Tarkibga o'tish

21 β€” Ko'p bosqichli va ko'p agentli ish

⬅️ Oldingi: 20 β€” MCP β€” Model Context Protocol Β· 🏠 README Β· Keyingi: 22 β€” Xavfsizlik ➑️

Bu bobda: 19-bobda bitta agent qurdik β€” bitta model, bir to'plam vosita, o'z trayektoriyasini o'zi tanlaydigan loop. Endi savol: murakkab vazifani bitta katta agentga bermay, uni bosqichlarga va rollarga bo'lsak-chi? Ko'pincha bu ishonchliroq, kuzatish (debug) osonroq va hatto arzonroq bo'ladi β€” chunki siz qadamlarni kod bilan, deterministik (oldindan aniq) boshqarasiz. Bu bobda beshta workflow naqshini (prompt zanjiri, marshrutlash, parallellashtirish, koordinator-ishchilar, baholovchi-optimizator) JS misollarda o'rganamiz, "ko'p agent" deganda JS kodida aniq nima nazarda tutilishini ko'ramiz (har bir agent β€” bu o'z system prompti va vositalari bo'lgan funksiya), narx/kechikish haqiqatini (14-bobga bog'lab) o'lchaymiz, va Anthropic'ning serverdagi "Managed Agents" mahsulotiga bir jumlada ishora qilamiz. Yakunda koordinator-ishchi tadqiqot quvuri quramiz: koordinator savolni 3 ta kichik savolga bo'ladi β†’ 3 ta parallel ishchi (arzon Haiku) ularni o'rganadi β†’ kuchli Opus bitta manbali javobga jamlaydi. Misollar @anthropic-ai/sdk (v0.104) va AI SDK (v6) bilan.

Nega bitta katta agent har doim eng yaxshi yechim emas

19-bobda agent β€” bu o'z qadamlarini o'zi tanlaydigan model: u fikrlaydi, vosita chaqiradi, natijani kuzatadi, yana fikrlaydi. Bu kuchli, lekin bir nozik joyi bor: butun nazoratni modelga berasiz. Murakkab, ko'p qismli vazifada bitta agent adashishi mumkin β€” bir qadamni unutadi, ortiqcha vosita chaqiradi, yoki yo'lda kontekstni boy beradi. Va nima xato ketganini topish qiyin: hamma narsa bitta uzun loop ichida.

Buni hayotiy holat bilan o'ylab ko'ring. Katta loyihani bitta universal mutaxassisga topshirsangiz β€” u hamma narsani biladi, lekin bir o'zi hamma ishni ketma-ket bajaradi, charchaydi, chalkashadi. Yoki koordinator + bir nechta tor mutaxassis jamoasiga berasiz: koordinator ishni bo'lib beradi, har kim o'z qismini qiladi, koordinator natijalarni yig'adi. Ikkinchisi ko'pincha tez, ishonchli va tekshirish oson.

Dasturlashda ham aynan shunday. Murakkab vazifani bosqichlarga (qadamlarga) yoki rollarga (agentlarga) bo'lib, ularni o'z JS kodingiz bilan ulang. Bu yondashuvning uchta yutug'i:

  • Ishonchlilik. Har bosqich tor va aniq β€” model adashish ehtimoli kamayadi. Bir bosqich xato bersa, faqat o'shanisini qayta ishlatasiz, butun loopni emas.
  • Kuzatuvchanlik (debug). Har bosqichning kirishi va chiqishini alohida ko'rasiz, logga yozasiz, sinaysiz. "Qaysi qadamda nima bo'ldi?" degan savolga aniq javob bor.
  • Narx. Oddiy qadamlarni arzon modelga (Haiku) berasiz, faqat eng murakkab jamlash uchun Opus ishlatasiz. Bitta katta agent hamma narsani qimmat modelda qilardi.

Atama: workflow (ish oqimi) β€” qadamlar kod bilan oldindan belgilangan, deterministik boshqariladigan jarayon. Agent β€” model o'z trayektoriyasini o'zi tanlaydi (19-bob). Farqi: workflow'da siz "avval A, keyin B" deysiz; agentda buni model hal qiladi. Ko'pincha workflow yetarli va undan boshlash kerak.

πŸ”‘ Soddadan boshlang. Eng muhim qoida: eng oddiy ishlaydigan naqshni tanlang. Tartib: bitta chaqiruv β†’ workflow β†’ agent β†’ ko'p agent, faqat zarurat o'lchanganda murakkablikni oshiring. Har bir qo'shimcha agent β€” qo'shimcha token, narx, kechikish va xato nuqtasi.

Beshta workflow naqshi

Mana kod bilan boshqariladigan beshta asosiy naqsh. Har birini alohida JS misolda ko'rib chiqamiz. Hammasi 12-bobdagi generateText/generateObject ga tayanadi β€” har bir "bosqich" oddiy bir chaqiruv.

