Design av arbeidsminne for AI-agenter: Bruk mappestruktur for å temme AI-en slik at den ikke går seg vill

Det er mye snakk om AI-agenter i bransjen for tiden, og mange av våre kolleger ønsker å ta i bruk automatisering for å håndtere kundeservice, tilbud og til og med innledende sjekk av designutkast. Men de fleste har erfart at AI-en ofte gir irrelevante svar, glemmer bedriftens standardpriser eller blander merkevarefargene til kunde A med designet til kunde B, noe som fører til at du bruker mer tid på manuell retting enn det AI-en sparer deg for

Basert på mine langvarige observasjoner i produksjon og hos kunder, ligger roten til problemet sjelden i selve AI-modellen, men i at «konteksten» vi mater den med er altfor kaotisk. Hvis du ser på en AI-agent som en nyansatt, er konteksten arbeidsmanualen og oppgavelisten du gir dem. Hvis du dumper all informasjonen i fanget på dem, vil de garantert bli overveldet

Hvorfor «glemmer» AI-agenten ting hele tiden?

AI-agentens «kontekstvindu» fungerer som et menneskelig «arbeidsminne» (Working Memory), og det er en øvre grense for informasjonsmengden den kan håndtere om gangen. All informasjon den trenger for å tenke, vurdere og svare, må få plass i dette begrensede minnet

Tidligere var den naive tilnærmingen å skrive en lang systemmelding (System Prompt), hvor man inkluderte alle bedriftens regler, merkevareretningslinjer og alle mulige oppgaveinstrukser på ett sted. Dette fungerer kanskje for enkle oppgaver, men når AI-en må håndtere flere oppgaver på tvers av ulike kunder, vil denne «oppskriften» raskt feile

Årsakene er enkle:

・Informasjonsforstyrrelse: Irrelevant informasjon vil tynne ut effekten av viktige instrukser, og AI-en kan bli villedet av gamle pristilbud som ligger dypt i mappene

・Kostnad og forsinkelse: Å laste inn titusenvis av ord med databaseinformasjon hver gang man kjører en spørring, øker ikke bare API-kostnadene (Token-avgifter), men gjør også AI-en tregere

・Inkonsekvent atferd: I en mengde omfattende og selvmotsigende instrukser blir AI-en lett «forvirret»; forrige gang insisterte den på CMYK, mens denne gangen genererte den selv en RGB-bildefil

Hvordan bygger vi et AI-arbeidsminne som ikke går seg vill?

Jeg så nylig en metode fra den utenlandske AI-plattformen MindStudio kalt «Agentic Context Management System». Kort fortalt handler det om å systematisere og modularisere AI-ens arbeidsminne. Hovedkonseptet i denne metoden er like intuitivt som å bruke mapper for å organisere prosjektfiler på datamaskinen

Du trenger ikke fancy vektordatabaser eller komplisert arkitektur; du trenger bare å kategorisere informasjonen AI-en trenger, lagre den som Markdown-filer (.md) i tydelig definerte mapper

Nøkkelen til hele systemet ligger i å dele informasjonen inn i to hovedkategorier og sette regler for «når» de skal kalles opp:

・Statistiske regler (Static Rules): Dette er «bedriftspolicy» eller «merkevarebibler» som nesten aldri endres. For eksempel:

・Bedriftens standardpapirkvalitet og prisformler

・Et kjedemerkeklient sitt CIS, inkludert standard fargekoder, sikkerhetsavstand for logoer, dedikerte fonter osv

・En liste med 10 sjekkpunkter som må kontrolleres før et designutkast ferdigstilles

・Dynamisk kontekst (Dynamic Context): Dette er «oppgaveinstruksene» for hver enkelt oppgave. For eksempel:

・Spesifikke spørsmål fra kunden i den nåværende henvendelsen

・Spesielle krav for denne ordren (f.eks. ønske om levering to dager tidligere)

・Temaet og materialet designeren ønsker at AI-en skal hjelpe til med å generere for dette prosjektet

Når oppgaven starter, «injiserer» systemet kun de relevante filene i AI-ens arbeidsminne etter behov. For eksempel, når oppgaven er å «gi et prisoverslag på en A4-katalog for Starlux Airlines», vil systemet kun laste inn «Starlux Airlines merkevareretningslinjer.md», «Prisformel for A4-katalog.md» og «Kundehenvendelse.txt», uten å laste inn informasjon om andre flyselskaper eller prislogikk for plakater. Dette sikrer at AI-en kan fokusere og fullføre oppgaven nøyaktig

Hvilke reelle fordeler gir dette for trykkerier og designere?

