо — Perception

Кабылдоо модулу — системанын тышкы дүйнө менен байланыш чекити. Ал текст, сүрөт же API жообу сыяктуу мультимодалдык киргизүүлөрдү кабыл алып, ой жүгүртүү модулу колдоно ала турган өкүлчүлүккө айлантат.

Текстке негизделген кабылдоодогу негизги көйгөй сөздөрдү таануу гана эмес; бүдөмүктүктү, кыйыр маанини жана контекстти туура чечмелөө. Эгер киргизүү туура эмес түшүнүлсө, кийинки пландоо жана аракет чынжыры да туура эмес негизде уланышы мүмкүн.

Сүрөт жагында макала эки негизги ыкманы карайт. Биринчи ыкма — сүрөттү алгач тексттик сүрөттөмөгө айлантуу. Бул ыкма эсептөө жагынан натыйжалуу болушу мүмкүн, бирок сүрөттөгү майда деталдарды жоготушу ыктымал. Экинчи ыкма — визуалдык encoder чыгарылышын LLM embedding мейкиндиги менен түздөн-түз бириктирген multimodal fusion ыкмасы.

2. Ой жүгүртүү жана пландоо — Brain

Agentic системанын “brain” компоненти жеткиликтүү маалыматтан жыйынтык чыгаруу, варианттарды баалоо, татаал тапшырманы майда тапшырмаларга бөлүү жана кийинки аракетти аныктоо функцияларын аткарат.

Макала ушул контекстте ар кандай reasoning стратегияларын карайт:

• Chain of Thought (CoT): сызыктуу аралык ой жүгүртүү кадамдары,
• Tree of Thought (ToT): бир нече альтернативдүү ой жүгүртүү жолун изилдөө,
• Graph of Thought (GoT): өз ара байланышкан reasoning түйүндөрүн граф түзүмүндө бириктирүү.

Agentic пландоо статикалык болууга тийиш эмес. Система аракеттин натыйжасын байкаган сайын учурдагы планын кайра баалап, жаңы шарттарга жараша өзгөртө алат.

3. Аракет — Action

Аракет модулу жогорку деңгээлдеги максатты аткарыла турган операцияларга айландырат. Агент APIни, маалымат базасын, издөө системасын, код аткаргычты же башка программалык куралды чакыра алат.

Agentic системанын классикалык сүйлөшүү моделинен маанилүү айырмаларынын бири ушул: ал эмне кылуу керектигин текст менен гана айтуунун ордуна, уруксат берилген куралдар аркылуу тапшырманын бир бөлүгүн аткара алат.

Макала ошондой эле Robotic Process Automationду LLMге негизделген reasoning менен бириктирүү колдонуучу интерфейси менен өз ара аракеттенүү, маалымат киргизүү жана ырааттуу программалык процесстерди автоматташтыруу сыяктуу тармактарда колдонулушу мүмкүн экенин белгилейт.

4. Эс тутум — Memory

Эс тутум agentic системага учурдагы promptту гана эмес, мурунку тапшырмаларды, тажрыйбаларды жана үйрөнүлгөн процесстерди кийинки чечимдерде колдонууга мүмкүнчүлүк берет.

Узак мөөнөттүү тапшырмаларда туруктуу эс тутум reasoning үзгүлтүксүздүгү үчүн өтө маанилүү болот. Бирок эс тутумдун туура эмес же эскирген маалыматты системага кайра-кайра киргизиши да каталардын жайылышына себеп болушу мүмкүн.

5. Үйрөнүү — Learn

Сереп agentic системалардын жаңы кырдаалдарга ыңгайлашуусунда zero-shot, few-shot жана in-context learning сыяктуу механизмдерди карайт.

Zero-shot learning модель окутууда ачык көрбөгөн тапшырмага колундагы семантикалык билимин колдонуп жооп беришин; few-shot learning аз сандагы мисал аркылуу жаңы тапшырмага ыңгайлашуусун; ал эми in-context learning моделдин параметрлерин өзгөртпөстөн promptтагы мисалдардан тапшырманын түзүлүшүн чыгарышын билдирет.

