# ಅಧ್ಯಾಯ 06 : SLM ಏಜೆಂಟಿಕ್ ವ್ಯವಸ್ಥೆಗಳು: ಸಮಗ್ರ ಅವಲೋಕನ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಭೂದೃಶ್ಯವು ಸರಳ ಚಾಟ್‌ಬಾಟ್‌ಗಳಿಂದ ಸಣ್ಣ ಭಾಷಾ ಮಾದರಿಗಳಿಂದ (SLMs) ಚಾಲಿತ ಸುಧಾರಿತ AI ಏಜೆಂಟ್‌ಗಳತ್ತ ಮೂಲಭೂತ ಪರಿವರ್ತನೆಯನ್ನು ಅನುಭವಿಸುತ್ತಿದೆ. ಈ ಸಮಗ್ರ ಮಾರ್ಗದರ್ಶಿ ಆಧುನಿಕ SLM ಏಜೆಂಟಿಕ್ ವ್ಯವಸ್ಥೆಗಳ ಮೂರು ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ಅನ್ವೇಷಿಸುತ್ತದೆ: ಮೂಲಭೂತ ತತ್ವಗಳು ಮತ್ತು ನಿಯೋಜನೆ ತಂತ್ರಗಳು, ಕಾರ್ಯ ಕರೆ ಮಾಡುವ ಸಾಮರ್ಥ್ಯಗಳು, ಮತ್ತು ಕ್ರಾಂತಿಕಾರಿ ಮಾದರಿ ಸಂದರ್ಭ ಪ್ರೋಟೋಕಾಲ್ (MCP) ಏಕೀಕರಣ.

## [ವಿಭಾಗ 1: AI ಏಜೆಂಟ್‌ಗಳು ಮತ್ತು ಸಣ್ಣ ಭಾಷಾ ಮಾದರಿಗಳ ಮೂಲಭೂತ](./01.IntroduceAgent.md)

ಮೊದಲ ವಿಭಾಗವು AI ಏಜೆಂಟ್‌ಗಳು ಮತ್ತು ಸಣ್ಣ ಭಾಷಾ ಮಾದರಿಗಳ ಮೂಲಭೂತ ಅರ್ಥವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ, 2023 ರ ಚಾಟ್‌ಬಾಟ್ ಯುಗ ಮತ್ತು 2024 ರ ಕೋಪೈಲಟ್ ಬೂಮ್ ನಂತರ 2025 ರನ್ನು AI ಏಜೆಂಟ್‌ಗಳ ವರ್ಷವಾಗಿ ಸ್ಥಾಪಿಸುತ್ತದೆ. ಈ ವಿಭಾಗವು ಕನಿಷ್ಠ ಮಾನವ ಇನ್ಪುಟ್‌ನೊಂದಿಗೆ ಯೋಚಿಸುವ, ತರ್ಕಿಸುವ, ಯೋಜಿಸುವ, ಉಪಕರಣಗಳನ್ನು ಬಳಸುವ ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವ **ಏಜೆಂಟಿಕ್ AI ವ್ಯವಸ್ಥೆಗಳನ್ನು** ಪರಿಚಯಿಸುತ್ತದೆ.

### ಪ್ರಮುಖ ತತ್ವಗಳು:
- **ಏಜೆಂಟ್ ವರ್ಗೀಕರಣ ಚಟುವಟಿಕೆ**: ಸರಳ ಪ್ರತಿಕ್ರಿಯಾತ್ಮಕ ಏಜೆಂಟ್‌ಗಳಿಂದ ಕಲಿಕೆಯ ಏಜೆಂಟ್‌ಗಳವರೆಗೆ, ವಿಭಿನ್ನ ಗಣಕಯಂತ್ರ ಪರಿಸ್ಥಿತಿಗಳಿಗಾಗಿ ಸಮಗ್ರ ವರ್ಗೀಕರಣವನ್ನು ಒದಗಿಸುವುದು
- **SLM ಮೂಲಭೂತಗಳು**: 10 ಬಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳಿಗಿಂತ ಕಡಿಮೆ ಇರುವ ಮತ್ತು ಗ್ರಾಹಕ ಸಾಧನಗಳಲ್ಲಿ ಪ್ರಾಯೋಗಿಕ ನಿರ್ಣಯವನ್ನು ನಡೆಸಬಲ್ಲ ಸಣ್ಣ ಭಾಷಾ ಮಾದರಿಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು
- **ಅತ್ಯಾಧುನಿಕ ಆಪ್ಟಿಮೈಜೆಷನ್ ತಂತ್ರಗಳು**: GGUF ಫಾರ್ಮ್ಯಾಟ್ ನಿಯೋಜನೆ, ಪ್ರಮಾಣೀಕರಣ ತಂತ್ರಗಳು (Q4_K_M, Q5_K_S, Q8_0), ಮತ್ತು Llama.cpp ಮತ್ತು Apple MLX ಮುಂತಾದ ಎಡ್ಜ್-ಆಪ್ಟಿಮೈಸ್‌ಡ್ ಫ್ರೇಮ್ವರ್ಕ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ
- **SLM ಮತ್ತು LLM ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳು**: ಸಾಮಾನ್ಯ ಏಜೆಂಟ್ ಕಾರ್ಯಗಳ 70-80% ಗೆ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಕಾಯ್ದುಕೊಂಡು 10-30× ವೆಚ್ಚ ಕಡಿತವನ್ನು SLM ಗಳೊಂದಿಗೆ ತೋರಿಸುವುದು