Beshta workflow naqshi: prompt zanjiri, marshrutlash, parallellashtirish, koordinator-ishchilar, baholovchi-optimizator

1. Prompt zanjiri (prompt chaining) β€” A β†’ B β†’ C

Eng oddiy naqsh: bir chaqiruvning chiqishi keyingisining kirishiga beriladi. Vazifani tabiiy bosqichlarga bo'lasiz va ketma-ket await qilasiz. Masalan, maqola yozish: avval reja tuz β†’ so'ng qoralama yoz β†’ oxirida sayqalla.

import { generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";

async function maqolaYoz(mavzu) {
  // A bosqichi: reja
  const { text: reja } = await generateText({
    model: anthropic("claude-opus-4-8"),
    prompt: `"${mavzu}" mavzusida qisqa maqola uchun 3 banddan iborat reja tuz.`,
  });

  // B bosqichi: rejaga asoslanib qoralama
  const { text: qoralama } = await generateText({
    model: anthropic("claude-opus-4-8"),
    prompt: `Quyidagi reja asosida maqola qoralamasini yoz:\n\n${reja}`,
  });

  // C bosqichi: sayqallash
  const { text: tayyor } = await generateText({
    model: anthropic("claude-opus-4-8"),
    prompt: `Bu qoralamani aniqroq va ravonroq qilib qayta yoz:\n\n${qoralama}`,
  });

  return tayyor;
}

Har bosqich tor vazifani bajaradi, shuning uchun har biri ishonchliroq. Yana bir foyda: oraliq natijalarni (reja, qoralama) ko'rib, qaysi bosqich xato berganini darrov topasiz.

πŸ’‘ Qachon ishlatish. Vazifa tabiiy ravishda ketma-ket bosqichlarga bo'linganda: tarjima β†’ tahrir, ajratish β†’ tekshirish, reja β†’ bajarish. Agar bir bosqich oldingisining natijasiga muhtoj bo'lsa β€” bu prompt zanjiri.

2. Marshrutlash (routing) β€” klassifikator yo'lni tanlaydi

Ba'zan kelayotgan so'rovlar har xil bo'ladi va har biriga boshqacha munosabat kerak. Bu yerda arzon klassifikator chaqiruvi so'rovni toifaga ajratadi, so'ng kod uni to'g'ri yo'lga (prompt/vosita/model) yo'naltiradi. Oddiy holatlarni Haikuga berib, pulni tejaysiz.

import { generateObject, generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";
import { z } from "zod";

async function murojaatniBoshqar(xabar) {
  // 1) Arzon klassifikator: qaysi toifa?
  const { object } = await generateObject({
    model: anthropic("claude-haiku-4-5"), // arzon model β€” vazifa oddiy
    schema: z.object({ toifa: z.enum(["hisob-kitob", "texnik", "umumiy"]) }),
    prompt: `Mijoz murojaatini toifaga ajrat:\n${xabar}`,
  });

  // 2) Toifaga qarab to'g'ri yo'lni tanla
  switch (object.toifa) {
    case "hisob-kitob":
      return generateText({
        model: anthropic("claude-opus-4-8"), // murakkab β€” kuchli model
        system: "Sen to'lov va hisob-kitob bo'yicha mutaxassissan.",
        prompt: xabar,
      });
    case "texnik":
      return generateText({
        model: anthropic("claude-opus-4-8"),
        system: "Sen texnik yordam muhandisisan.",
        prompt: xabar,
      });
    default:
      return generateText({
        model: anthropic("claude-haiku-4-5"), // oddiy savol β€” arzon model yetadi
        system: "Sen do'stona umumiy yordamchisan.",
        prompt: xabar,
      });
  }
}

Klassifikator β€” bitta arzon, tez chaqiruv. U nafaqat promptni (system) tanlaydi, balki modelni ham: oddiy savolga Haiku, murakkabiga Opus. Bu β€” narxni boshqarishning eng amaliy naqshlaridan biri (14-bob).

Atama: klassifikator (classifier) β€” kirishni oldindan belgilangan toifalardan biriga ajratuvchi chaqiruv. Bu yerda u marshrutlash kaliti vazifasini bajaradi. generateObject + z.enum aynan shu uchun ideal (12-bob).

3. Parallellashtirish (parallelization) β€” Promise.all

Agar bir nechta chaqiruv bir-biriga bog'liq bo'lmasa (biri ikkinchisining natijasini kutmasa), ularni ketma-ket emas, bir vaqtda ishlatish kerak. JS'da bu β€” Promise.all. Masalan, 5 ta hujjatni yoki bitta matnga 3 ta mustaqil tahlilni bir paytda olasiz, keyin jamlaysiz.

import { generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";

async function hujjatlarniXulosala(hujjatlar) {
  // Har bir hujjat mustaqil β€” hammasini BIR VAQTDA yuboramiz
  const xulosalar = await Promise.all(
    hujjatlar.map((hujjat) =>
      generateText({
        model: anthropic("claude-haiku-4-5"),
        prompt: `Bu hujjatni bir jumlada xulosala:\n\n${hujjat}`,
      }).then((r) => r.text)
    )
  );

  return xulosalar; // 5 ta xulosa β€” lekin 1 ta chaqiruv vaqtida keldi
}

Asosiy yutuq β€” kechikish (latency). 5 ta hujjatni ketma-ket qilsangiz, vaqt 5Γ— ko'p. Promise.all bilan hammasi parallel ketadi, shuning uchun umumiy vaqt deyarli eng sekin bittasinikiga teng β€” ya'ni ~5Γ— tezroq.

