Agentic AI faqat katta til modelining savol-javob yaratishini emas, balki bir yoki bir nechta AI agentining idrok etish, mulohaza yuritish, rejalashtirish, xotira, vositalardan foydalanish, harakat va orkestratsiya mexanizmlari bilan uzoq muddatli maqsadlar yoʻlida ishlashini ifodalovchi kengroq sunʼiy intellekt paradigmasidir. Ushbu tadqiqotda AI agent atrof-muhitini idrok etadigan, mavjud maʼlumotni baholaydigan va belgilangan maqsadlarga erishish uchun harakat qiladigan individual hisoblash subyekti; agentic AI system esa bu agentlarni xotira, rejalashtirish, vositalardan foydalanish va orkestratsiya komponentlari bilan birlashtiradigan yaxlit tizim sifatida taʼriflanadi.

Sharh 2023–2025 davridagi dolzarb agentic AI adabiyotiga eʼtibor qaratadi; 75 ta dastlabki yozuvdan 60 ta tadqiqotni yakuniy tahlilga kiritib, agent xususiyatlari, asosiy komponentlar, arxitektura sinflari, yakka va koʻp agentli muvofiqlashtirish shakllari hamda sogʻliqni saqlash, moliya, shahar boshqaruvi, ishlab chiqarish va kiberxavfsizlik kabi qoʻllanish sohalarini oʻrganadi. Tadqiqotning amaliy qismida LangChain, LangGraph va CrewAI bir xil Bitcoin bozori tahlili vazifasi doirasida taqqoslangan; maʼlumotlar va indikatorlar LLMdan tashqarida deterministik tarzda hisoblangan, frameworklarning orchestration, state management, memory va agent coordination farqlari tahlil qilingan.

Maqolaning asosiy xabari shuki, agentic xatti-harakat faqat model kattaligidan kelib chiqmaydi. Uzoq ufqli va moslashuvchan avtonomlik toʻgʻri arxitektura, doimiy holat boshqaruvi, xotira, rejalashtirish, vositalarga kirish, muvofiqlashtirish va teskari aloqa mexanizmlarini birgalikda loyihalashga bogʻliq. Shu bilan birga, koʻproq avtonomlik hujum yuzasini kengaytiradi, xatolarning tarqalishi, xotira nomuvofiqligi, muvofiqlashtirish xarajati, izohlanuvchanlik va hisobdorlik muammolarini ham kuchaytiradi.

Agentic AI nima?

Agentic AI — sunʼiy intellekt tizimiga bitta kirishga bitta chiqish berishdan koʻra koʻproq ishni bajarish, maqsadlarni kuzatish, atrofdagi oʻzgarishlarni idrok etish, reja tuzish, vositalarni chaqirish, natijalarni baholash, xotirasidan foydalanish va zarur boʻlganda keyingi qadamlarini qayta tashkil etish imkonini beruvchi tizim darajasidagi sunʼiy intellekt paradigmasidir. Maqolaga koʻra, agency bitta modelning ichki xususiyati emas; mulohaza modullari, xotira, boshqaruv siyosatlari, vositalar, muhit va inson nazoratining birgalikdagi dizaynidan paydo boʻladigan tizim xususiyatidir.

Bu farq muhim, chunki kuchli LLMning oʻzi toʻliq agentic tizim emas. LLM tizimning “mulohaza yuritish dvigatellari”dan biri boʻlishi mumkin; biroq doimiy xotira, holatni kuzatish, tashqi vositalardan foydalanish yoki vazifalararo muvofiqlashtirish boʻlmasa, tizimning uzoq muddatli maqsadlarni kuzatishi cheklangan boʻlishi mumkin.

AI agent, agentic AI system va Agentic AI oʻrtasidagi farq

Sharhning usuli

Tadqiqotning adabiyot sharhi ACM Digital Library, IEEE Xplore, ScienceDirect, SpringerLink va Google Scholar bazalarida oʻtkazilgan. Qoʻllangan qidiruv atamalari orasida “agentic AI”, “multi-agent systems”, “autonomous agents”, “agent frameworks” va “applications of agentic AI” bor.

Asosiy qidiruv davri 2023–2025. Tarixiy arxitekturalar va agent tushunchasining rivojini tushuntirish uchun avvalgi asosiy nashrlar ham tanlab qoʻshilgan.