Агенттин түрлөрү кантип классификацияланат?

Сереп классикалык агент классификациялары заманбап LLM agentic системаларында дагы эле жүрүм-турумдук негиз катары кызмат кыларын баса белгилейт. Рефлекстик, максатка негизделген, пайдалуулукка негизделген жана үйрөнүүчү агент түшүнүктөрү заманбап архитектураларда ар кандай формада жашоосун улантууда.

Жалгыз агенттүү жана көп агенттүү архитектуралардын негизги айырмасы эмнеде?

Жалгыз агенттүү архитектуралар тапшырмага байланыштуу reasoning, пландоо жана аракетти бир агенттин ичинде топтосо, көп агенттүү архитектуралар ошол көйгөйдү ар башка ролдогу адис агенттердин ортосунда бөлүштүрөт. Көп агенттүү түзүлүш параллелдүү иштөөнү жана адистешүүнү камсыздай алат; бирок байланыш чыгымы, координация каталары, маалыматтын жылышы жана жоопкерчиликти бөлүштүрүү сыяктуу жаңы системалык көйгөйлөрдү жаратат.

ReAct архитектурасы

Reason + Act ыкмасында агент төмөнкү циклди кайталайт:

Киргизүү → Байкоо → Ой жүгүртүү / План → Аракет → Курал менен өз ара аракеттенүү → Жаңы байкоо → Кайра ой жүгүртүү

Бул түзүлүш жөнөкөйлүгү жана практикада колдонууга ыңгайлуулугу менен күчтүү. Бирок өз ара байланышкан көптөгөн майда көйгөйлөрдү камтыган тапшырмаларда бир цикл чектөөчү болушу мүмкүн. Система бир эле reasoning калыбына кайра-кайра кайрылса, deadlockко окшогон мүчүлүштүктөр байкалышы мүмкүн.

BDI когнитивдик архитектурасы

Belief–Desire–Intention (BDI) модели үч негизги когнитивдик абалды айырмалайт:

• Beliefs: агенттин дүйнө тууралуу учурдагы билими,
• Desires: жетүүгө мүмкүн болгон потенциалдуу максаттар,
• Intentions: агент чындап ишке ашырууну чечкен максаттар.

Агент чөйрөнү байкап, beliefs абалын жаңыртат, desires ичинен intentionsти тандайт жана андан соң ошол ниеттерге багытталган аракеттерди аткарат. Макалага ылайык, BDI чечим жолунун түшүндүрмөлүүлүгү, максаттын ырааттуулугу жана көзөмөлдөнүшү маанилүү болгон системаларда өзгөчө пайдалуу.

Көп агенттүү координация архитектуралары кайсылар?

Макала көп агенттүү системаларды негизинен координация жана башкаруу формасына жараша карайт. Вертикалдык, горизонталдык, гибриддик жана тартипсиз/бөлүштүрүлгөн кызматташтык архитектуралары башкаруу, ийкемдүүлүк жана масштабдуулук боюнча ар башка тең салмактарды сунуштайт.

Вертикалдык — Vertical / Hierarchical

Supervising agent жогорку деңгээлдеги планды түзүп, тапшырмаларды төмөнкү агенттерге бөлүштүрөт, процессти көзөмөлдөйт жана зарыл болгондо кайра пландайт.

Артыкчылыгы: тапшырманын ээси, көзөмөл жана максатка шайкештик так.

Чектөөсү: supervising agent тыгынга жана бирдиктүү мүчүлүштүк чекитине айланышы мүмкүн.

Горизонталдык — Horizontal

Агенттер бирдей иерархиялык деңгээлде болуп, жалпы максат үчүн түз байланышат. Жалгыз борбордук supervisor талап кылынбайт.

Артыкчылыгы: бир чекиттеги мүчүлүштүккө туруктуураак болуп, тапшырмалар динамикалуу бөлүштүрүлүшү мүмкүн.

Чектөөсү: координация, макулдашуу жана жалпы ресурстарды башкаруу кыйындашы мүмкүн.