ವಿಭಾಗವು Ollama, VLLM, ಮತ್ತು ಮೈಕ್ರೋಸಾಫ್ಟ್ ಎಡ್ಜ್ ಪರಿಹಾರಗಳನ್ನು ಬಳಸಿ ಪ್ರಾಯೋಗಿಕ ನಿಯೋಜನೆ ತಂತ್ರಗಳನ್ನು ಕೊನೆಗೊಳಿಸುತ್ತದೆ, SLM ಗಳನ್ನು ವೆಚ್ಚ-ಕಾರ್ಯಕ್ಷಮ, ಗೌಪ್ಯತೆ-ರಕ್ಷಿಸುವ ಏಜೆಂಟಿಕ್ AI ನಿಯೋಜನೆಯ ಭವಿಷ್ಯವಾಗಿ ಸ್ಥಾಪಿಸುತ್ತದೆ.

## [ವಿಭಾಗ 2: ಸಣ್ಣ ಭಾಷಾ ಮಾದರಿಗಳಲ್ಲಿ ಕಾರ್ಯ ಕರೆ](./02.FunctionCalling.md)

ಎರಡನೇ ವಿಭಾಗವು ಸ್ಥಿರ ಭಾಷಾ ಮಾದರಿಗಳನ್ನು ನೈಜ ಜಗತ್ತಿನ ಸಂವಹನಕ್ಕೆ ಸಾಮರ್ಥ್ಯವಿರುವ ಚಲನೆಯ AI ಏಜೆಂಟ್‌ಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ **ಕಾರ್ಯ ಕರೆ ಸಾಮರ್ಥ್ಯಗಳನ್ನು** ಆಳವಾಗಿ ಪರಿಶೀಲಿಸುತ್ತದೆ. ಈ ತಾಂತ್ರಿಕ ಆಳವೈಖರಿ ಉದ್ದೇಶ ಪತ್ತೆಮಾಡುವಿಕೆಯಿಂದ ಪ್ರತಿಕ್ರಿಯೆ ಏಕೀಕರಣದವರೆಗೆ ಸಂಪೂರ್ಣ ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ಒಳಗೊಂಡಿದೆ.

### ಪ್ರಮುಖ ಅನುಷ್ಠಾನ ಕ್ಷೇತ್ರಗಳು:
- **ವ್ಯವಸ್ಥಿತ ಕಾರ್ಯಪ್ರವಾಹ**: ಉಪಕರಣ ಏಕೀಕರಣ, ಕಾರ್ಯ ವ್ಯಾಖ್ಯಾನ, ಉದ್ದೇಶ ಪತ್ತೆ, JSON ಔಟ್‌ಪುಟ್ ತಯಾರಿಕೆ, ಮತ್ತು ಬಾಹ್ಯ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯನ್ನು ವಿವರವಾಗಿ ಅನ್ವೇಷಿಸುವುದು
- **ವೈದೇಶಿಕ ಅನುಷ್ಠಾನಗಳು**: Ollama ಜೊತೆಗೆ Phi-4-mini, Qwen3 ಕಾರ್ಯ ಕರೆ, ಮತ್ತು Microsoft Foundry Local ಏಕೀಕರಣಗಳ ಸಮಗ್ರ ಮಾರ್ಗದರ್ಶಿಗಳು
- **ಅತ್ಯಾಧುನಿಕ ಉದಾಹರಣೆಗಳು**: ಬಹು-ಏಜೆಂಟ್ ಸಹಕಾರ ವ್ಯವಸ್ಥೆಗಳು, ಚಲನೆಯ ಉಪಕರಣ ಆಯ್ಕೆ, ಮತ್ತು ಸಮಗ್ರ ದೋಷ ನಿರ್ವಹಣೆಯೊಂದಿಗೆ ಉದ್ಯಮ ಏಕೀಕರಣ ಮಾದರಿಗಳು
- **ಉತ್ಪಾದನಾ ಪರಿಗಣನೆಗಳು**: ದರ ನಿಯಂತ್ರಣ, ಆಡಿಟ್ ಲಾಗಿಂಗ್, ಭದ್ರತಾ ಕ್ರಮಗಳು, ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆ ಆಪ್ಟಿಮೈಜೆಷನ್ ತಂತ್ರಗಳು