Sharh toʻrtta asosiy tadqiqot savoliga eʼtibor qaratadi: Agentic AI tizimlarining yadro komponentlari nimalar, qanday agent turlari frameworkni tashkil qiladi, qanday arxitektura tuzilmalari qoʻllanadi va agentic tizimlar turli sohalarda qanday tatbiq etiladi?

Agentic AI tizimining asosiy komponentlari nimalar?

Manba agentic AI hayot siklini beshta asosiy funksiya atrofida tushuntiradi: idrok etish, miya/mulohaza, harakat, xotira va oʻrganish. Foydalanuvchi kiritmasi avval idrok qilinadi, soʻng tizim maʼlumotni baholaydi va rejalashtiradi, harakatni bajaradi, tajribani xotiraga yozadi va teskari aloqadan oʻrganib, keyingi siklga tayyorlanadi.

1. Idrok etish — Perception

Idrok etish moduli tizimning tashqi dunyo bilan aloqa nuqtasidir. Matn, tasvir yoki API javobi kabi multimodal kirishlarni qabul qilib, mulohaza modulidan foydalanish mumkin boʻlgan ifoda shakliga aylantiradi.

Matnga asoslangan idrokda asosiy muammo faqat soʻzlarni tanish emas; noaniqlik, yashirin maʼno va kontekstni toʻgʻri talqin qilishdir. Kirish notoʻgʻri tushunilsa, keyingi rejalashtirish va harakat zanjiri ham notoʻgʻri poydevorda davom etishi mumkin.

Tasvir tomonida maqola ikki asosiy yondashuvni koʻrib chiqadi. Birinchi yondashuv tasvirni avval matnli tavsifga aylantirishdir. Bu usul hisoblash jihatidan samarali boʻlishi mumkin, ammo tasvirdagi nozik tafsilotlarni yoʻqotishi mumkin. Ikkinchi yondashuv vizual encoder chiqishini LLM embedding fazosi bilan toʻgʻridan-toʻgʻri birlashtiruvchi multimodal fusion yondashuvidir.

2. Mulohaza va rejalashtirish — Brain

Agentic tizimning “brain” komponenti mavjud maʼlumotlardan xulosa chiqarish, variantlarni baholash, murakkab vazifani kichik vazifalarga ajratish va keyingi harakatni belgilash funksiyalarini bajaradi.

Maqola shu kontekstda turli reasoning strategiyalarini koʻrib chiqadi:

• Chain of Thought (CoT): chiziqli oraliq mulohaza qadamlari,
• Tree of Thought (ToT): bir nechta muqobil mulohaza yoʻlini oʻrganish,
• Graph of Thought (GoT): oʻzaro bogʻliq reasoning tugunlarini grafik tuzilmada bogʻlash.

Agentic rejalashtirish statik boʻlishi shart emas. Tizim harakat natijasini kuzatgani sari mavjud rejasini qayta baholashi va yangi sharoitlarga mos oʻzgartirishi mumkin.

3. Harakat — Action

Harakat moduli yuqori darajadagi maqsadni bajariladigan operatsiyalarga aylantiradi. Agent API, maʼlumotlar bazasi, qidiruv tizimi, kod bajaruvchi yoki boshqa dasturiy vositani chaqirishi mumkin.

Agentic tizimning klassik suhbat modelidan muhim farqlaridan biri shudir: u faqat “nima qilish kerakligini” matn bilan aytish oʻrniga, ruxsat etilgan vositalar yordamida vazifaning bir qismini bajarishi mumkin.

Maqola shuningdek, Robotic Process Automationni LLMga asoslangan reasoning bilan birlashtirish foydalanuvchi interfeysi bilan oʻzaro aloqa, maʼlumot kiritish va ketma-ket dasturiy jarayonlarni avtomatlashtirish kabi sohalarda qoʻllanishi mumkinligini qayd etadi.

4. Xotira — Memory

Xotira agentic tizimga nafaqat joriy promptni, balki oldingi vazifalar, tajribalar va oʻrganilgan jarayonlarni keyingi qarorlarda qoʻllash imkonini beradi.

