Agentic AI ni dhana pana zaidi ya akili bandia ambayo haimaanishi tu modeli kubwa ya lugha kutoa majibu ya maswali, bali pia ajenti mmoja au zaidi wa AI kufanya kazi kuelekea malengo ya muda mrefu kwa kutumia mifumo ya utambuzi, utoaji wa hoja, upangaji, kumbukumbu, matumizi ya zana, vitendo na uratibu. Katika utafiti huu, AI agent inafafanuliwa kuwa kitengo binafsi cha ukokotoaji kinachotambua mazingira yake, kutathmini taarifa zilizopo na kuchukua hatua ili kufikia malengo yaliyowekwa; huku agentic AI system ikifafanuliwa kuwa mfumo kamili unaowaunganisha maajenti hao na vipengele vya kumbukumbu, upangaji, matumizi ya zana na uratibu.

Tathmini inaangazia maandiko ya sasa ya agentic AI ya kipindi cha 2023–2025; iliingiza tafiti 60 kati ya rekodi 75 za awali katika uchanganuzi wa mwisho na kuchunguza sifa za ajenti, vipengele vya msingi, madaraja ya usanifu, mifumo ya uratibu wa ajenti mmoja na maajenti wengi, pamoja na maeneo ya matumizi kama vile huduma za afya, fedha, usimamizi wa miji, uzalishaji na usalama wa mtandao. Katika sehemu ya vitendo ya utafiti, LangChain, LangGraph na CrewAI zililinganishwa ndani ya kazi ileile ya uchanganuzi wa soko la Bitcoin; data na viashiria vilikokotolewa kideterministi nje ya LLM, na tofauti za orchestration, state management, memory na agent coordination za framework zilichanganuliwa.

Ujumbe mkuu wa makala ni kwamba tabia ya agentic haitokani na ukubwa wa modeli pekee. Uhuru unaodumu kwa muda mrefu na unaoweza kujirekebisha unategemea kubuni kwa pamoja usanifu sahihi, usimamizi endelevu wa hali, kumbukumbu, upangaji, ufikiaji wa zana, uratibu na mifumo ya mrejesho. Wakati huohuo, uhuru zaidi hupanua eneo la mashambulizi na kuongeza pia matatizo ya kuenea kwa makosa, kutolingana kwa kumbukumbu, gharama ya uratibu, uelezekaji na uwajibikaji.

Agentic AI ni nini?

Agentic AI ni dhana ya akili bandia katika kiwango cha mfumo inayouwezesha mfumo kufanya zaidi ya kutoa tokeo moja kwa ingizo moja: kufuatilia malengo, kutambua mabadiliko katika mazingira, kuunda mpango, kuita zana, kutathmini matokeo, kutumia kumbukumbu yake na, inapohitajika, kupanga upya hatua zinazofuata. Kwa mujibu wa makala, agency si sifa ya ndani ya modeli moja; ni sifa ya mfumo inayotokana na muundo wa pamoja wa moduli za utoaji wa hoja, kumbukumbu, sera za udhibiti, zana, mazingira na usimamizi wa binadamu.

Tofauti hii ni muhimu kwa sababu LLM yenye nguvu peke yake si mfumo kamili wa agentic. LLM inaweza kuwa mojawapo ya “injini za utoaji wa hoja” za mfumo; hata hivyo, bila kumbukumbu endelevu, ufuatiliaji wa hali, matumizi ya zana za nje au uratibu kati ya kazi, uwezo wa mfumo kufuatilia malengo ya muda mrefu unaweza kuwa mdogo.

Tofauti kati ya AI agent, agentic AI system na Agentic AI

Mbinu ya tathmini

Tathmini ya maandiko ya utafiti ilifanywa katika kanzidata za ACM Digital Library, IEEE Xplore, ScienceDirect, SpringerLink na Google Scholar. Istilahi za utafutaji zilizotumiwa zilijumuisha “agentic AI”, “multi-agent systems”, “autonomous agents”, “agent frameworks” na “applications of agentic AI”.

Kipindi kikuu cha utafutaji ni 2023–2025. Machapisho ya msingi ya awali pia yaliongezwa kwa uteuzi ili kufafanua usanifu wa kihistoria na maendeleo ya dhana ya ajenti.