Гибриддик

Гибриддик архитектура жогорку деңгээлдеги supervisor менен жарым-жартылай өз алдынча иштеген адис агенттерди бириктирет. Ошентип, вертикалдык архитектуранын глобалдык башкаруусу менен горизонталдык архитектуранын ийкемдүүлүгүн бирге колдонууга аракет кылынат.

Бул түзүлүш ири корпоративдик иш агымдарында пайдалуу болушу мүмкүн; бирок борборлоштурулган жана бөлүштүрүлгөн архитектуралардын айрым татаалдыктарын чогуу алып келет.

Тартипсиз / бөлүштүрүлгөн кызматташтык

Тартипсиз архитектурада туруктуу иерархия же сүйлөө кезеги жок. Бир нече агент сунуштарын, сын-пикирлерин жана оңдоолорун эркин бөлүшөт.

Бул тартип идеялардын ар түрдүүлүгүн арттырышы мүмкүн; бирок ресурстук кагылышуу, кайталанган аракет, hallucination amplification жана information drift коркунучун да күчөтүшү мүмкүн.

Изилдөө ыкмасы жана жыйынтыктары

LangChain, LangGraph жана CrewAI салыштыруу дизайны

Изилдөөнүн практикалык бөлүгүндө LangChain v0.3.27, LangGraph v1.0.8 жана CrewAI v1.1.0 Python 3.13.7 астында жалпы криптовалюта рыногун талдоо pipelineында колдонулган.

Bitcoinдин тарыхый OHLCV маалыматтары Yahoo Finance аркылуу yfinance 0.2.66 менен алынган.

LLM ишке киргизилерден мурун сандык талдоолор детерминисттик Python куралдары менен эсептелген:

• Prophet 1.3.0 — тренд жана мезгилдүүлүк,
• NLTK VADER 3.9.2 — сөздүккө негизделген sentiment талдоосу,
• Matplotlib 3.10.8,
• Plotly 6.5.2,
• mplfinance 0.12.10b0.

Бул бөлүүнүн максаты сандык натыйжаларга LLMдин стохастикалык текст түзүүсүнүн таасирин алдын алуу. LLM алдын ала эсептелген индикаторлорду баяндамага бириктирүү жана Markdown отчетун түзүү баскычында гана колдонулган.

LangChain ыкмасы

LangChain колдонмосу prompt борборлуу жана негизинен ырааттуу pipeline катары түзүлгөн. Developer маалымат агымын, tool invocation ырааттуулугун жана тапшырма өтүүлөрүн түздөн-түз башкарат.

Бул түзүлүш детерминисттик жана байкалуучу pipelineдар үчүн ыңгайлуу; бирок туруктуу контекст көп кадамга жайылышы керек болгон системаларда state managementти developer кол менен башкарууга туура келиши мүмкүн.

LangGraph ыкмасы

LangGraph түйүндөр ортосунда алып жүрүлүүчү ачык shared state түзүлүшүн колдонот. Ар бир node бир жоопкерчиликти өзүнө алып, stateке жаңыртуу киргизе алат.

Бул архитектура:

• шарттуу бутактануу,
• параллелдүү баалоо,
• state persistence,
• iterative refinement

сыяктуу татаал workflow жүрүм-турумдары үчүн ачыгыраак түзүлүш берет.

Бул маанилер изилдөөдө ишке ашырылган pipelineга гана тиешелүү жана frameworkтун универсалдуу өндүрүмдүүлүк benchmarkы катары чечмеленбеши керек.

CrewAI ыкмасы

CrewAI ролдорго негизделген туруктуу агенттерге таянат. Изилдөөнүн концептуалдык диаграммасында Market Analyst, Sentiment Analyst жана Reporter ролдору көрсөтүлгөн. Бирок булак чыныгы эксперименттик CrewAI ишке ашыруусунда эки агент instantiate кылынганын; айрым аналитикалык компоненттер өз алдынча агент эмес, internal module катары колдонулганын өзгөчө белгилейт.

LangChain, LangGraph жана CrewAI ортосундагы негизги архитектуралык айырма эмнеде?