Denne metoden høres teknisk ut, men den gir helt konkrete forbedringer i den daglige arbeidsflyten i vår bransje. Dette betyr at AI-en ikke lenger er en «trøbbelmaker» som må overvåkes konstant, men en pålitelig assistent som faktisk kan delta i produksjonen

・Mer nøyaktige og umiddelbare prisoverslag: AI-priskalkulatoren kan presist hente inn de nyeste prislistene og kalkulasjonsmetodene for etterbehandling, slik at den ikke lenger henter opp gamle filer fra tre år tilbake. Selgere som mottar kundehenvendelser sent på kvelden, kan bruke mobilen til å la AI-en generere et tilbud som er «midt i blinken», for så å gjøre en siste sjekk neste arbeidsdag

・Ingen brudd i kundekommunikasjonen: Kundeservice-AI-en kan lese kundens «historiske ordrer.md» og «spesielle preferanser.md» før den svarer. Den vil huske at «denne markedssjefen sa forrige gang at de ikke liker for sterke gule farger», noe som gjør at kunden føler seg sett, i stedet for å snakke med en robot uten hukommelse

・Mer pålitelig automatisering av designgjennomgang: For merkevarekunder med langsiktige kontrakter og strenge retningslinjer kan man bygge en dedikert «merkevare-agent». Etter at designeren er ferdig med utkastet, kan agenten kjøre en automatisert kontroll for å sikre at alle logoer, fonter, farger og layout samsvarer med kundens krav, noe som drastisk reduserer tid og kostnader ved manuell retting

・Akselerere mangfold i designforslag: Designeren kan etablere «kjerneretningslinjer.md» for et designkonsept og deretter la AI-agenten kombinere ulike «produktbilder.md» og «markedsføringstekster.md» basert på disse reglene for å generere dusinvis av visuelle layoutvariasjoner på kort tid, til kundens utvalg eller intern brainstorming

Når alt kommer til alt, avhenger intelligensen til en AI-agent i stor grad av hvor solid og strukturert «kunnskapsgrunnlaget» vi forbereder for den er. I stedet for å jage etter større og kraftigere modeller, er det bedre å starte med å systematisere bedriftens egen kunnskap. Dette er det første virkelige steget for å få AI-en til å fungere i praksis

・AI-agentens arbeidsminne er som pulten til en nyansatt; å gi den hele arkivbiblioteket vil bare gjøre den forvirret. Nøkkelen er å gi den mappene den trenger basert på oppgaven

・Å dele informasjon inn i «statistiske regler» (som merkevareguider, prisformler) og «dynamisk kontekst» (som kundens nåværende behov) er kjernen i å håndtere AI-kontekst

・Det mest effektive systemet for administrasjon av AI-kontekst er ofte bare en samling organiserte Markdown-filer, fremfor dyre og komplekse databaser

・Presis «injisering» av relevant informasjon kan øke nøyaktigheten i AI-ens svar drastisk, redusere driftskostnader og sikre konsistent atferd

・I stedet for å vente på kraftigere AI-modeller, er det bedre å begynne med å «fil-alisere» og strukturere bedriftens kunnskap og prosesser. Dette er det pragmatiske første steget for å ta i bruk AI

Fra et trykkeriperspektiv er tankegangen bak dette «kontekst-styringssystemet» langt mer verdifullt enn bare å koble til en chatrobot. Dette tilsvarer å bygge en digital «mesterhjerne» for fabrikken

Tidligere lå mye av kunnskapen (know-how) og kundeforståelsen i hodet på mesterne eller de erfarne selgerne. Nå kan vi «synliggjøre» og strukturere denne tause kunnskapen ved å lage Markdown-filer. For eksempel kan setningen «for pakken til denne farmasøytiske kunden er kravene til blåfargen spesielt sensitive; legg til 5% cyan ved prøvetrykk» skrives rett inn i client-pharma-brand.md

Når AI-en skal håndtere en relevant oppgave, blir denne filen automatisk lastet inn. Dette sikrer at viktig produksjonskunnskap og kundepreferanser blir ivaretatt og utført, selv ved personalgjennomstrømming. Særlig ettersom kapasiteten for Edge Computing stadig øker, vil trykkerier i fremtiden kunne kjøre egne, dedikerte AI-agenter på egne servere. Kombinert med dette filbaserte kontekstsystemet, kan man oppnå genuint tilpasset og effektiv automatisert prissetting, korrektur og kundeservice, samtidig som man ivaretar datasikkerhet og personvern. Dette er veien å gå for pragmatisk AI-innføring

For designere betyr dette at du kan trene en AI-designassistent som er eksklusivt for deg eller teamet ditt. Ved å bygge opp ditt «personlige stilkontekst-bibliotek» med dine designprinsipper, foretrukne layoutstiler og fontkombinasjoner, kan du la AI-en raskt generere varierte utkast basert på din stil når du møter nye prosjekter. Dette frigjør deg fra repetitivt arbeid, slik at du kan fokusere på mer kreativ idéskaping på et høyere nivå

・Hvordan designe «arbeidsminnet» til en AI-agent: Agentic Context-styringssystemet gjør at automatiseringsprosesser ikke går seg vill