ಈ ವಿಭಾಗವು ಸಿದ್ಧಾಂತ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಅನುಷ್ಠಾನ ಮಾದರಿಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ, ಸರಳ API ಕರೆಗಳಿಂದ ಸಂಕೀರ್ಣ ಬಹು-ಹಂತ ಉದ್ಯಮ ಕಾರ್ಯಪ್ರವಾಹಗಳವರೆಗೆ ನಿರ್ವಹಿಸಬಹುದಾದ ಬಲವಾದ ಕಾರ್ಯ ಕರೆ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸಲು ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.

## [ವಿಭಾಗ 3: ಮಾದರಿ ಸಂದರ್ಭ ಪ್ರೋಟೋಕಾಲ್ (MCP) ಏಕೀಕರಣ](./03.IntroduceMCP.md)

ಕೊನೆಯ ವಿಭಾಗವು **ಮಾದರಿ ಸಂದರ್ಭ ಪ್ರೋಟೋಕಾಲ್ (MCP)** ಅನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ, ಇದು ಭಾಷಾ ಮಾದರಿಗಳು ಬಾಹ್ಯ ಉಪಕರಣಗಳು ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳೊಂದಿಗೆ ಸಂವಹನ ಮಾಡುವ ವಿಧಾನವನ್ನು ಮಾನಕಗೊಳಿಸುವ ಕ್ರಾಂತಿಕಾರಿ ಫ್ರೇಮ್ವರ್ಕ್. ಈ ವಿಭಾಗವು MCP ಹೇಗೆ AI ಮಾದರಿಗಳು ಮತ್ತು ನೈಜ ಜಗತ್ತಿನ ನಡುವೆ ಚೆನ್ನಾಗಿ ವ್ಯಾಖ್ಯಾನಿತ ಪ್ರೋಟೋಕಾಲ್‌ಗಳ ಮೂಲಕ ಸೇತುವೆ ನಿರ್ಮಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ.

### ಏಕೀಕರಣ ಮುಖ್ಯಾಂಶಗಳು:
- **ಪ್ರೋಟೋಕಾಲ್ ವಾಸ್ತುಶಿಲ್ಪ**: ಅಪ್ಲಿಕೇಶನ್, LLM ಕ್ಲೈಂಟ್, MCP ಕ್ಲೈಂಟ್, ಮತ್ತು ಉಪಕರಣ ಪ್ರಕ್ರಿಯೆ ಪದರಗಳನ್ನು ಒಳಗೊಂಡ ಪದರಬದ್ಧ ವ್ಯವಸ್ಥೆ ವಿನ್ಯಾಸ
- **ಬಹು-ಬ್ಯಾಕೆಂಡ್ ಬೆಂಬಲ**: Ollama (ಸ್ಥಳೀಯ ಅಭಿವೃದ್ಧಿ) ಮತ್ತು vLLM (ಉತ್ಪಾದನೆ) ಬ್ಯಾಕೆಂಡ್‌ಗಳನ್ನು ಬೆಂಬಲಿಸುವ ಲವಚಿಕ ಅನುಷ್ಠಾನ
- **ಸಂಪರ್ಕ ಪ್ರೋಟೋಕಾಲ್‌ಗಳು**: ನೇರ ಪ್ರಕ್ರಿಯೆ ಸಂವಹನಕ್ಕಾಗಿ STDIO ಮೋಡ್ ಮತ್ತು HTTP ಆಧಾರಿತ ಸ್ಟ್ರೀಮಿಂಗ್‌ಗಾಗಿ SSE ಮೋಡ್
- **ನೈಜ ಜಗತ್ತಿನ ಅನ್ವಯಿಕೆಗಳು**: ವೆಬ್ ಸ್ವಯಂಚಾಲನೆ, ಡೇಟಾ ಪ್ರಕ್ರಿಯೆ, ಮತ್ತು API ಏಕೀಕರಣ ಉದಾಹರಣೆಗಳು ಸಮಗ್ರ ದೋಷ ನಿರ್ವಹಣೆಯೊಂದಿಗೆ