Parallellashtirish: 5 ta mustaqil chaqiruv Promise.all bilan bir vaqtda, ketma-ket bilan solishtirganda 5x tezroq

πŸ’‘ Qachon parallel? Faqat chaqiruvlar bir-biriga bog'liq bo'lmaganda. Agar B chaqiruvi A ning natijasini talab qilsa β€” bu prompt zanjiri (ketma-ket), parallel emas. "Bir nechta narsani alohida-alohida qil" β†’ parallel; "avval buni, keyin uni" β†’ zanjir.

4. Koordinator-ishchilar (orchestrator-workers)

Bu β€” eng kuchli naqsh va bu bobning asosiy quroli. Bitta koordinator (orchestrator) chaqiruvi vazifani kichik vazifalarga bo'ladi, har biri uchun ishchi (worker) chaqiruvini ishga tushiradi (ko'pincha parallel), so'ng ularning natijalarini bitta javobga jamlaydi. Masalan, tadqiqot vazifasi: koordinator savolni 3 yo'nalishga ajratadi β†’ har bir yo'nalishni alohida ishchi o'rganadi β†’ koordinator hisobotni yozadi.

import { generateObject, generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";
import { z } from "zod";

async function tadqiqotQuvuri(savol) {
  // 1) KOORDINATOR: savolni kichik savollarga bo'ladi
  const { object } = await generateObject({
    model: anthropic("claude-opus-4-8"),
    schema: z.object({ kichikSavollar: z.array(z.string()).length(3) }),
    prompt: `Bu savolni o'rganish uchun 3 ta mustaqil kichik savolga bo'l:\n${savol}`,
  });

  // 2) ISHCHILAR: har bir kichik savolni PARALLEL o'rganadi (arzon model)
  const topilmalar = await Promise.all(
    object.kichikSavollar.map((ks) =>
      generateText({
        model: anthropic("claude-haiku-4-5"), // ishchilar β€” arzon
        prompt: `Quyidagi savolga qisqa, faktik javob ber:\n${ks}`,
      }).then((r) => r.text)
    )
  );

  // 3) KOORDINATOR: topilmalarni bitta javobga jamlaydi (kuchli model)
  const { text } = await generateText({
    model: anthropic("claude-opus-4-8"),
    prompt:
      `Asosiy savol: ${savol}\n\nTopilmalar:\n` +
      topilmalar.map((t, i) => `(${i + 1}) ${t}`).join("\n") +
      `\n\nShu topilmalarga tayanib yaxlit javob yoz.`,
  });

  return text;
}

Diqqat qiling: bo'lish (generateObject) va jamlash (generateText) β€” kuchli Opusda, lekin ishchilar β€” arzon Haikuda. Bu narx va sifat o'rtasidagi muvozanat.

Koordinator-ishchilar: koordinator maqsadni kichik vazifalarga bo'ladi, N ta ishchi parallel bajaradi, koordinator yakuniy javobga jamlaydi

πŸ’‘ Workflow vs koordinator. Prompt zanjirida bosqichlar siz belgilagansiz (qattiq). Koordinator-ishchilarda esa kichik vazifalarni model belgilaydi (dinamik), lekin bo'lishβ†’bajarishβ†’jamlash tuzilishini siz boshqarasiz. Bu β€” workflow bilan agent o'rtasidagi oraliq.

5. Baholovchi-optimizator (evaluator-optimizer) β€” yarat ↔ tanqid qil

Ba'zan bir chaqiruv yaratadi, ikkinchisi uni mezonlarga qarab tanqid qiladi, so'ng birinchisi tuzatadi β€” yetarli bo'lguncha. Bu β€” sifatni oshiruvchi sikl. Tanqid qiluvchi "baholovchi" mohiyatan kichik baho (eval) β€” buni to'liq 23-bob da ko'ramiz.

import { generateObject, generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";
import { z } from "zod";

async function yaratVaSayqalla(vazifa, maxUrinish = 3) {
  let javob = "";
  for (let i = 0; i < maxUrinish; i++) {
    // YARATUVCHI: javob yoz (yoki avvalgisini tuzat)
    const { text } = await generateText({
      model: anthropic("claude-opus-4-8"),
      prompt: javob
        ? `Vazifa: ${vazifa}\nAvvalgi javob:\n${javob}\nUni yaxshila.`
        : `Vazifa: ${vazifa}`,
    });
    javob = text;

    // BAHOLOVCHI: mezonlarga qarab tekshir
    const { object } = await generateObject({
      model: anthropic("claude-opus-4-8"),
      schema: z.object({
        yetarli: z.boolean(),
        izoh: z.string(),
      }),
      prompt: `Bu javob "${vazifa}" vazifasini to'liq bajardimi?\n\n${javob}`,
    });

    if (object.yetarli) break; // mezonga yetdi β€” to'xta
    vazifa = `${vazifa}\n(Tuzatish kerak: ${object.izoh})`;
  }
  return javob;
}

Bu naqsh sifatni sezilarli oshiradi, lekin har sikl β€” qo'shimcha chaqiruv, ya'ni qo'shimcha narx va vaqt. Shuning uchun chegara (maxUrinish) bering β€” cheksiz sikldan saqlanasiz (19-bobdagi stopWhen g'oyasiga o'xshash).