Uzoq muddatli vazifalarda doimiy xotira reasoning uzluksizligi uchun juda muhim boʻladi. Ammo xotiraning notoʻgʻri yoki eskirgan maʼlumotni tizimga doimiy qayta olib kirishi ham xatolar tarqalishiga sabab boʻlishi mumkin.

5. Oʻrganish — Learn

Sharh agentic tizimlarning yangi vaziyatlarga moslashuvida zero-shot, few-shot va in-context learning kabi mexanizmlarni koʻrib chiqadi.

Zero-shot learning modelning oʻqitishda ochiq koʻrmagan vazifasiga mavjud semantik bilimidan foydalanib javob berishini; few-shot learning oz sonli misol orqali yangi vazifaga moslashishini; in-context learning esa model parametrlarini oʻzgartirmasdan promptdagi misollardan vazifa tuzilishini chiqarishini anglatadi.

Agent turlari qanday tasniflanadi?

Sharh klassik agent tasniflari zamonaviy LLM agentic tizimlarida hamon xulqiy poydevor boʻlib xizmat qilishini taʼkidlaydi. Refleks, maqsadga asoslangan, foydalilikka asoslangan va oʻrganuvchi agent tushunchalari zamonaviy arxitekturalarda turli shakllarda yashashda davom etadi.

Yakka agentli va koʻp agentli arxitekturalar oʻrtasidagi asosiy farq nima?

Yakka agentli arxitekturalar vazifa boʻyicha reasoning, rejalashtirish va harakatni bitta agent ichida jamlasa, koʻp agentli arxitekturalar shu muammoni turli rollarga ega mutaxassis agentlar oʻrtasida taqsimlaydi. Koʻp agentli tuzilma parallel ishlash va ixtisoslashuvni taʼminlashi mumkin; ammo aloqa xarajati, muvofiqlashtirish xatolari, maʼlumot siljishi va masʼuliyat taqsimoti kabi yangi tizim muammolarini keltirib chiqaradi.

ReAct arxitekturasi

Reason + Act yondashuvida agent quyidagi siklni takrorlaydi:

Kirish → Kuzatuv → Mulohaza / Reja → Harakat → Vosita bilan oʻzaro aloqa → Yangi kuzatuv → Qayta mulohaza

Bu tuzilma sodda va amalda qoʻllash mumkinligi tufayli kuchli. Biroq oʻzaro bogʻliq koʻplab kichik muammolarni oʻz ichiga olgan vazifalarda bitta sikl cheklovchi boʻlishi mumkin. Tizim ayni reasoning qolipiga qayta-qayta qaytsa, deadlockga oʻxshash muvaffaqiyatsizliklar kuzatilishi mumkin.

BDI kognitiv arxitekturasi

Belief–Desire–Intention (BDI) modeli uchta asosiy kognitiv holatni ajratadi:

• Beliefs: agentning dunyo haqidagi joriy bilimi,
• Desires: erishish mumkin boʻlgan ehtimoliy maqsadlar,
• Intentions: agent haqiqatda amalga oshirishga qaror qilgan maqsadlar.

Agent muhitni kuzatadi, beliefs holatini yangilaydi, desires orasidan intentionsni tanlaydi va keyin shu niyatlarga qaratilgan harakatlarni bajaradi. Maqolaga koʻra, BDI ayniqsa qaror yoʻlining izohlanuvchanligi, maqsad izchilligi va nazorat qilinishi muhim boʻlgan tizimlarda foydalidir.

Koʻp agentli muvofiqlashtirish arxitekturalari nimalar?

Maqola koʻp agentli tizimlarni asosan muvofiqlashtirish va boshqaruv shakliga koʻra koʻrib chiqadi. Vertikal, gorizontal, gibrid va tartibsiz/taqsimlangan hamkorlik arxitekturalari turli boshqaruv, moslashuvchanlik va kengayuvchanlik muvozanatlarini taklif etadi.

Vertikal — Vertical / Hierarchical

Supervising agent yuqori darajadagi rejani yaratadi, vazifalarni quyi agentlarga taqsimlaydi, jarayonni kuzatadi va zarur boʻlganda qayta rejalashtiradi.

Afzallik: vazifa egasi, nazorat va maqsadga moslashuv aniq.

