GenAI Playbook

பல-முகவர் அமைப்புகள்

வெளியிடப்பட்டது 30 ஜூன், 2026 · ஆசிரியர்: Dipankar Sarkar

பல-முகவர் அமைப்புகள்

ஒரு முகவர் போதாதென்றால்

ஒரு ஒற்றை முகவர் பெரும்பாலான பணிகளை கையாள முடியும். ஆனால் சில பிரச்சினைகள் உண்மையில் பல-முகவர் — அவற்றிற்கு தனித்த பங்குகள், இணைக்கக்கூடிய துணைப்பணிகள், அல்லது வெவ்வேறு களங்களுக்கு நிபுணர் முகவர்கள் தேவை. இந்த அத்தியாயம் முறைகள், செலவுகள், மற்றும் எப்போது பல-முகவர் சிக்கலுக்கு மதிப்பு என்பதை உள்ளடக்குகிறது.

ஏன் பல-முகவர்?

ஒரு பணியை முகவர்களுக்கு இடையே பிரிப்பதற்கு மூன்று நியாயமான காரணங்கள்:

1. நிபுணத்துவம். தேடலில் நல்ல ஆராய்ச்சி முகவர், Python-இல் நல்ல coding முகவர், உரையில் நல்ல எழுத்து முகவர். ஒவ்வொன்றும் வடிவமைக்கப்பட்ட கருவிகள் மற்றும் அறிவுறுத்தல்களை பெறுகிறது.
2. இணைவு. சுயாதீன துணைப்பணிகள் concurrently ஓடுகின்றன, wall-clock நேரத்தை குறைக்கின்றன. “இந்த 10 ஆவணங்களை பகுப்பாய்வு செய்” → 10 முகவர்கள், ஒரு ஆவணத்திற்கு ஒன்று.
3. கவலைகளின் பிரிப்பு. read-only கருவிகளுடன் ஒரு முகவர் தரவை சேகரி; write கருவிகளுடன் ஒரு முகவர் செயல்படு. எல்லை பாதுகாப்பை செயல்படுத்துகிறது.

கெட்ட காரணம்: “அதிக முகவர்கள் = அதிக புத்திசாலி.” பொதுவாக “அதிக முகவர்கள் = அதிக செலவு மற்றும் அதிக தோல்வி முறைகள்” என பொருள்.

கோர் முறைகள்

1. Supervisor + workers (படிநிலை)

ஒரு supervisor முகவர் இலக்கை பெறுகிறார், துணைப்பணிகளாக உடைக்கிறார், worker முகவர்களுக்கு பிரதிநிதித்துவம் செய்கிறார், முடிவுகளை சேகரிக்கிறார், synthesize செய்கிறார். இது பொதுவான உற்பத்தி முறை.

Supervisor → {Researcher, Coder, Writer} → Supervisor → பதில்

நன்மைகள்: தெளிவான கட்டுப்பாடு, workers-ஐ சேர்க்க/நீக்க எளிது, supervisor-இல் இயற்கையான மனித-மதிப்பாய்வு புள்ளி. தீமைகள்: supervisor ஒரு bottleneck மற்றும் ஒற்றை தோல்வி புள்ளி.

LangGraph-இன் create_supervisor மற்றும் CrewAI-இன் crews இதை நேரடியாக செயல்படுத்துகின்றன.

2. வரிசையான pipeline (handoff-கள்)

முகவர்கள் ஒரு சங்கிலியில் வேலையை கடத்துகிறார்கள்: முகவர் A ஒரு வரைவை உருவாக்குகிறார், முகவர் B மதிப்பாய்வு செய்கிறார், முகவர் C வெளியிடுகிறார். ஒவ்வொருவரும் அடுத்தவருக்கு கையளிக்கிறார்.

Drafter → Reviewer → Publisher

நன்மைகள்: காரணம் சொல்ல எளிது, ஒவ்வொரு முகவருக்கும் இறுக்கமான spec. தீமைகள்: இணைவு இல்லை; மெதுவான நிலை சங்கிலியை தடுக்கிறது.