"Ko'p agent" JS kodida β€” har bir agent bitta funksiya

"Ko'p agentli tizim" hayajonli yangraydi, lekin JS'da u oddiy narsa: har bir agent β€” bu funksiya. Funksiya ichida generateText/generateObject chaqiriladi, o'z system prompti (roli) va kerak bo'lsa o'z vositalari bilan. Orkestrator (koordinator funksiyasi) bu agentlarni chaqiradi va ular orasida ma'lumotni uzatadi. Sehr yo'q β€” bu shunchaki bir-birini chaqiruvchi funksiyalar.

import { generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";

// "Tadqiqotchi" agenti β€” o'z roli bor
async function tadqiqotchi(mavzu) {
  const { text } = await generateText({
    model: anthropic("claude-haiku-4-5"), // arzon β€” ishchi roli
    system: "Sen tadqiqotchisan. Mavzu bo'yicha faktik tezislar yig'asan.",
    prompt: `"${mavzu}" bo'yicha 3 ta asosiy fakt top.`,
  });
  return text;
}

// "Yozuvchi" agenti β€” boshqa rol
async function yozuvchi(tezislar) {
  const { text } = await generateText({
    model: anthropic("claude-opus-4-8"), // kuchli β€” yakuniy matn
    system: "Sen muharrirsan. Tezislardan ravon matn yozasan.",
    prompt: `Quyidagi tezislardan qisqa xat yoz:\n${tezislar}`,
  });
  return text;
}

// ORKESTRATOR: agentlarni ulaydi, ma'lumotni uzatadi
async function maqolaTizimi(mavzu) {
  const tezislar = await tadqiqotchi(mavzu); // 1-agent ishlaydi
  return yozuvchi(tezislar);                 // natija 2-agentga uzatiladi
}

Har bir agent β€” alohida funksiya, alohida rol, hatto alohida model. Parallel ishchilar kerak bo'lsa β€” yana o'sha Promise.all:

// Bir nechta tadqiqotchini PARALLEL ishlatish
const [a, b, c] = await Promise.all([
  tadqiqotchi("narx"),
  tadqiqotchi("xavfsizlik"),
  tadqiqotchi("tezlik"),
]);

πŸ”‘ Agent = funksiya + rol. "Multi-agent" ni jodu deb o'ylamang. Bu β€” har biri tor rolga ega bir nechta generateText o'rami va ularni ulovchi oddiy JS. Agentlar vositalarga ham ega bo'lishi mumkin (12-bob: tools + stopWhen) β€” masalan, tadqiqotchi qidiruv vositasiga ega bo'lib, ichida o'z mini-loopini aylantiradi.

ℹ️ Bir jumlada. Anthropic'da serverda ishlovchi "Managed Agents" mahsuloti ham bor β€” siz saqlanadigan agent + sessiyalar yaratasiz, loopni esa Anthropic o'z infratuzilmasida aylantiradi; bu β€” ilg'or, hostlangan variant, lekin bu bob o'z JS kodingizda orkestratsiya qilish haqida.

Narx va kechikish haqiqati

Har bir qo'shilgan agent yoki bosqich β€” qo'shimcha token, qo'shimcha pul, qo'shimcha kechikish va qo'shimcha xato nuqtasi. Ko'p agentli tizim aqlli ko'rinadi, lekin u har doim ham foydali emas. Mana mezon:

Naqsh Narx Kechikish Qachon
Bitta chaqiruv Eng arzon Eng kam Oddiy, bir qadamli vazifa
Prompt zanjiri O'rta (NΓ—) Yuqori (ketma-ket) Tabiiy bosqichlar bor
Marshrutlash Arzon (klassifikator Haiku) Kam Har xil so'rovlar, har xiliga boshqacha
Parallellashtirish O'rta (NΓ—) Kam (bir vaqtda) Mustaqil ishlar ko'p
Koordinator-ishchilar Yuqori (1 + N + 1) O'rta Murakkab, bo'linadigan vazifa
Baholovchi-optimizator Yuqori (sikl Γ— 2) Yuqori Sifat narxdan muhimroq

Amaliy qoidalar:

  • Eng oddiydan boshlang. Avval bitta chaqiruvni sinang. Yetmasagina workflow'ga, undan keyin agentga, va faqat oxirgi chora sifatida ko'p agentga o'ting.
  • Murakkablikni faqat o'lchanganda qo'shing. "Ko'p agent qiziq" emas, "ko'p agent natijani sezilarli yaxshilaydi" β€” shundagina qo'shing.
  • Arzon modelni ishlating. Ishchilar, klassifikatorlar va oddiy qadamlar uchun Haiku; faqat murakkab jamlash uchun Opus (14-bob narx jadvalini eslang).
  • Adversarial (qarama-qarshi) naqshlar sifatni oshiradi, lekin qimmat. Baholovchi-optimizator yaxshi natija beradi, biroq har sikl ikki barobar chaqiruv.