Cheklov: supervising agent boʻgʻin va yagona nosozlik nuqtasiga aylanishi mumkin.

Gorizontal — Horizontal

Agentlar bir xil iyerarxik darajada boʻlib, umumiy maqsad uchun bevosita muloqot qiladi. Bitta markaziy supervisor shart emas.

Afzallik: yagona nuqtadagi nosozlikka chidamliroq boʻlishi va vazifalar dinamik taqsimlanishi mumkin.

Cheklov: muvofiqlashtirish, kelishuv va umumiy resurslarni boshqarish qiyinlashishi mumkin.

Gibrid

Gibrid arxitektura yuqori darajadagi supervisor bilan yarim mustaqil ishlaydigan mutaxassis agentlarni birlashtiradi. Shu tariqa vertikal arxitekturaning global boshqaruvi va gorizontal arxitekturaning moslashuvchanligi birgalikda qoʻllanishiga intilinadi.

Bu tuzilma yirik korporativ ish oqimlarida foydali boʻlishi mumkin; ammo markazlashgan va taqsimlangan arxitekturalarning ayrim murakkabliklarini birga olib keladi.

Tartibsiz / taqsimlangan hamkorlik

Tartibsiz arxitekturada qatʼiy iyerarxiya yoki gapirish navbati yoʻq. Bir nechta agent taklif, tanqid va tuzatishlarni erkin ulashadi.

Bu tartib gʻoyalar xilma-xilligini oshirishi mumkin; ammo resurslar toʻqnashuvi, takroriy amallar, hallucination amplification va information drift xavfini ham kuchaytirishi mumkin.

Tadqiqot usuli va natijalari

LangChain, LangGraph va CrewAI taqqoslash dizayni

Tadqiqotning amaliy qismida LangChain v0.3.27, LangGraph v1.0.8 va CrewAI v1.1.0 Python 3.13.7 ostida umumiy kriptovalyuta bozori tahlili pipelineida qoʻllangan.

Bitcoinning tarixiy OHLCV maʼlumotlari Yahoo Finance orqali yfinance 0.2.66 bilan olingan.

LLM ishga tushishidan oldin sonli tahlillar deterministik Python vositalari bilan hisoblangan:

• Prophet 1.3.0 — trend va mavsumiylik,
• NLTK VADER 3.9.2 — lugʻatga asoslangan sentiment tahlili,
• Matplotlib 3.10.8,
• Plotly 6.5.2,
• mplfinance 0.12.10b0.

Bu ajratishning maqsadi sonli natijalarga LLMning stoxastik matn yaratishi taʼsir qilishining oldini olishdir. LLM faqat oldindan hisoblangan indikatorlarni bayonga birlashtirish va Markdown hisobotini yaratish bosqichida ishlatilgan.

LangChain yondashuvi

LangChain ilovasi prompt markazli va asosan ketma-ket pipeline sifatida tuzilgan. Developer maʼlumot oqimi, tool invocation ketma-ketligi va vazifa oʻtishlarini bevosita boshqaradi.

Bu tuzilma deterministik va kuzatiladigan pipelinelar uchun qulay; biroq doimiy kontekst koʻp qadamlarga yoyilishi kerak boʻlgan tizimlarda state managementni developer qoʻlda boshqarishi kerak boʻlishi mumkin.

LangGraph yondashuvi

LangGraph tugunlar oʻrtasida olib yuriladigan ochiq shared state tuzilmasidan foydalanadi. Har bir node bitta masʼuliyatni oʻz zimmasiga olishi va stateda yangilanish kiritishi mumkin.

Bu arxitektura:

• shartli tarmoqlanish,
• parallel baholash,
• state persistence,
• iterativ refinement

kabi murakkab workflow xatti-harakatlari uchun ochiqroq tuzilma beradi.

Bu qiymatlar faqat tadqiqotda amalga oshirilgan pipelinega tegishli boʻlib, frameworkning universal unumdorlik benchmarki sifatida talqin qilinmasligi kerak.