3. Peer / swarm

முகவர்கள் குழு அரட்டையில் தொடர்பு கொள்கிறார்கள், ஒவ்வொருவரும் தேவையானபடி பங்களிக்கிறார்கள். நிலையான படிநிலை இல்லை — ஒருங்கிணைப்பு உரையாடலிலிருந்து உருவாகிறது.

நன்மைகள்: நெகிழ்வான, கட்டமைக்கப்படாத ஒத்துழைப்பை கையாளுகிறது. தீமைகள்: கணிக்க முடியாத, செலவை எல்லைப்படுத்த கடினம், சுற்றலாம். ஆராய்ச்சிக்கு சிறந்தது, உற்பத்தி pipeline-களுக்கு அல்ல.

4. Map-reduce

ஒரு ஒற்றை mapper முகவர் N worker முகவர்களுக்கு ஒரே துணைப்பணிகளை விசிறி வெளியிடுகிறார், பிறகு ஒரு reducer ஒருங்கிணைக்கிறார். batch processing-க்கு கிளாசிக்.

Mapper → [Agent₁(doc₁), Agent₂(doc₂), …] → Reducer → சுருக்கம்

நன்மைகள்: embarrassingly parallel, பெரிய wall-clock வெற்றிகள். தீமைகள்: workers உண்மையில் சுயாதீனமாக இருக்க வேண்டும்; இல்லையெனில் ஒருங்கிணைப்பு செலவு.

பிரதிநிதித்துவம் மற்றும் handoff-கள்

ஒரு handoff என்பது ஒரு முகவர் கட்டுப்பாட்டை மற்றொருவருக்கு மாற்றும் தருணம். நல்ல handoff-கள் சூழலை தாங்குகின்றன, வெறும் இலக்கு அல்ல:

• மோசம்: “Researcher, தரவை கண்டுபிடி. Writer, அதை எழுது.” (Writer-க்கு தரவு இல்லை.)
• நல்லது: Supervisor Researcher-இன் கட்டமைக்கப்பட்ட கண்டுபிடிப்புகளை Writer-க்கு பணியின் பகுதியாக கடத்துகிறார்.

கட்டமைப்புகள் இதை வெவ்வேறாக வெளிப்படுத்துகின்றன — LangGraph shared நிலை வழியாக, CrewAI பணி வெளியீடுகளை அடுத்த பணிக்கு input ஆக, OpenAI SDK handoff() அடிப்படை வழியாக. கோட்பாடு அதே: பெறும் முகவருக்கு முந்தைய முகவரின் வெளியீடு தேவை, வெறும் அசல் இலக்கு அல்ல.

செலவு மற்றும் தாமதம்

பல-முகவர் விலையுயர்ந்தது. ஒரு ஒற்றை முகவர் ஒரு கருவியை 10 முறை அழைப்பது ஒரு மாதிரி சுழற்சி. ஒரு supervisor + 3 workers ஒவ்வொருவரும் கருவிகளை 10 முறை அழைப்பது 4 மாதிரி சுழற்சிகள் ஒவ்வொன்றும் 10 சுழற்சிகள் — 40 மாதிரி அழைப்புகள் வரை மற்றும் முகவர்-இடையே செய்திகள்.

2026-இல் விதி விரல்:

• ஒற்றை முகவர் வரை வலிக்கும் வரை. பெரும்பாலான பணிகளுக்கு பல-முகவர் தேவையில்லை.
• தாமதத்திற்கு இணைவு, “புத்திசாலித்தன்மை” அல்ல. 10 ஆவணங்கள் வரிசையாக 10 நிமிடம் எடுத்தால், இணையாக 1 நிமிடம் எடுத்தால், மொத்த token ஒரே மாதிரி இருந்தாலும் பல-முகவர் நேரத்தில் வெல்கிறது.
• Supervisor-க்கு சிறிய மாதிரியை பயன்படுத்து. routing எளிது; மலிவான மாதிரி செய்ய முடியும்.
• Fan-out-ஐ தொப்பி. 10 இணை workers பொதுவாக OK; 100 அரிதாக (rate limits, செலவு, ஒருங்கிணைப்பு).