Tathmini inaangazia maswali manne makuu ya utafiti: vipengele vya msingi vya mifumo ya Agentic AI ni vipi, ni aina gani za maajenti zinazounda framework, ni miundo gani ya usanifu inayotumiwa, na mifumo ya agentic inatekelezwaje katika nyanja mbalimbali?

Vipengele vya msingi vya mfumo wa Agentic AI ni vipi?

Chanzo kinaeleza mzunguko wa maisha wa agentic AI kupitia majukumu matano ya msingi: utambuzi, ubongo/utoaji wa hoja, kitendo, kumbukumbu na ujifunzaji. Ingizo la mtumiaji hutambuliwa kwanza, kisha mfumo hutathmini taarifa na kupanga, hutekeleza kitendo, huandika uzoefu kwenye kumbukumbu na kujifunza kutokana na mrejesho ili kujiandaa kwa mzunguko unaofuata.

1. Utambuzi — Perception

Moduli ya utambuzi ndiyo sehemu ya mawasiliano ya mfumo na ulimwengu wa nje. Inapokea miingizo ya aina nyingi kama vile maandishi, picha au jibu la API na kuibadilisha kuwa uwakilishi unaoweza kutumiwa na moduli ya utoaji wa hoja.

Katika utambuzi unaotegemea maandishi, tatizo kuu si kutambua maneno pekee; ni kufasiri kwa usahihi utata, maana iliyofichika na muktadha. Ikiwa ingizo litaeleweka vibaya, mlolongo unaofuata wa upangaji na vitendo unaweza pia kuendelea kwa msingi usio sahihi.

Kwa upande wa picha, makala inachunguza mikabala miwili ya msingi. Mkabala wa kwanza ni kubadilisha picha kwanza kuwa maelezo ya maandishi. Njia hii inaweza kuwa na ufanisi wa kikokotoaji, lakini inaweza kupoteza maelezo madogo ya picha. Mkabala wa pili ni multimodal fusion inayounganisha moja kwa moja tokeo la visual encoder na nafasi ya embedding ya LLM.

2. Utoaji wa hoja na upangaji — Brain

Kipengele cha “brain” cha mfumo wa agentic hutekeleza majukumu ya kutoa hitimisho kutoka katika taarifa zilizopo, kutathmini chaguo, kugawanya kazi changamano kuwa kazi ndogo na kuamua kitendo kinachofuata.

Makala inachunguza mikakati mbalimbali ya reasoning katika muktadha huu:

• Chain of Thought (CoT): hatua za kati za utoaji wa hoja kwa mstari,
• Tree of Thought (ToT): kuchunguza njia kadhaa mbadala za utoaji wa hoja,
• Graph of Thought (GoT): kuunganisha nodi za reasoning zinazohusiana katika muundo wa grafu.

Upangaji wa agentic si lazima uwe tuli. Mfumo unapochunguza matokeo ya kitendo, unaweza kutathmini tena mpango wake uliopo na kuubadilisha kulingana na hali mpya.

3. Kitendo — Action

Moduli ya kitendo hubadilisha lengo la kiwango cha juu kuwa operesheni zinazoweza kutekelezwa. Ajenti inaweza kuita API, kanzidata, injini ya utafutaji, kitekelezaji cha msimbo au zana nyingine ya programu.

Moja ya tofauti muhimu kati ya mfumo wa agentic na modeli ya kawaida ya mazungumzo ni hii: badala ya kueleza kwa maandishi tu “nini kifanyike”, inaweza kutekeleza sehemu ya kazi kwa kutumia zana zilizoidhinishwa.

Makala pia inabainisha kwamba kuunganisha Robotic Process Automation na reasoning inayotegemea LLM kunaweza kutumika katika maeneo kama vile kuingiliana na kiolesura cha mtumiaji, kuingiza data na kuendesha kiotomatiki michakato ya programu yenye mfuatano.

4. Kumbukumbu — Memory

Kumbukumbu huwezesha mfumo wa agentic kutumia katika maamuzi ya baadaye si prompt ya sasa pekee, bali pia kazi za awali, uzoefu na michakato iliyojifunzwa.