πŸ”‘ 14-bobga bog'lash. Token narxi va limitlari real. 3 ta parallel ishchi = 3Γ— ishchi tokeni + koordinatorning 2 chaqiruvi. Ko'p sessiya uchun bu tez yig'iladi. Naqsh tanlashda har doim "bu pul va vaqtga arzaydimi?" deb so'rang.

Quramiz: koordinator-ishchi tadqiqot quvuri

Endi hammasini birlashtiramiz. To'liq, ishlaydigan tadqiqot quvuri: koordinator savolni 3 ta kichik savolga bo'ladi, 3 ta parallel ishchi (arzon Haiku) ularni o'rganadi, kuchli Opus chaqiruvi esa manbalarga ishora qilgan yaxlit javob yozadi. Bu β€” koordinator-ishchilar + parallellashtirish + model-aralash narx optimizatsiyasini bitta misolda jamlaydi.

import { generateObject, generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";
import { z } from "zod";

async function tadqiqotQil(savol) {
  // 1) KOORDINATOR (Opus): savolni 3 ta kichik savolga bo'ladi
  const { object } = await generateObject({
    model: anthropic("claude-opus-4-8"),
    schema: z.object({
      kichikSavollar: z.array(z.string()).length(3),
    }),
    system: "Sen tadqiqot koordinatorisan. Savolni o'rganish uchun " +
            "bir-birini takrorlamaydigan 3 ta yo'nalishga bo'lasan.",
    prompt: savol,
  });

  // 2) ISHCHILAR (Haiku, PARALLEL): har biri bitta yo'nalishni o'rganadi
  const topilmalar = await Promise.all(
    object.kichikSavollar.map(async (ks, i) => {
      const { text } = await generateText({
        model: anthropic("claude-haiku-4-5"), // arzon ishchi
        system: "Sen tadqiqotchisan. Qisqa, faktik javob berasan.",
        prompt: ks,
      });
      return { manba: `Ishchi ${i + 1}`, savol: ks, javob: text };
    })
  );

  // 3) KOORDINATOR (Opus): topilmalarni manbali javobga jamlaydi
  const { text } = await generateText({
    model: anthropic("claude-opus-4-8"), // kuchli jamlovchi
    system: "Sen muharrirsan. Faqat berilgan topilmalarga tayanib javob " +
            "yozasan va har bir da'vodan keyin manbani [Ishchi N] ko'rsatasan.",
    prompt:
      `Asosiy savol: ${savol}\n\nTopilmalar:\n` +
      topilmalar
        .map((t) => `[${t.manba}] ${t.savol}\n→ ${t.javob}`)
        .join("\n\n"),
  });

  return { javob: text, topilmalar };
}

const natija = await tadqiqotQil(
  "Elektromobillar an'anaviy avtomobillarga nisbatan qanday afzal va kamchiliklarga ega?"
);
console.log(natija.javob);
// Koordinator 3 yo'nalishga bo'ldi (masalan: narx, ekologiya, infratuzilma),
// 3 ishchi parallel o'rgandi, Opus manbali yakuniy javobga jamladi.

Quvurning go'zalligi β€” har bo'lak o'z vazifasiga mos modelda ishlaydi: bo'lish va jamlash uchun aql (Opus), mustaqil o'rganish uchun tezlik va arzonlik (Haiku, parallel). Va siz har bosqichni alohida ko'rasiz: natija.topilmalar ichchida har bir ishchi nima topganini tekshirib, sifatni baholaysiz.

πŸ’‘ Bu yerda ham xom SDK bilan ishlash mumkin. Misollar AI SDK'da, lekin xuddi shu naqshlarni @anthropic-ai/sdk (messages.create) bilan ham quryapsiz β€” har bir "agent" client.messages.create({ model, system, messages }) ni o'rovchi funksiya, orkestrator esa ularni Promise.all bilan ulaydi (07-bob).

