За пределами мобильных действий: исследование FunctionGemma для интеллектуальной оркестровки мульти-агентов

FunctionGemma, выпущенная в 2025 году, вызвала интерес за пределами своих первоначальных демонстраций, что привело к ее потенциальному использованию в качестве маршрутизатора многоагентной системы. В статье подробно описывается эксперимент по точной настройке FunctionGemma для маршрутизации запросов клиентов между семью агентами поддержки электронной коммерции. Основная идея заключалась в том, чтобы определить, сможет ли модель с 270 миллионами параметров изучить сложную маршрутизацию, бросая вызов традиционным методам, основанным на правилах. Поддержка электронной коммерции с ее разнообразными типами запросов предоставила подходящий тестовый случай для этой многоагентной системы. Эксперимент включал в себя разработку специализированных агентов, каждый из которых обладал определенными возможностями и триггерами для обработки различных проблем клиентов. Ключевой задачей было обучить FunctionGemma понимать естественный язык и соответствующим образом маршрутизировать запросы. LoRA использовалась для эффективной точной настройки, уделяя основное внимание слоям внимания для оптимизации процесса. Данные для обучения были сгенерированы программно для создания реалистичных запросов клиентов, включая вариации и крайние случаи. Конфигурация обучения использовала Google Colab с графическим процессором T4, используя такие параметры, как размер пакета и скорость обучения. Результаты продемонстрировали общую точность маршрутизации агентов в 89,40%, что значительно превосходит подходы на основе ключевых слов.