Katika kazi za muda mrefu, kumbukumbu endelevu huwa muhimu sana kwa mwendelezo wa reasoning. Hata hivyo, kumbukumbu kuendelea kurudisha taarifa zisizo sahihi au zilizopitwa na wakati kwenye mfumo kunaweza pia kusababisha kuenea kwa makosa.

5. Ujifunzaji — Learn

Tathmini inachunguza mifumo kama zero-shot, few-shot na in-context learning katika uwezo wa mifumo ya agentic kujirekebisha kulingana na hali mpya.

Zero-shot learning humaanisha modeli kujibu kazi ambayo haikuiona wazi wakati wa mafunzo kwa kutumia maarifa yake ya kisemantiki yaliyopo; few-shot learning humaanisha kujirekebisha kwa kazi mpya kupitia mifano michache; na in-context learning humaanisha kutoa muundo wa kazi kutokana na mifano iliyomo kwenye prompt bila kubadilisha vigezo vya modeli.

Aina za ajenti zinaainishwaje?

Tathmini inasisitiza kwamba uainishaji wa kawaida wa maajenti bado hutumika kama msingi wa kitabia katika mifumo ya kisasa ya agentic inayotumia LLM. Dhana za ajenti za kiitikio, zinazotegemea lengo, zinazotegemea manufaa na zinazojifunza zinaendelea kuwepo kwa namna mbalimbali katika usanifu wa kisasa.

Tofauti kuu kati ya usanifu wa ajenti mmoja na maajenti wengi ni ipi?

Usanifu wa ajenti mmoja hukusanya reasoning, upangaji na kitendo cha kazi ndani ya ajenti moja, ilhali usanifu wa maajenti wengi hugawanya tatizo hilohilo miongoni mwa maajenti wataalamu wenye majukumu tofauti. Muundo wa maajenti wengi unaweza kuwezesha kazi sambamba na utaalamu; hata hivyo, huleta matatizo mapya ya mfumo kama gharama ya mawasiliano, makosa ya uratibu, kuhama kwa taarifa na mgawanyo wa wajibu.

Usanifu wa ReAct

Katika mkabala wa Reason + Act, ajenti hurudia mzunguko ufuatao:

Ingizo → Uchunguzi → Utoaji wa hoja / Mpango → Kitendo → Mwingiliano na zana → Uchunguzi mpya → Utoaji wa hoja upya

Muundo huu ni imara kwa sababu ya urahisi wake na uwezekano wa kutumika kwa vitendo. Hata hivyo, katika kazi zilizo na matatizo mengi madogo yanayohusiana, mzunguko mmoja unaweza kuwa kikwazo. Mfumo ukirudia muundo uleule wa reasoning, hitilafu zinazofanana na deadlock zinaweza kutokea.

Usanifu tambuzi wa BDI

Modeli ya Belief–Desire–Intention (BDI) hutenganisha hali tatu kuu za utambuzi:

• Beliefs: maarifa ya sasa ya ajenti kuhusu ulimwengu,
• Desires: malengo yanayowezekana kufikiwa,
• Intentions: malengo ambayo ajenti imeamua kuyatekeleza kwa kweli.

Ajenti huchunguza mazingira, husasisha hali ya beliefs, huchagua intentions kutoka miongoni mwa desires na kisha kutekeleza vitendo vinavyoelekezwa kwenye nia hizo. Kwa mujibu wa makala, BDI ni muhimu hasa katika mifumo ambayo uelezekaji wa njia ya uamuzi, mwendelezo wa lengo na udhibitikaji ni muhimu.

Usanifu wa uratibu wa maajenti wengi ni upi?

Makala inachunguza mifumo ya maajenti wengi hasa kulingana na namna ya uratibu na utawala. Usanifu wima, mlalo, mseto na usio wa kawaida/uliosambazwa hutoa mizani tofauti ya udhibiti, unyumbufu na uwezo wa kupanuka.

Wima — Vertical / Hierarchical

Supervising agent huunda mpango wa kiwango cha juu, hugawa kazi kwa maajenti wa ngazi ya chini, hufuatilia mchakato na kupanga upya inapohitajika.

Faida: mmiliki wa kazi, udhibiti na ulinganifu na lengo viko wazi.

Kizuizi: supervising agent inaweza kuwa kikwazo na sehemu moja ya hitilafu.