Tez-tez uchraydigan xatolar

Xato Nima bo'ladi Yechim
Mustaqil chaqiruvlarni ketma-ket await qilish Kechikish NΓ— ko'p, behuda kutish Bog'liq bo'lmasa Promise.all
Bog'liq qadamlarni parallel qilish B, A natijasini kutmaydi β†’ noto'g'ri natija Bog'liq bo'lsa ketma-ket zanjir
Hamma narsani Opus'da qilish Ortiqcha narx Ishchi/klassifikatorga Haiku
Baholovchi siklida chegara yo'q Cheksiz sikl, behuda token maxUrinish chegarasi bering
Bitta katta agentga murakkab vazifa Adashadi, debug qiyin Bosqich/rolga bo'ling (workflow)
Murakkablikni "qiziq" deb qo'shish Ortiqcha narx, kechikish, xato nuqtasi Faqat o'lchanganda murakkablash

Mashqlar

Quyidagilarni node fayl.mjs bilan ishga tushiring. Avval npm i ai @ai-sdk/anthropic zod (11-bob) va .env da ANTHROPIC_API_KEY (02-bob).

Oson

  1. Prompt zanjiri. Ikki bosqichli zanjir yozing: avval generateText bilan berilgan mavzuga sarlavha tuzing, keyin o'sha sarlavhani ikkinchi chaqiruvga berib bir paragraf yozing. Oraliq sarlavhani ham chop eting.
  2. Ketma-ket vs parallel. 3 ta mustaqil so'rovni avval ketma-ket await bilan, keyin Promise.all bilan bajaring. console.time/console.timeEnd bilan ikki variantning vaqtini solishtiring.
  3. Agent = funksiya. O'z system prompti bo'lgan xulosalovchi(matn) nomli agent-funksiya yozing. Uni generateText bilan quring va ikki xil matnda sinang.
  4. Naqshni tanlash. Bir gapda tushuntiring: "5 ta hujjatni alohida xulosala" β€” qaysi naqsh? "Avval tarjima qil, keyin tahrirla" β€” qaysi naqsh? Nega?

O'rta

  1. Marshrutlovchi. generateObject + z.enum(["savol","shikoyat","maqtov"]) bilan klassifikator yozing (Haiku'da). Toifaga qarab switch orqali uch xil system prompt bilan generateText chaqiring. Klassifikator nega arzon modelda?
  2. Parallel xulosa. 4 ta qisqa matn massivini Promise.all + .map bilan bir vaqtda xulosalang (Haiku'da). Natija β€” 4 ta xulosa massivi. Ishchilarga nega Opus emas, Haiku?
  3. Ikki agentli quvur. tadqiqotchi(mavzu) (Haiku) va yozuvchi(tezislar) (Opus) ikki agent-funksiya yozing, orkestrator ularni ulasin: tadqiqotchi tezis yig'adi β†’ yozuvchi xat yozadi. Har biriga alohida system rol bering.
  4. Baholovchi sikli. yaratVaSayqalla(vazifa) yozing: generateText yaratadi, generateObject ({ yetarli: boolean, izoh: string }) baholaydi, yetarli bo'lmasa qayta uradi. maxUrinish=3 chegarasi qo'ying. Nega chegara shart?

Qiyin

  1. To'liq tadqiqot quvuri (bob misoli). Bob matnidagi tadqiqotQil ni qurib ishga tushiring: koordinator (Opus) 3 kichik savolga bo'ladi β†’ 3 ishchi (Haiku, parallel) o'rganadi β†’ koordinator (Opus) manbali javobga jamlaydi. natija.topilmalar ni chop etib, har ishchi nima topganini ko'rsating.
  2. Narxni o'lchash. 9-mashqdagi quvurda har bir chaqiruvning usage (kirish/chiqish token) ini yig'ing (AI SDK natijasidagi usage maydoni). Hammasini Opus'da qilsangiz narx qancha o'zgaradi β€” Haiku jadvalidan (14-bob) taxminan hisoblang.
  3. Naqshlarni birlashtirish. Marshrutlash + koordinator-ishchilarni birlashtiring: avval klassifikator so'rov "oddiy"mi yoki "tadqiqot"mi aniqlasin; "oddiy" bo'lsa bitta Haiku chaqiruvi, "tadqiqot" bo'lsa to'liq koordinator-ishchi quvuri ishlasin. Bu nega narxni tejaydi?
Yechimlar

Hammasi ai (v6.0), @ai-sdk/anthropic (v3.0), zod (v4) bilan. ANTHROPIC_API_KEY ni .env da saqlang.

1-mashq yechimi

import { generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";

const { text: sarlavha } = await generateText({
  model: anthropic("claude-opus-4-8"),
  prompt: "Quyosh panellari haqida qiziqarli sarlavha tuz.",
});
console.log("Sarlavha:", sarlavha);

const { text: paragraf } = await generateText({
  model: anthropic("claude-opus-4-8"),
  prompt: `Shu sarlavhaga bir paragraf yoz:\n${sarlavha}`,
});
console.log(paragraf);

Sarlavhaning chiqishi paragraf chaqiruvining kirishiga beriladi β€” bu prompt zanjiri.