CrewAI yondashuvi

CrewAI rollarga asoslangan doimiy agentlarga tayanadi. Tadqiqotning konseptual diagrammasida Market Analyst, Sentiment Analyst va Reporter rollari koʻrsatiladi. Ammo manba ayniqsa haqiqiy eksperimental CrewAI implementatsiyasida ikki agent instantiate qilinganini; ayrim analitik komponentlar mustaqil agent emas, internal module sifatida qoʻllanganini taʼkidlaydi.

LangChain, LangGraph va CrewAI oʻrtasidagi asosiy arxitektura farqi nima?

Manbada LangChain asosan developer boshqaradigan ketma-ket pipeline tuzilmasini, LangGraph doimiy umumiy state va graph asosidagi orkestratsiyani, CrewAI esa mutaxassis rollari va vazifa taqsimotiga asoslangan multi-agent hamkorligini ifodalaydi. Tadqiqot maqsadi bu uch yondashuvni yagona “eng yaxshi framework” reytingiga qoʻyish emas, balki turli orkestratsiya falsafalarining reasoning continuity, state visibility, coordination complexity va developer controlga taʼsirini koʻrsatishdir.

Framework taqqoslashidan chiqarilgan asosiy xulosa

Maʼlumot manbalari, analitik hisoblar va qoʻllangan LLM oʻzgarmas saqlanganda kuzatilgan asosiy farqlar model intellektidan koʻra orkestratsiya va state-management arxitekturasidan kelib chiqqan. Manba bahosiga koʻra, framework arxitekturasi factual consistency, reasoning continuity, oʻzgaruvchan bozor sharoitlariga moslashish va yaratilgan chiqishlarning umumiy ishonchliligiga taʼsir qilishi mumkin.

Shuning uchun framework tanlovi faqat “qaysi vosita mashhurroq?” savoliga emas, ilovaning:

• doimiy state talabi,
• tarmoqlanish va qayta sikl ehtiyoji,
• agentlararo muvofiqlashtirish darajasi,
• developer control ehtiyoji,
• traceability kutilmasi,
• uzoq vazifa davomiyligi

kabi arxitektura talablariga asoslanishi kerak.

Haqiqiy dunyodagi qoʻllanish sohalari

Sharh agentic AIdan foydalanishni sogʻliqni saqlash, shahar boshqaruvi, biznes va moliya, ishlab chiqarish hamda kiberxavfsizlik kabi sohalarda oʻrganadi.

Sogʻliqni saqlash

Sogʻliqni saqlash ilovalarida agentic tuzilmalar bemorlarni kuzatish, klinik qarorlarni qoʻllab-quvvatlash, dori boshqaruvi, keksalar parvarishini qoʻllab-quvvatlash va maʼlumotlar integratsiyasi kabi vazifalarda koʻrib chiqiladi. Biroq bemor xavfsizligi, izohlanuvchanlik, kuzatuvchanlik va qonunchilik sababli markaziy nazorat yoki gibrid muvofiqlashtirish muhim ahamiyat kasb etadi.

Shahar boshqaruvi

Shahar boshqaruvida transport, uy-joy, budjetlashtirish, ekologik monitoring va jamoat xizmatlarida taqsimlangan agentlar umumiy siyosat maqsadlari yoʻlida ishlashi mumkin boʻlgan gibrid modellar koʻrib chiqiladi. Bu yerda texnik unumdorlik qatori shaffoflik, protseduraviy adolat va inson nazorati ham juda muhim deb qaraladi.

Moliya

Moliya sohasida agentlar bozor tahlili, risk boshqaruvi, firibgarlikni aniqlash, portfel tahlili va trading workflowlarida qoʻllanadi. Sharh adabiyotda bildirilgan turli qoʻllanish natijalarini keltiradi; biroq bu unumdorlik qiymatlarining muhim qismi maqolaning oʻz nazoratli tajribasidan emas, koʻrib chiqilgan tashqi tadqiqotlardan olingan.

Ishlab chiqarish

Ishlab chiqarishda agentic AI qatʼiy avtomatlashtirish mantigʻini multimodal idrok, xatolar diagnostikasi, raqamli egizak, uzoq muddatli rejalashtirish va avtomatik takomillashtirish sikllari bilan kengaytirish salohiyati nuqtayi nazaridan muhokama qilinadi.