Mlalo — Horizontal

Maajenti huwa katika kiwango kimoja cha kihierarkia na huwasiliana moja kwa moja kwa ajili ya lengo la pamoja. Supervisor mmoja wa kati si lazima.

Faida: inaweza kustahimili zaidi hitilafu ya sehemu moja na kazi zinaweza kugawanywa kidinamiki.

Kizuizi: uratibu, makubaliano na usimamizi wa rasilimali za pamoja vinaweza kuwa vigumu.

Mseto

Usanifu mseto huunganisha supervisor wa kiwango cha juu na maajenti wataalamu wanaofanya kazi kwa uhuru wa kiasi. Kwa njia hii, inalenga kutumia pamoja udhibiti wa jumla wa usanifu wima na unyumbufu wa usanifu mlalo.

Muundo huu unaweza kuwa muhimu katika mitiririko mikubwa ya kazi ya mashirika; hata hivyo, huleta pamoja baadhi ya uchangamano wa usanifu uliowekwa katikati na uliosambazwa.

Ushirikiano usio wa kawaida / uliosambazwa

Katika usanifu usio wa kawaida, hakuna hierarkia thabiti wala zamu ya kuzungumza. Maajenti kadhaa hushiriki mapendekezo, ukosoaji na marekebisho kwa uhuru.

Mpangilio huu unaweza kuongeza utofauti wa mawazo; lakini unaweza pia kuongeza hatari ya mgongano wa rasilimali, vitendo vinavyorudiwa, hallucination amplification na information drift.

Mbinu na matokeo ya utafiti

Muundo wa kulinganisha LangChain, LangGraph na CrewAI

Katika sehemu ya vitendo ya utafiti, LangChain v0.3.27, LangGraph v1.0.8 na CrewAI v1.1.0 zilitumiwa chini ya Python 3.13.7 katika pipeline ya pamoja ya uchanganuzi wa soko la sarafu za kidijitali.

Data ya kihistoria ya OHLCV ya Bitcoin ilipatikana kutoka Yahoo Finance kupitia yfinance 0.2.66.

Kabla ya LLM kuendeshwa, uchanganuzi wa namba ulikokotolewa kwa zana za Python za kideterministi:

• Prophet 1.3.0 — mwenendo na msimu,
• NLTK VADER 3.9.2 — uchanganuzi wa sentiment unaotegemea kamusi,
• Matplotlib 3.10.8,
• Plotly 6.5.2,
• mplfinance 0.12.10b0.

Lengo la utenganishaji huu ni kuzuia uundaji wa maandishi wa kistokastiki wa LLM kuathiri matokeo ya namba. LLM ilitumiwa tu katika hatua ya kuunganisha viashiria vilivyokokotolewa mapema kuwa simulizi na kuunda ripoti ya Markdown.

Mkabala wa LangChain

Programu ya LangChain iliundwa ikiwa inalenga prompt na hasa kama pipeline yenye mfuatano. Developer hudhibiti moja kwa moja mtiririko wa data, mfuatano wa tool invocation na mabadiliko kati ya kazi.

Muundo huu unafaa kwa pipeline za kideterministi na zinazoonekana; hata hivyo, katika mifumo ambayo muktadha endelevu unahitaji kuenea katika hatua nyingi, developer anaweza kuhitaji kudhibiti state management kwa mkono.

Mkabala wa LangGraph

LangGraph hutumia muundo wazi wa shared state unaobebwa kati ya nodi. Kila node inaweza kuchukua jukumu moja na kufanya sasisho katika state.

Usanifu huu hutoa muundo ulio wazi zaidi kwa tabia changamano za workflow kama vile:

• matawi yenye masharti,
• tathmini sambamba,
• state persistence,
• iterative refinement

.

Thamani hizi zinahusu tu pipeline iliyotekelezwa katika utafiti na hazipaswi kufasiriwa kama benchmark ya jumla ya utendaji wa framework.

Mkabala wa CrewAI

CrewAI hutegemea maajenti endelevu wanaotegemea majukumu. Katika mchoro wa dhana wa utafiti, majukumu ya Market Analyst, Sentiment Analyst na Reporter yanaonyeshwa. Hata hivyo, chanzo kinasisitiza hasa kwamba maajenti wawili waliwekwa katika utekelezaji halisi wa majaribio wa CrewAI; baadhi ya vipengele vya uchanganuzi vilitumiwa kama internal module, si kama ajenti huru.