2-mashq yechimi

import { generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";

const savollar = ["Quyosh nima?", "Oy nima?", "Yulduz nima?"];
const m = anthropic("claude-haiku-4-5");

console.time("ketma-ket");
for (const s of savollar) await generateText({ model: m, prompt: s });
console.timeEnd("ketma-ket"); // ~3Γ— sekin

console.time("parallel");
await Promise.all(savollar.map((s) => generateText({ model: m, prompt: s })));
console.timeEnd("parallel"); // ~1Γ— (bir vaqtda)

Mustaqil so'rovlar β€” parallel ishlatilsa, vaqt deyarli eng sekin bittasiga teng.

3-mashq yechimi

import { generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";

async function xulosalovchi(matn) {
  const { text } = await generateText({
    model: anthropic("claude-haiku-4-5"),
    system: "Sen xulosalovchisan. Matnni bir jumlada xulosalaysan.",
    prompt: matn,
  });
  return text;
}

console.log(await xulosalovchi("Uzun matn 1..."));
console.log(await xulosalovchi("Uzun matn 2..."));

Agent β€” bu o'z system roli bo'lgan funksiya. Hammasi shu.

4-mashq yechimi

"5 ta hujjatni alohida xulosala" β€” parallellashtirish (Promise.all): hujjatlar bir-biriga bog'liq emas, hammasini bir vaqtda qilamiz, tezroq. "Avval tarjima qil, keyin tahrirla" β€” prompt zanjiri: tahrir tarjima natijasiga muhtoj, shuning uchun ketma-ket bo'lishi shart.

5-mashq yechimi

import { generateObject, generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";
import { z } from "zod";

async function boshqar(xabar) {
  const { object } = await generateObject({
    model: anthropic("claude-haiku-4-5"), // klassifikator β€” arzon, vazifa oddiy
    schema: z.object({ toifa: z.enum(["savol", "shikoyat", "maqtov"]) }),
    prompt: xabar,
  });

  const promptlar = {
    savol: "Sen do'stona yordamchisan, aniq javob ber.",
    shikoyat: "Sen mijozlarni tinchlantiruvchi yordamchisan, uzr so'ra.",
    maqtov: "Sen minnatdorchilik bildiruvchi yordamchisan.",
  };

  return generateText({
    model: anthropic("claude-opus-4-8"),
    system: promptlar[object.toifa],
    prompt: xabar,
  });
}

Klassifikator arzon modelda, chunki uning vazifasi oddiy (bitta toifani tanlash) β€” bu yerda Opus pul isrofi bo'lardi.

6-mashq yechimi

import { generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";

const matnlar = ["matn A...", "matn B...", "matn C...", "matn D..."];

const xulosalar = await Promise.all(
  matnlar.map((m) =>
    generateText({
      model: anthropic("claude-haiku-4-5"),
      prompt: `Bir jumlada xulosala:\n${m}`,
    }).then((r) => r.text)
  )
);
console.log(xulosalar); // 4 ta xulosa

Ishchilarga Haiku β€” xulosalash oddiy va ko'p marta takrorlanadi, shuning uchun arzon model narxni keskin tejaydi (14-bob).

7-mashq yechimi

import { generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";

async function tadqiqotchi(mavzu) {
  const { text } = await generateText({
    model: anthropic("claude-haiku-4-5"),
    system: "Sen tadqiqotchisan. Faktik tezislar yig'asan.",
    prompt: `"${mavzu}" bo'yicha 3 ta fakt top.`,
  });
  return text;
}

async function yozuvchi(tezislar) {
  const { text } = await generateText({
    model: anthropic("claude-opus-4-8"),
    system: "Sen muharrirsan. Tezislardan ravon matn yozasan.",
    prompt: `Quyidagi tezislardan qisqa xat yoz:\n${tezislar}`,
  });
  return text;
}

const xat = await yozuvchi(await tadqiqotchi("quyosh energiyasi"));
console.log(xat);

Ikki agent, ikki rol, ikki model: tadqiqotchi arzon (yig'ish), yozuvchi kuchli (yakuniy matn).

8-mashq yechimi

import { generateObject, generateText } from "ai";
import { anthropic } from "@ai-sdk/anthropic";
import { z } from "zod";

async function yaratVaSayqalla(vazifa, maxUrinish = 3) {
  let javob = "";
  for (let i = 0; i < maxUrinish; i++) {
    const { text } = await generateText({
      model: anthropic("claude-opus-4-8"),
      prompt: javob ? `Vazifa: ${vazifa}\nAvvalgi:\n${javob}\nYaxshila.` : vazifa,
    });
    javob = text;

    const { object } = await generateObject({
      model: anthropic("claude-opus-4-8"),
      schema: z.object({ yetarli: z.boolean(), izoh: z.string() }),
      prompt: `Bu javob vazifani bajardimi?\n${javob}`,
    });
    if (object.yetarli) break;
    vazifa = `${vazifa} (Tuzat: ${object.izoh})`;
  }
  return javob;
}

Chegara (maxUrinish) shart, chunki baholovchi hech qachon "yetarli" demasligi mumkin β€” chegarasiz sikl cheksiz aylanib, token va pulni isrof qiladi.