Kiberxavfsizlik

Kiberxavfsizlikda koʻplab mutaxassis agentlar tarmoq trafigini kuzatish, tahdidlarni tahlil qilish, riskni baholash va response vazifalarini parallel bajarishi mumkin. Biroq koʻproq vositalarga kirish va inter-agent communication bir vaqtning oʻzida hujum yuzasini ham kengaytiradi.

Agentic AIning asosiy xavflari nimalar?

Sharh avtonomlik oshgani sari nafaqat foyda, balki tizim xavflari ham ortishini alohida taʼkidlaydi. Manbada koʻrib chiqilgan asosiy muammo guruhlari quyidagilar:

1. Agent xatti-harakatining noaniqligi va oldindan aytib boʻlmasligi.
2. Xotira, tool use va agent communication sababli kengaygan hujum yuzasi.
3. Tarqoq maʼlumotlar, eski tizimlar va past interoperability sababli uchdan uchgacha avtonomlikning qiyinlashishi.
4. Yopiq sikl va self-healing imkoniyatlarini xavfsiz qoʻllab boʻlmasligi.
5. Probabilistic LLM reasoning bilan deterministik xavfsizlik va tartibga solish talablari oʻrtasidagi ziddiyat.
6. Trust, accountability va etik governance boʻshliqlari.
7. Bias va misaligned objective tufayli adolatsiz natijalarning kengayishi.
8. Standart agentic AI benchmark va validatsiya frameworklarining yetishmasligi.
9. Uzoq-horizon va koʻp agentli reasoningda kengayuvchanlik muammolari.

Reasoning drift nima?

Reasoning drift uzoq davom etadigan yoki koʻp agentni oʻz ichiga olgan ish oqimlarida dastlabki bosqichdagi kichik xatoning keyingi reasoning qadamlarida qayta qoʻllanib, tobora kattalashishini anglatadi. Uzun context zanjirlari, oraliq chiqishlar va agentlararo maʼlumot uzatish ortgani sari bunday xato yigʻilishi tizimning yakuniy qarorida katta nomuvofiqliklarga aylanishi mumkin.

Agentlar sonini oshirish har doim yaxshimi?

Yoʻq. Maqolaning tizim nuqtayi nazariga koʻra, koʻproq agent ixtisoslashuv va parallel bajarish afzalligini berishi mumkin, biroq communication overhead, state synchronization, conflict resolution, redundant action va error propagation xarajatlarini ham oshiradi. Koʻp agentli arxitektura faqat muvofiqlashtirish tuzilmasi ilova talablariga mos boʻlsa afzallik beradi.

Inson nazorati nega hali ham zarur?

Manba bahosiga koʻra, sogʻliqni saqlash, moliya, davlat boshqaruvi va boshqa yuqori taʼsirli sohalarda agentic avtonomlik izohlanuvchanlik, xavfsizlik va hisobdorlik mexanizmlarisiz yetarli emas. Human-in-the-loop yondashuvi, ayniqsa probabilistic reasoning qonunchilik yoki xavfsizlik chegaralari bilan toʻqnashishi mumkin boʻlgan holatlarda muhim nazorat qatlami sifatida koʻriladi.

Tadqiqot qoʻllab-quvvatlaydigan jihatlar

• Agentic xatti-harakat tizim darajasidagi arxitektura dizaynidan kelib chiqadi.
• Idrok, reasoning, action, memory va learning asosiy funksiyalardir.
• Yakka va koʻp agentli arxitekturalar turli muvofiqlashtirish afzalliklari va xavflariga ega.
• LangChain, LangGraph va CrewAI turli orkestratsiya paradigmalarini ifodalaydi.
• Shared persistent state uzun workflowlarda reasoning uzluksizligini qoʻllab-quvvatlashi mumkin.
• Rollarga asoslangan koʻp agentli yondashuv vazifa ixtisoslashuvini osonlashtirishi mumkin.
• Avtonomlik oshgani sari xavfsizlik, auditability va governance muhimroq boʻladi.