Tofauti kuu ya usanifu kati ya LangChain, LangGraph na CrewAI ni ipi?

Katika chanzo, LangChain inawakilisha hasa muundo wa pipeline wenye mfuatano unaodhibitiwa na developer, LangGraph inawakilisha state endelevu ya pamoja na uratibu unaotegemea graph, huku CrewAI ikiwakilisha ushirikiano wa multi-agent unaotegemea majukumu ya kitaalamu na ugawaji wa kazi. Lengo la utafiti si kuziweka njia hizi tatu katika orodha moja ya “framework bora zaidi”, bali kuonyesha athari za falsafa tofauti za uratibu kwa reasoning continuity, state visibility, coordination complexity na developer control.

Hitimisho kuu lililotokana na ulinganisho wa framework

Vyanzo vya data, hesabu za uchanganuzi na LLM iliyotumiwa vilipowekwa bila kubadilika, tofauti kuu zilizoonekana zilitokana zaidi na usanifu wa uratibu na state-management kuliko akili ya modeli. Kwa mujibu wa tathmini ya chanzo, usanifu wa framework unaweza kuathiri factual consistency, reasoning continuity, uwezo wa kujirekebisha kwa hali za soko zinazobadilika na uaminifu wa jumla wa matokeo yaliyotolewa.

Kwa hiyo, uchaguzi wa framework haupaswi kutegemea tu swali “ni zana ipi maarufu zaidi?”, bali mahitaji ya usanifu wa programu kama vile:

• hitaji la state endelevu,
• hitaji la matawi na kurudia mzunguko,
• kiwango cha uratibu kati ya maajenti,
• hitaji la developer control,
• matarajio ya traceability,
• muda mrefu wa kazi

.

Maeneo ya matumizi katika ulimwengu halisi

Tathmini inachunguza matumizi ya agentic AI katika maeneo kama huduma za afya, usimamizi wa miji, biashara na fedha, uzalishaji na usalama wa mtandao.

Huduma za afya

Katika programu za afya, miundo ya agentic inachunguzwa katika kazi kama ufuatiliaji wa wagonjwa, usaidizi wa maamuzi ya kitabibu, usimamizi wa dawa, usaidizi wa utunzaji wa wazee na uunganishaji wa data. Hata hivyo, usimamizi wa kati au uratibu mseto ni muhimu kwa sababu za usalama wa mgonjwa, uelezekaji, ufuatilikaji na sheria.

Usimamizi wa miji

Katika usimamizi wa miji, modeli mseto zinachunguzwa ambapo maajenti waliosambazwa katika usafiri, makazi, upangaji wa bajeti, ufuatiliaji wa mazingira na huduma za umma wanaweza kufanya kazi kuelekea malengo ya pamoja ya sera. Hapa, uwazi, haki ya kiutaratibu na usimamizi wa binadamu pia huchukuliwa kuwa muhimu sana pamoja na utendaji wa kiufundi.

Fedha

Katika fedha, maajenti hutumiwa katika uchanganuzi wa soko, usimamizi wa hatari, ugunduzi wa udanganyifu, uchanganuzi wa jalada na trading workflow. Tathmini inatoa matokeo mbalimbali ya matumizi yaliyoripotiwa katika maandiko; hata hivyo, sehemu muhimu ya thamani hizi za utendaji imetokana na tafiti za nje zilizopitiwa, si jaribio la utafiti huu mwenyewe lililodhibitiwa.

Uzalishaji

Katika uzalishaji, agentic AI inajadiliwa kwa uwezo wake wa kupanua mantiki thabiti ya uendeshaji kiotomatiki kwa utambuzi wa aina nyingi, utambuzi wa hitilafu, pacha wa kidijitali, upangaji wa muda mrefu na mizunguko ya uboreshaji wa kiotomatiki.

Usalama wa mtandao

Katika usalama wa mtandao, maajenti wengi wataalamu wanaweza kufuatilia trafiki ya mtandao, kuchanganua vitisho, kutathmini hatari na kutekeleza kazi za response kwa wakati mmoja. Hata hivyo, ufikiaji zaidi wa zana na inter-agent communication hupanua pia eneo la mashambulizi.