9-mashq yechimi

Bob matnidagi tadqiqotQil ni to'liq ishlatamiz va topilmalarni ochib ko'rsatamiz:

const natija = await tadqiqotQil(
  "Masofadan ishlashning afzallik va kamchiliklari nimada?"
);
console.log("=== YAKUNIY JAVOB ===\n", natija.javob);
console.log("\n=== ISHCHILAR TOPILMALARI ===");
for (const t of natija.topilmalar) {
  console.log(`\n[${t.manba}] ${t.savol}\n→ ${t.javob}`);
}

natija.topilmalar har bir ishchi parallel nima topganini ko'rsatadi β€” bu debug va sifat nazorati uchun bebaho.

10-mashq yechimi

// Har chaqiruv natijasida usage bor: { inputTokens, outputTokens }
let jami = { kirish: 0, chiqish: 0 };
function qoshish(r) {
  jami.kirish += r.usage.inputTokens ?? 0;
  jami.chiqish += r.usage.outputTokens ?? 0;
}
// tadqiqotQil ichidagi har generateText/generateObject natijasiga qoshish() chaqiring.
// Keyin (14-bob jadvali bilan):
// Haiku:  $1.00/1M kirish, $5.00/1M chiqish
// Opus:   $5.00/1M kirish, $25.00/1M chiqish
const narx = (jami.kirish / 1e6) * 5 + (jami.chiqish / 1e6) * 25; // hammasi Opus bo'lsa
console.log("Token:", jami, "β‰ˆ $", narx.toFixed(4));

Ishchilarni Haiku'da qoldirsangiz, ularning tokenlari 5Γ— arzonroq hisoblanadi β€” quvurning katta qismi ishchilarda bo'lgani uchun bu sezilarli farq.

11-mashq yechimi

import { generateObject } from "ai";
import { anthropic } from "@ai-sdk/anthropic";
import { z } from "zod";

async function aqlliBoshqar(savol) {
  // 1) Arzon klassifikator: oddiymi yoki tadqiqotmi?
  const { object } = await generateObject({
    model: anthropic("claude-haiku-4-5"),
    schema: z.object({ tur: z.enum(["oddiy", "tadqiqot"]) }),
    prompt: `Bu savol oddiy faktik javob talab qiladimi yoki chuqur tadqiqotmi?\n${savol}`,
  });

  if (object.tur === "oddiy") {
    // bitta arzon chaqiruv yetadi
    const { generateText } = await import("ai");
    const { text } = await generateText({
      model: anthropic("claude-haiku-4-5"),
      prompt: savol,
    });
    return text;
  }
  // murakkab β€” to'liq koordinator-ishchi quvuri
  return (await tadqiqotQil(savol)).javob;
}

Bu narxni tejaydi, chunki oddiy savollar qimmat koordinator-ishchi quvurini umuman ishlatmaydi β€” bitta arzon Haiku chaqiruvi bilan tugaydi. Faqat haqiqatan murakkab savollar to'liq quvurga tushadi.

Yakunda

Bu bobda murakkab vazifani bitta katta agentga bermay, uni kod bilan boshqariladigan bosqich va rollarga bo'lishni o'rgandik:

  • Nega. Bo'lish ishonchli (har qadam tor), debug oson (har qadam ko'rinadi) va arzon (oddiy qadamlar Haiku'da). "Koordinator + mutaxassislar" ko'pincha "bitta universal" dan yaxshi.
  • Beshta naqsh. Prompt zanjiri (Aβ†’Bβ†’C, ketma-ket), marshrutlash (klassifikator yo'lni tanlaydi, oddiyga Haiku), parallellashtirish (Promise.all, ~NΓ— tez), koordinator-ishchilar (bo'lβ†’bajarβ†’jamla), baholovchi-optimizator (yarat↔tanqid, chegara bilan).
  • Ko'p agent JS'da. Har agent β€” o'z system roli (va kerak bo'lsa vositalari) bo'lgan funksiya; orkestrator ularni chaqiradi va ma'lumotni uzatadi; parallel uchun Promise.all. Sehr yo'q.
  • Narx haqiqati. Har agent = ko'proq token, pul, kechikish, xato nuqtasi. Eng oddiy ishlaydigan naqshdan boshlang, murakkablikni faqat o'lchanganda qo'shing, arzon modelni ishlating (14-bob).
  • Qurdik: koordinator-ishchi tadqiqot quvuri β€” Opus bo'ladi/jamlaydi, Haiku ishchilari parallel o'rganadi, yakunda manbali javob.

Bu naqshlar 19-bobdagi bitta agentni butun tizimga kengaytiradi. Keyingi bobda esa eng muhim mavzuga o'tamiz: bu tizimlarni xavfsiz qilish β€” prompt-injection, ma'lumot sizib chiqishi, vositalarni nazorat qilish. 22-bob: Xavfsizlik da ko'p agentli quvuringizning har bir chaqiruvini qanday himoyalashni o'rganamiz.

⬅️ Oldingi: 20 β€” MCP β€” Model Context Protocol Β· 🏠 README Β· Keyingi: 22 β€” Xavfsizlik ➑️