Tadqiqot qoʻllab-quvvatlamaydigan jihatlar

• Bitta agentic framework barcha vazifalarda eng yaxshi ekani koʻrsatilmagan.
• LangChain, LangGraph va CrewAI taqqoslashini barcha qoʻllanish sohalariga umumlashtirib boʻlmaydi.
• Ilovalardagi barcha unumdorlik foizlari ushbu tadqiqotning oʻz tajriba natijasi emas; muhim qismi koʻrib chiqilgan adabiyotdan olingan.
• Agentic AI inson nazoratisiz xavfsiz ekani isbotlanmagan.
• Koʻproq agent avtomatik ravishda yuqoriroq aniqlik berishi koʻrsatilmagan.
• Agentic AI uchun universal va standartlashtirilgan tasdiqlash tizimi hali mavjud emas.

Kelgusi tadqiqot yoʻnalishlari

Manba kelajakdagi agentic AI dizayni faqat yuqori avtonomlikni maqsad qilmasligi kerakligini taʼkidlaydi. Muhim tadqiqot mavzulari orasida:

• formal verification bilan LLM reasoning integratsiyasi,
• tekshiriladigan reasoning tracelari,
• verifiable memory,
• policy-constrained planning,
• xotira izchilligi,
• reasoning drift nazorati,
• katta agent populyatsiyalarini muvofiqlashtirish,
• adversarial manipulationga chidamlilik,
• human-in-the-loop governance

mavjud.

Bu istiqbolda agentic AIning muvaffaqiyati faqat “qanchalik avtonom?” savoli bilan oʻlchanmasligi kerak. Ishonchli haqiqiy dunyo joriy etilishi avtonomlikning shaffoflik, tekshiriluvchanlik, inson nazorati, xavfsizlik va etik boshqaruv bilan qay darajada muvozanatlashtirilishiga bogʻliq.

Manba va usul izohi

Asl sarlavha: Agentic AI: A Perspective on Architecture, Frameworks and Applications

Mualliflar: Priyadarshini Raghavendra; Manob Jyoti Saikia.

Masʼul muallif: Manob Jyoti Saikia.

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

Jurnal: AI.

Jild / son / maqola: 2026, 7(6), 219.

DOI: 10.3390/ai7060219

Nashriyot: MDPI.

Nashr sanasi: 14 Iyun 2026.

Manba turi: Review; adabiyot sharhiga nazoratli framework ilovasi taqqoslovi hamrohlik qiladi.

Litsenziya: Creative Commons Attribution (CC BY).

Adabiyot usuli: ACM Digital Library, IEEE Xplore, ScienceDirect, SpringerLink va Google Scholar orqali asosan 2023–2025 adabiyoti qidirilgan. Dastlabki 75 yozuvdan 68 tasi abstract saralashiga, 60 tasi yakuniy toʻliq matn tahliliga kiritilgan.

Framework tajriba boʻlimi: LangChain v0.3.27, LangGraph v1.0.8 va CrewAI v1.1.0 Python 3.13.7 ostida umumiy Bitcoin bozori tahlili vazifasida taqqoslangan. Moliyaviy hisob-kitoblar LLMdan tashqarida deterministik vositalar bilan bajarilgan, LLM bayon sinteziga ajratilgan.

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

Etika kengashi: Qoʻllanilmaydi.

Xabardor qilingan rozilik: Qoʻllanilmaydi.

Maʼlumotlar mavjudligi: Manba “No new data were created or analyzed in this study” bayonotini beradi. Framework taqqoslashida mavjud bozor maʼlumotlari va dasturiy vositalar ishlatilgan; shu sababli bu ifoda yangi original maʼlumotlar toʻplami yaratilmagan deb oʻqilishi kerak.

Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvi yoʻqligini bildirgan.

Asosiy cheklovlar: Agentic AI sohasi nihoyatda tez oʻzgaradi; proprietary va hali nashr etilmagan tizimlar sharh doirasidan tashqarida qolishi mumkin. Framework taqqoslovi faqat LangChain, LangGraph va CrewAIni bitta cryptocurrency market analysis vazifasida oʻrganadi. Taqqoslash universal unumdorlik reytingi emas.

Vizual izoh: Manbadagi hayot sikli, arxitektura tasnifi, ReAct, BDI va multi-agent coordination shakllari aynan koʻchirilmasligi kerak. Verianla uchun ayni ilmiy munosabatlar yangi tugun joylashuvi, yangi ikonografiya, yangi tipografik iyerarxiya va mustaqil vizual kompozitsiya bilan boshidan qayta qurilishi kerak.