Hatari kuu za Agentic AI ni zipi?

Tathmini inasisitiza kwamba kadiri uhuru unavyoongezeka, si manufaa tu yanayoongezeka, bali pia hatari za mfumo. Makundi makuu ya matatizo yaliyochunguzwa katika chanzo ni haya:

1. Kutokuwa na uhakika na kutotabirika kwa tabia ya ajenti.
2. Eneo la mashambulizi lililopanuka kutokana na memory, tool use na agent communication.
3. Ugumu wa uhuru wa mwanzo hadi mwisho kutokana na data iliyotawanyika, mifumo ya zamani na interoperability ya chini.
4. Kutoweza kusaidia kwa usalama mzunguko funge na uwezo wa self-healing.
5. Mgongano kati ya probabilistic LLM reasoning na mahitaji ya kideterministi ya usalama na udhibiti.
6. Mapengo katika trust, accountability na governance ya kimaadili.
7. Kupanuka kwa matokeo yasiyo ya haki kutokana na bias na misaligned objective.
8. Upungufu wa benchmark sanifu za agentic AI na framework za uthibitishaji.
9. Matatizo ya uwezo wa kupanuka katika reasoning ya long-horizon na ya maajenti wengi.

Reasoning drift ni nini?

Reasoning drift humaanisha kosa dogo katika hatua ya awali kutumiwa tena katika hatua zinazofuata za reasoning katika mitiririko ya kazi ya muda mrefu au inayohusisha maajenti wengi, na hivyo kuendelea kukua. Kadiri minyororo mirefu ya context, matokeo ya kati na uhamishaji wa taarifa kati ya maajenti unavyoongezeka, mkusanyiko huo wa makosa unaweza kugeuka kuwa kutolingana kukubwa katika uamuzi wa mwisho wa mfumo.

Je, kuongeza idadi ya maajenti ni bora kila wakati?

Hapana. Kwa mtazamo wa mfumo wa makala, maajenti zaidi yanaweza kutoa faida ya utaalamu na utekelezaji sambamba, lakini pia huongeza gharama za communication overhead, state synchronization, conflict resolution, redundant action na error propagation. Usanifu wa maajenti wengi hutoa faida tu ikiwa muundo wa uratibu unalingana na mahitaji ya programu.

Kwa nini usimamizi wa binadamu bado ni muhimu?

Kwa mujibu wa tathmini ya chanzo, katika huduma za afya, fedha, utawala wa umma na nyanja nyingine zenye athari kubwa, uhuru wa agentic hautoshi bila mifumo ya uelezekaji, usalama na uwajibikaji. Mkabala wa Human-in-the-loop unaonekana kuwa safu muhimu ya udhibiti, hasa katika hali ambapo probabilistic reasoning inaweza kugongana na mipaka ya kisheria au kiusalama.

Mambo yanayoungwa mkono na utafiti

• Tabia ya agentic hutokana na muundo wa usanifu katika kiwango cha mfumo.
• Perception, reasoning, action, memory na learning ni majukumu ya msingi.
• Usanifu wa ajenti mmoja na maajenti wengi una faida na hatari tofauti za uratibu.
• LangChain, LangGraph na CrewAI zinawakilisha dhana tofauti za uratibu.
• Shared persistent state inaweza kusaidia mwendelezo wa reasoning katika workflow za muda mrefu.
• Mkabala wa maajenti wengi unaotegemea majukumu unaweza kurahisisha utaalamu wa kazi.
• Kadiri uhuru unavyoongezeka, usalama, auditability na governance huwa muhimu zaidi.

Mambo yasiyoungwa mkono na utafiti

• Haijaonyeshwa kwamba agentic framework moja ndiyo bora zaidi katika kazi zote.
• Ulinganisho wa LangChain, LangGraph na CrewAI hauwezi kujumlishwa kwa maeneo yote ya matumizi.
• Asilimia zote za utendaji katika programu si matokeo ya jaribio la utafiti huu; sehemu muhimu imetokana na maandiko yaliyopitiwa.
• Haijathibitishwa kwamba Agentic AI ni salama bila usimamizi wa binadamu.
• Haijaonyeshwa kwamba maajenti zaidi hutoa moja kwa moja usahihi wa juu zaidi.
• Bado hakuna mfumo wa uthibitishaji wa Agentic AI ulio wa jumla na uliosanifishwa.