Булакта LangChain негизинен developer башкарган ырааттуу pipeline түзүлүшүн, LangGraph туруктуу жалпы state жана graph негизиндеги оркестрацияны, CrewAI болсо адистешкен ролдорго жана тапшырма бөлүштүрүүгө негизделген multi-agent кызматташтыгын билдирет. Изилдөөнүн максаты бул үч ыкманы бирдиктүү “эң мыкты framework” рейтингине коюу эмес, ар башка оркестрация философияларынын reasoning continuity, state visibility, coordination complexity жана developer controlго таасирин көрсөтүү.

Framework салыштыруусунан чыккан негизги тыянак

Маалымат булактары, аналитикалык эсептөөлөр жана колдонулган LLM өзгөрүүсүз сакталганда, байкалган негизги айырмачылыктар моделдин интеллектине караганда оркестрация жана state-management архитектурасынан келип чыккан. Булактын баасына ылайык, framework архитектурасы factual consistency, reasoning continuity, өзгөрмө рынок шарттарына ыңгайлашуу жана түзүлгөн чыгаруулардың жалпы ишенимдүүлүгүнө таасир этиши мүмкүн.

Ошондуктан framework тандоо “кайсы курал популярдуураак?” деген суроого гана эмес, колдонмонун:

• туруктуу state талабы,
• бутактануу жана кайра циклге кирүү муктаждыгы,
• агенттер аралык координация деңгээли,
• developer control муктаждыгы,
• traceability күтүүсү,
• узак тапшырманын узактыгы

сыяктуу архитектуралык талаптарына негизделиши керек.

Чыныгы дүйнөдөгү колдонуу тармактары

Сереп agentic AIнын колдонулушун саламаттык сактоо, шаардык башкаруу, бизнес жана каржы, өндүрүш жана киберкоопсуздук сыяктуу тармактарда карайт.

Саламаттык сактоо

Саламаттык сактоо колдонмолорунда agentic түзүлүштөр бейтаптарды көзөмөлдөө, клиникалык чечимдерди колдоо, дары-дармекти башкаруу, улгайган адамдарды кароону колдоо жана маалыматтарды интеграциялоо сыяктуу тапшырмаларда каралат. Бирок бейтаптын коопсуздугу, түшүндүрмөлүүлүк, көзөмөлдөнүүчүлүк жана мыйзамдардан улам борбордук көзөмөл же гибриддик координация маанилүү болот.

Шаардык башкаруу

Шаардык башкарууда транспорт, турак жай, бюджеттөө, экологиялык мониторинг жана коомдук кызматтарда бөлүштүрүлгөн агенттер жалпы саясаттык максаттар үчүн иштей ала турган гибриддик моделдер каралат. Бул жерде техникалык өндүрүмдүүлүк менен катар ачык-айкындык, процедуралык адилеттүүлүк жана адамдык көзөмөл да өтө маанилүү деп эсептелет.

Каржы

Каржы тармагында агенттер рынокту талдоодо, тобокелдикти башкарууда, алдамчылыкты аныктоодо, портфелди талдоодо жана trading workflowлорунда колдонулат. Сереп адабиятта билдирилген ар кандай колдонмо натыйжаларын берет; бирок бул өндүрүмдүүлүк маанилеринин маанилүү бөлүгү макаланын өзүнүн көзөмөлдөнгөн экспериментинен эмес, каралган тышкы изилдөөлөрдөн алынган.

Өндүрүш

Өндүрүштө agentic AI катуу автоматташтыруу логикасын мультимодалдык кабылдоо, мүчүлүштүктөрдү диагностикалоо, санарип эгиз, узак мөөнөттүү пландоо жана автоматтык жакшыртуу циклдери менен кеңейтүү потенциалы жагынан талкууланат.

Киберкоопсуздук

Киберкоопсуздукта көптөгөн адис агенттер тармак трафигин көзөмөлдөө, коркунучтарды талдоо, тобокелдикти баалоо жана response тапшырмаларын параллелдүү аткара алышат. Бирок куралдарга көбүрөөк жетүү жана inter-agent communication ошол эле учурда чабуул аянтын кеңейтет.