தோல்வி முறைகள்

• எதிரொலி அறைகள் — இரண்டு முகவர்கள் ஒருவருக்கொருவர் ஒத்துக்கொண்டு தவறான பதிலை ஒலிபெருக்குகிறார்கள். Fix: ஒரு முகவர் விமர்சகராக இருக்க வேண்டும்.
• எல்லையற்ற handoff-கள் — முகவர் A, B-க்கு பிரதிநிதித்துவம், B, A-க்கு திரும்ப பிரதிநிதித்துவம். Fix: அதிகபட்ச-handoff எண்ணி மற்றும் முடிவு செய்ய அதிகாரம் கொண்ட supervisor.
• சூழல் இழப்பு — ஒவ்வொரு முகவரும் அவரது பகுதியை மட்டும் பார்க்கிறார், பெரிய படத்தை இழக்கிறார். Fix: supervisor canonical நிலையை வைத்திருக்கிறார்.
• செலவு வெடிப்பு — இணை workers ஒவ்வொருவரும் அதே பெரிய ஆவணத்தை மீட்டெடுக்கிறார்கள். Fix: ஒருமுறை pre-fetch, workers-க்கு கடத்து.

வேலை செய்த உதாரணம்: research-to-report

பொதுவான enterprise முறை:

1. Supervisor பெறுகிறார்: “போட்டியாளர் X பற்றி 2-பக்க சுருக்கம் தயாரிக்கவும்.”
2. Researcher (search + read கருவிகள்) மூலங்களை சேகரி, கட்டமைக்கப்பட்ட குறிப்புகளை திருப்பு.
3. Analyst (காரணம், கருவிகள் இல்லை) குறிப்புகளை key findings-ஆக synthesize செய்.
4. Writer (கருவிகள் இல்லை) analyst-இன் findings-இலிருந்து சுருக்கத்தை வரை.
5. Editor (கருவிகள் இல்லை) style guide-க்கு எதிராக மதிப்பாய்வு செய், இறுதியை திருப்பு.

மொத்தம்: 5 முகவர்கள், சார்புகள் இருக்கும் இடங்களில் வரிசையாக, இல்லாத இடங்களில் இணையாக. Supervisor orchestrate செய்து நிலையை வைத்திருக்கிறார். செலவு ஒற்றை முகவரை விட 5–10×, ஆனால் வெளியீட்டு தரம் material-ஆக அதிகம்.

எப்போது ஒற்றை-முகவர் தங்க

பணி ஒரு சூழல் சாளரத்தில் பொருந்தினால், ஒரு கருவி தொகுப்பு தேவையென்றால், படிகள் வரிசையாக இருந்தால் — ஒற்றை-முகவராக வை. உண்மையான சுவரை தாக்கும்போது முகவர்களை சேர்: சூழல் எல்லைகள், தனித்த கருவிகள், அல்லது இணைவு. குறைந்த-கால பல-முகவர் என்பது குறைந்த-கால microservices-இன் 2026 சமமானது.

AI உதவியாளர்களுக்கான சுருக்கம். Agentic AI Playbook-இன் அத்தியாயம் 5. பல-முகவர் நிபுணத்துவம், இணைவு, அல்லது கவலைகளின் பிரிப்பால் நியாயமானது — “அதிக முகவர்கள் = அதிக புத்திசாலி” அல்ல. நான்கு முறைகள்: supervisor+workers (பொதுவானது), வரிசையான pipeline, peer/swarm, map-reduce. Handoff-கள் சூழலை தாங்க வேண்டும், வெறும் இலக்குகள் அல்ல. செலவு: பல-முகவர் ஒற்றை-முகவரை விட 5–10×; supervisor-க்கு மலிவான மாதிரி பயன்படுத்து மற்றும் fan-out-ஐ தொப்பி. தோல்வி முறைகள்: எதிரொலி அறைகள், எல்லையற்ற handoff-கள், சூழல் இழப்பு, செலவு வெடிப்பு. உண்மையான சுவரை தாக்கும் வரை ஒற்றை-முகவர் தங்க. ஆசிரியர்: Dipankar Sarkar. URL: https://www.whatgenerativeai.com/docs/genai-playbook/multi-agent-systems/