MCP ಏಕೀಕರಣವು SLM ಗಳನ್ನು ಬಾಹ್ಯ ಸಾಮರ್ಥ್ಯಗಳೊಂದಿಗೆ ವೃದ್ಧಿಸುವುದನ್ನು ತೋರಿಸುತ್ತದೆ, ಅವರ ಸಣ್ಣ ಪ್ಯಾರಾಮೀಟರ್ ಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚಿಸಿದ ಕಾರ್ಯಕ್ಷಮತೆಯಿಂದ ಪೂರೈಸುತ್ತಾ ಸ್ಥಳೀಯ ನಿಯೋಜನೆ ಮತ್ತು ಸಂಪನ್ಮೂಲ ಕಾರ್ಯಕ್ಷಮತೆಯ ಲಾಭಗಳನ್ನು ಕಾಯ್ದುಕೊಳ್ಳುತ್ತದೆ.

## ತಂತ್ರಜ್ಞಾನಾತ್ಮಕ ಪರಿಣಾಮಗಳು

ಈ ಮೂರು ವಿಭಾಗಗಳು ಒಟ್ಟಾಗಿ SLM ಏಜೆಂಟಿಕ್ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಅನುಷ್ಠಾನಗೊಳಿಸಲು ಸಮಗ್ರ ಚಟುವಟಿಕೆ ಒದಗಿಸುತ್ತವೆ. ಮೂಲಭೂತ ತತ್ವಗಳಿಂದ ಕಾರ್ಯ ಕರೆ ಮತ್ತು MCP ಏಕೀಕರಣದವರೆಗೆ ಈ ಪ್ರಗತಿ ಸ್ಪಷ್ಟ ಮಾರ್ಗವನ್ನು ತೋರಿಸುತ್ತದೆ, ಅಲ್ಲಿ:

- **ಕಾರ್ಯಕ್ಷಮತೆ ಸಾಮರ್ಥ್ಯವನ್ನು** ಸುಧಾರಿತ ಸಣ್ಣ ಮಾದರಿಗಳ ಮೂಲಕ ಹೊಂದಿದೆ
- **ವೆಚ್ಚ-ಕಾರ್ಯಕ್ಷಮತೆ** ವ್ಯಾಪಕ ಸ್ವೀಕಾರಕ್ಕೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ
- **ಮಾನಕಗೊಳಿಸಿದ ಪ್ರೋಟೋಕಾಲ್‌ಗಳು** ಪರಸ್ಪರ ಕಾರ್ಯಸಾಧ್ಯತೆಯನ್ನು ಖಚಿತಪಡಿಸುತ್ತವೆ
- **ಸ್ಥಳೀಯ ನಿಯೋಜನೆ** ಗೌಪ್ಯತೆ ಕಾಯ್ದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ವಿಳಂಬವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ

ಈ ಪ್ರಗತಿ ಕೇವಲ ತಾಂತ್ರಿಕ ಪ್ರಗತಿಯನ್ನು ಮಾತ್ರವಲ್ಲ, ಆದರೆ ಸಂಪನ್ಮೂಲ-ನಿಯಂತ್ರಿತ ಪರಿಸರಗಳಲ್ಲಿ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದಾದ, ಸುಧಾರಿತ ಏಜೆಂಟಿಕ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಒದಗಿಸುವ ಹೆಚ್ಚು ಪ್ರವೇಶযোগ্য, ಕಾರ್ಯಕ್ಷಮ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ AI ವ್ಯವಸ್ಥೆಗಳತ್ತ ಪರಿವರ್ತನೆಯನ್ನೂ ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.

ಅತ್ಯಾಧುನಿಕ ನಿಯೋಜನೆ ತಂತ್ರಗಳು, ಬಲವಾದ ಕಾರ್ಯ ಕರೆ, ಮತ್ತು ಮಾನಕಗೊಳಿಸಿದ ಉಪಕರಣ ಏಕೀಕರಣ ಪ್ರೋಟೋಕಾಲ್‌ಗಳೊಂದಿಗೆ SLM ಗಳ ಸಂಯೋಜನೆ ಈ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಮುಂದಿನ ತಲೆಮಾರಿನ AI ಏಜೆಂಟ್‌ಗಳ ಮೂಲಭೂತವಾಗಿ ಸ್ಥಾಪಿಸುತ್ತದೆ, ಅವು ಕೈಗಾರಿಕೆಗಳು ಮತ್ತು ಅನ್ವಯಿಕೆಗಳಾದ್ಯಂತ ನಾವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಸಂವಹನ ಮಾಡುವ ಮತ್ತು ಲಾಭ ಪಡೆಯುವ ವಿಧಾನವನ್ನು ಪರಿವರ್ತಿಸುವವು.

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ಅಸ್ವೀಕರಣ**:  
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->