Agentic AIнын негизги коркунучтары кайсылар?

Сереп автономия өскөн сайын пайдалары гана эмес, системалык коркунучтар да көбөйөрүн өзгөчө баса белгилейт. Булакта каралган негизги көйгөйлөрдүн топтору төмөнкүлөр:

1. Агенттин жүрүм-турумунун белгисиздиги жана алдын ала айтууга болбошу.
2. Эс тутум, tool use жана agent communication себептүү кеңейген чабуул аянты.
3. Чачыранды маалыматтар, эски системалар жана төмөн interoperability себептүү баштан-аяк автономиянын кыйындашы.
4. Жабык цикл жана self-healing мүмкүнчүлүктөрүн коопсуз колдоонун мүмкүн болбошу.
5. Probabilistic LLM reasoning менен детерминисттик коопсуздук жана жөнгө салуу талаптарынын ортосундагы карама-каршылык.
6. Trust, accountability жана этикалык governance боштуктары.
7. Bias жана misaligned objective себептүү адилетсиз натыйжалардын кеңейиши.
8. Стандарттуу agentic AI benchmark жана валидация frameworkтарынын жетишсиздиги.
9. Узак-horizon жана көп агенттүү reasoningдеги масштабдуулук көйгөйлөрү.

Reasoning drift деген эмне?

Reasoning drift узакка созулган же көп агентти камтыган иш агымдарында алгачкы баскычтагы майда катанын кийинки reasoning кадамдарында кайра колдонулуп, улам чоңоюшун билдирет. Узун context чынжырлары, аралык чыгаруулар жана агенттер аралык маалымат өткөрүү көбөйгөн сайын мындай ката топтолуп, системанын акыркы чечиминде чоң шайкешсиздиктерге айланышы мүмкүн.

Агенттердин санын көбөйтүү дайыма жакшыбы?

Жок. Макаланын системалык көз карашына ылайык, көбүрөөк агент адистешүү жана параллелдүү аткаруу артыкчылыгын бере алат, бирок communication overhead, state synchronization, conflict resolution, redundant action жана error propagation чыгымдарын да көбөйтөт. Көп агенттүү архитектура координация түзүлүшү колдонмонун талаптарына шайкеш келгенде гана артыкчылык берет.

Эмне үчүн адамдык көзөмөл дагы эле зарыл?

Булактын баасына ылайык, саламаттык сактоо, каржы, мамлекеттик башкаруу жана башка таасири жогору тармактарда agentic автономия түшүндүрмөлүүлүк, коопсуздук жана жоопкерчилик механизмдерисиз жетишсиз. Human-in-the-loop ыкмасы, айрыкча probabilistic reasoning мыйзамдык же коопсуздук чектери менен кагылышы мүмкүн болгон учурларда маанилүү көзөмөл катмары катары каралат.

Изилдөө колдогон пункттар

• Agentic жүрүм-турум система деңгээлиндеги архитектуралык дизайндан келип чыгат.
• Кабылдоо, reasoning, action, memory жана learning негизги функциялар болуп саналат.
• Жалгыз жана көп агенттүү архитектуралардын координациялык артыкчылыктары менен коркунучтары ар башка.
• LangChain, LangGraph жана CrewAI ар кандай оркестрация парадигмаларын билдирет.
• Shared persistent state узак workflowлордо reasoning үзгүлтүксүздүгүн колдой алат.
• Ролго негизделген көп агенттүү ыкма тапшырма адистешүүсүн жеңилдете алат.
• Автономия өскөн сайын коопсуздук, auditability жана governance маанилүүрөөк болот.

Изилдөө колдобогон пункттар

• Бир agentic framework бардык тапшырмаларда эң жакшы экени көрсөтүлгөн эмес.
• LangChain, LangGraph жана CrewAI салыштыруусун бардык колдонуу тармактарына жалпылоого болбойт.
• Колдонмолордогу бардык өндүрүмдүүлүк пайыздары бул изилдөөнүн өз эксперименттик натыйжалары эмес; маанилүү бөлүгү каралган адабияттан алынган.
• Agentic AI адамдык көзөмөлсүз коопсуз экени далилденген эмес.
• Көбүрөөк агент автоматтык түрдө жогору тактык берери көрсөтүлгөн эмес.
• Agentic AI үчүн универсалдуу жана стандартташтырылган текшерүү системасы азырынча жок.