Mwelekeo wa utafiti wa baadaye

Chanzo kinasisitiza kwamba muundo wa agentic AI wa baadaye haupaswi kulenga uhuru wa juu pekee. Mada muhimu za utafiti zinajumuisha:

• uunganishaji wa formal verification na LLM reasoning,
• reasoning trace zinazoweza kukaguliwa,
• verifiable memory,
• policy-constrained planning,
• mwendelezo wa kumbukumbu,
• udhibiti wa reasoning drift,
• uratibu wa makundi makubwa ya maajenti,
• ustahimilivu dhidi ya adversarial manipulation,
• human-in-the-loop governance

.

Kwa mtazamo huu, mafanikio ya agentic AI hayapaswi kupimwa tu kwa swali “ina uhuru kwa kiwango gani?”. Utekelezaji wa kuaminika katika ulimwengu halisi unategemea kiwango ambacho uhuru unasawazishwa na uwazi, ukaguzikaji, usimamizi wa binadamu, usalama na utawala wa kimaadili.

Dokezo kuhusu chanzo na mbinu

Kichwa asili: Agentic AI: A Perspective on Architecture, Frameworks and Applications

Waandishi: Priyadarshini Raghavendra; Manob Jyoti Saikia.

Mwandishi wa mawasiliano: Manob Jyoti Saikia.

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

Jarida: AI.

Juzuu / toleo / makala: 2026, 7(6), 219.

DOI: 10.3390/ai7060219

Mchapishaji: MDPI.

Tarehe ya kuchapishwa: 14 Juni 2026.

Aina ya chanzo: Review; tathmini ya maandiko ikiambatana na ulinganisho unaodhibitiwa wa matumizi ya framework.

Leseni: Creative Commons Attribution (CC BY).

Mbinu ya maandiko: Maandiko hasa ya 2023–2025 yalitafutwa kupitia ACM Digital Library, IEEE Xplore, ScienceDirect, SpringerLink na Google Scholar. Kati ya rekodi 75 za awali, 68 ziliingizwa katika uchunguzi wa abstract na 60 katika uchanganuzi wa mwisho wa maandishi kamili.

Sehemu ya jaribio la framework: LangChain v0.3.27, LangGraph v1.0.8 na CrewAI v1.1.0 zililinganishwa chini ya Python 3.13.7 katika kazi ya pamoja ya uchanganuzi wa soko la Bitcoin. Hesabu za kifedha zilifanywa nje ya LLM kwa zana za kideterministi, na LLM ilitengwa kwa usanisi wa simulizi.

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

Bodi ya maadili: Haitumiki.

Ridhaa iliyoarifiwa: Haitumiki.

Upatikanaji wa data: Chanzo kinatoa tamko “No new data were created or analyzed in this study”. Data iliyopo ya soko na zana za programu zilitumiwa katika ulinganisho wa framework; kwa hiyo, kauli hii inapaswa kueleweka kwamba seti mpya ya data asilia haikuundwa.

Mgongano wa maslahi: Waandishi walitangaza kwamba hawana mgongano wa maslahi.

Vizuizi vikuu: Nyanja ya Agentic AI inabadilika kwa kasi sana; mifumo proprietary na ambayo bado haijachapishwa inaweza kubaki nje ya upeo wa tathmini. Ulinganisho wa framework unachunguza LangChain, LangGraph na CrewAI pekee katika kazi moja ya cryptocurrency market analysis. Ulinganisho huu si orodha ya jumla ya utendaji.

Dokezo la kuona: Mzunguko wa maisha, uainishaji wa usanifu, ReAct, BDI na mifumo ya multi-agent coordination katika chanzo haipaswi kunakiliwa moja kwa moja. Kwa Verianla, mahusiano hayohayo ya kisayansi yanapaswa kujengwa upya kutoka mwanzo kwa mpangilio mpya wa nodi, ikonografia mpya, hierarkia mpya ya taipografia na utunzi huru wa kuona.