Az Ai2 bemutatta, hogyan épített megbízható tengeri AI-ügynököt

A megbízhatóság fontosabb volt a modellnél

Az Ai2 július 13-án ismertette, milyen tapasztalatokat szerzett a Shippy fejlesztése közben. A Skylight csapatának olyan tengeri ügynököt kellett létrehoznia, amely valós időben támogatja a tengeri helyzetkép kialakítását, miközben az adatok folyamatosan frissülnek az új műholdas és hajózási jelek érkezésével.

A fejlesztők szerint egy hibás válasz egy járőrhajót mérföldekkel rossz irányba küldhet, jelentős erőforrásokat emészthet fel, és a személyzetet is veszélybe sodorhatja. Ezért a munka középpontjában nem önmagában a nyelvi modell állt, hanem egy olyan rendszer felépítése, amely helyesen működik, ismeri a korlátait, és sokféle feladat során is ellenőrizhető marad.

A Shippy három fő elemből áll. A „soul”, vagyis a rendszerutasítás határozza meg az ügynök szerepét és viselkedési korlátait. A „skills” készségek írják le, hogyan kezelje az egyes kéréstípusokat, míg a „config” a futtatási környezetet tartalmazza. A soul és a készségek egy verziózott Docker-képbe kerülnek, a használt ügynökkeret, a nyelvi modell és a futási beállítások viszont konfigurációként cserélhetők. A Shippy jelenleg az OpenClaw nyílt forráskódú keretrendszert és a Claude Opus 4.6 modellt használja.

Készségek és kiszámítható eszközök

A Shippy készségei egyszerű, strukturált fejlécet tartalmazó Markdown-fájlok. A jelenlegi készlet a Skylight API használatát, a hajók észlelt tevékenységeinek és adatainak lekérdezését, a kizárólagos gazdasági övezetek, vagyis az EEZ-k és a tengeri védett területek határainak megkeresését, továbbá a hajók mozgási jeleinek értelmezését fedi le.

Az ügynök interaktív térképhivatkozásokat is készít, így az elemző a beszélgetésben kapott válaszból közvetlenül a Skylight megfelelő térképi helyére ugorhat. Egy Panama kizárólagos gazdasági övezetében végzett halászati tevékenységre vonatkozó kérdésnél például először a régiók API-ján keresztül keresi meg a határpoligont, majd ezen a geometrián futtatja le a halászati események lekérdezését. A partnerforrásokból származó hajózási adatokat, például a Global Fishing Watch vagy a TMT adatait, attribútummal látja el.

Az Ai2 a nyelvi modell kiszámíthatatlan döntéseit determinisztikus eszközökkel igyekszik korlátozni. A Shippy nem közvetlenül állít elő nyers API-hívásokat, hanem egy erre készített Skylight parancssori felületen keresztül dolgozik. A CLI kezeli a hitelesítést, a lapozást és a strukturált kimenetet, miközben típusos kapcsolókkal csökkenti a hibás geometria, a hibás szűrők és a hiányos eredmények kockázatát.

A lekérdezések eredményeit helyi JSON-fájlba írják. Ez elkerüli a nagy eredményhalmazok és a csőpuffer korlátait, és lehetővé teszi, hogy az ügynök a több lépésből álló elemzés későbbi szakaszaiban is hozzáférjen az adatokhoz. Az API, a CLI és a készségek külön-külön tesztelhetők.

Elkülönített munkamenetek, élő adatokon végzett értékelés

A Skylight több mint 70 országban több száz kormányzati ügynökséget és civil szervezetet szolgál ki. A felhasználók saját érdeklődési területekkel, hajólistákkal és riasztási beállításokkal dolgozhatnak, ezért a Shippy minden beszélgetését elkülönített, ideiglenes munkamenetben futtatják.

Az Ai2 ehhez a Mothership nevű ügynöküzemeltetési platformot építette. A rendszer minden munkamenethez külön Kubernetes-telepítést hoz létre, amely tartalmazza a futtatási környezetet, a készségeket és a Skylight CLI-t. A felhasználó Skylight JWT-tokenje a létrehozáskor kerül be, így az API-hívások az adott fiók adataira korlátozódnak. Az elemzés közben létrehozott fájlok csak az adott munkamenetben érhetők el, és a sandbox hálózati kapcsolatai is a szükséges szolgáltatásokra vannak korlátozva.

Az Ai2 a modellt önmagában nem tekinti az értékelés megfelelő egységének. Saját értékelési rendszert készített, amely a modellt, a készségeket és a sandboxot együtt vizsgálja élő adatokon. A szakterületi szakértők feladatokat és értékelési szempontokat állítanak össze, majd az egyes szempontokhoz súlyokat rendelnek. Egy halászati eseményeket kereső feladatnál például az adatok pontossága kapja a legnagyobb súlyt, ezt a határfeloldás és az időszak követi, míg a forrásmegjelölés és a válasz stílusa kisebb súllyal szerepel.

A természetes nyelvű kérdés lefut a sandboxban, ezután egy nyelvi modell 0 és 1 közötti pontszámot ad az egyes kritériumokra, és szövegesen megindokolja az értékelést. Az összesített, súlyozott eredményt egy rögzített megfelelési küszöbhöz hasonlítják. A felhasználók számára ez azt jelenti, hogy a Shippy válaszaihoz kapcsolódó adatok, időpontok, források és térképi hivatkozások ellenőrizhetők, miközben az ügynöknek tilos jogi döntést hoznia vagy az adatokon túl spekulálnia.