Келечектеги изилдөө багыттары

Булак келечектеги agentic AI дизайны жогорку автономияны гана максат кылбашы керектигин баса белгилейт. Маанилүү изилдөө темаларынын арасында:

• formal verification менен LLM reasoning интеграциясы,
• текшерилүүчү reasoning traceтер,
• verifiable memory,
• policy-constrained planning,
• эс тутумдун ырааттуулугу,
• reasoning drift көзөмөлү,
• агенттердин чоң популяцияларын координациялоо,
• adversarial manipulationга туруктуулук,
• human-in-the-loop governance

бар.

Бул перспективада agentic AIнын ийгилиги “канчалык автономдуу?” деген суроо менен гана өлчөнбөшү керек. Чыныгы дүйнөдө ишенимдүү жайылтуу автономиянын ачык-айкындык, текшерилүүчүлүк, адамдык көзөмөл, коопсуздук жана этикалык башкаруу менен канчалык тең салмакталганына байланыштуу.

Булак жана ыкма тууралуу эскертүү

Түпнуска аталышы: Agentic AI: A Perspective on Architecture, Frameworks and Applications

Авторлор: Priyadarshini Raghavendra; Manob Jyoti Saikia.

Жооптуу автор: Manob Jyoti Saikia.

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

Журнал: AI.

Том / сан / макала: 2026, 7(6), 219.

DOI: 10.3390/ai7060219

Басма: MDPI.

Жарыяланган күнү: 14 Июнь 2026.

Булактын түрү: Review; адабият сереби көзөмөлдөнгөн framework колдонмолорун салыштыруу менен коштолгон.

Лицензия: Creative Commons Attribution (CC BY).

Адабият ыкмасы: ACM Digital Library, IEEE Xplore, ScienceDirect, SpringerLink жана Google Scholar аркылуу негизинен 2023–2025-жылдардагы адабият изделген. Алгачкы 75 жазуунун 68и abstract текшерүүсүнө, 60ы акыркы толук тексттик талдоого киргизилген.

Framework эксперимент бөлүмү: LangChain v0.3.27, LangGraph v1.0.8 жана CrewAI v1.1.0 Python 3.13.7 астында жалпы Bitcoin рыногун талдоо тапшырмасында салыштырылган. Каржылык эсептөөлөр LLMден тышкары детерминисттик куралдар менен аткарылып, LLM баяндоочу синтезге бөлүнгөн.

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

Этика кеңеши: Колдонулбайт.

Маалымдалган макулдук: Колдонулбайт.

Маалыматтардын жеткиликтүүлүгү: Булак “No new data were created or analyzed in this study” деген билдирүүнү берет. Framework салыштыруусунда учурдагы рынок маалыматтары жана программалык куралдар колдонулган; ошондуктан бул сөз жаңы түпнуска маалымат топтому түзүлгөн эмес деп окулушу керек.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Негизги чектөөлөр: Agentic AI тармагы өтө тез өзгөрөт; proprietary жана жарыялана элек системалар серептин алкагынан тышкары калышы мүмкүн. Framework салыштыруусу LangChain, LangGraph жана CrewAIды бир гана cryptocurrency market analysis тапшырмасында карайт. Салыштыруу универсалдуу өндүрүмдүүлүк рейтинги эмес.

Визуалдык эскертүү: Булактагы жашоо цикли, архитектуралык классификация, ReAct, BDI жана multi-agent coordination формалары так көчүрүлбөшү керек. Verianla үчүн ошол эле илимий мамилелер жаңы түйүн жайгашуусу, жаңы иконография, жаңы типографиялык иерархия жана өз алдынча визуалдык композиция менен башынан кайра түзүлүшү керек.