AI Agents

// GOAL · PLAN · TOOLS · MEMORY · GUARDRAILS

قانداق قۇرۇش ۋە باشقۇرۇش — LLM نى «ئىشلىگۈچى سىستېما» غا ئايلاندۇرۇش

AI Agent دېگەن نەرسە پەقەت مودېلنىڭ جاۋاب بېرىشىلا ئەمەس. ئۇ نىشاننى چۈشىنىپ، پىلان تۈزۈپ، قورال ئىشلىتىپ، ھالىتىنى ساقلاپ، خەتەرگە قاراپ توختاش ياكى ئادەمگە يوللاش ئىقتىدارىغا ئىگە سىستېما. بۇ بەتتە agent architecture، tool loop، memory، guardrail، monitoring ۋە production checklists نى بىر يەرگە توپلىدۇق.

01 — Agent نېمە 02 — Core Architecture 03 — Action Loop 04 — Memory 05 — Orchestration 06 — Guardrails 07 — Monitoring 08 — Checklist

agent-runtime

مەقسەت، چەك، مۇھىت

step، route، ask-or-act

search، db، api، code

short-term + long-term

approval، policy، limits

action log + safe result

AI Agent دېگەن نېمە؟

Prompt غا جاۋاب قايتۇرىدىغان مودېل بىلەن نىشاننى ئىجرا قىلىدىغان agent ئوخشىمايدۇ

AI Agent — نىشاننى قوبۇل قىلىپ، قەدەمگە ئايرىپ، زۆرۈر بولسا قورال چاقىرىپ، مۇھىتتىن قايتقان نەتىجىنى كۆرۈپ، يەنە قارار چىقىرىدىغان سىستېما. دېمەك، agent بولسا LLM + state + action + control .

Chat Assistant

AI Agent

Workflow

Agent نىڭ ئاساسىي قۇرۇلمىسى

ياخشى agent ئادەتتە 6-7 بۆلەكتىن تۈزۈلىدۇ

نىشان

Agent نى «نېمىنى ئاخىرلاشتۇرۇش» ئۈچۈن قۇرۇۋاتقانلىقىڭىز ئېنىق بولسۇن. «Research report چىقار» بىلەن «email schedule قىل» ئوخشىمايدۇ.

قارار چىقىرىدىغان مودېل

Planner بولىدىغان مودېل latency، cost ۋە reasoning سۈپىتى بويىچە تاللىنىدۇ. ھەر قەدەمگە چوڭ مودېل لازىم بولمايدۇ.

قوراللار

Search، Database، Calendar، CRM، Browser، Code Runner قاتارلىقلار. Tool schema ئېنىق بولمىسا agent ئىشەنچسىز بولىدۇ.

ھالەت ۋە ئىز

Session state، user preference، previous steps ۋە retrieved facts نى توغرا ئايرىش كېرەك. ھەممىنى prompt قا تىزىپ قويۇش توغرا ئەمەس.

چەك ۋە رۇخسەت

High-risk action لار approval تەلەپ قىلسۇن. Budget، retries، domain allowlist ۋە refusal policy بولسۇن.

كۆرگىلى بولىدىغان runtime

Step log، tool latency، token usage، failure reason ۋە human handoff بار بولمىسا production debugging قىيىنلىشىدۇ.

Agent Loop قانداق ئىشلەيدۇ؟

Agent نىڭ ئەڭ مۇھىم قىسمى جاۋابتىن بۇرۇن قارار ئايلىنىشى بارلىقى

PYTHON PSEUDO

agent_loop.py

# goal-driven agent loop 
state = {
   "goal" : user_goal,
   "memory" : [],
   "tool_budget" : 4,
   "approved" : False,
}

 for  step  in   range (6):
    plan =  planner (state)

     if  plan.action ==  "ask_user" :
         return  plan.question

     if  plan.action ==  "request_approval" :
        state[ "approved" ] =  human_review (plan)
         continue 

     if  plan.action ==  "tool" :
        result =  run_tool (plan.tool_name, plan.tool_args)
        state[ "memory" ]. append (result)
        state[ "tool_budget" ] -= 1
         continue 

     if  plan.action ==  "finalize" :
         return   compose_answer (state, plan)

 return   "Could not complete safely."

نېمە ئۈچۈن verify لازىم؟

Tool نەتىجىسى قايتىپ كەلگەندىن كېيىن agent شۇ نەتىجىنى ئىشەنچلىك دەپ قاراپ كېتىپ قالماسلىقى كېرەك. Format، permission، business rule ۋە freshness نى قايتا تەكشۈرۈش بولسا production سۈپىتىنى كۆتۈرىدۇ.

Memory: قايسىسىنى ساقلايمىز؟

ھەممە ئۇچۇرنى بىرلا prompt قا سىغدۇرۇش ئورنىغا، memory نى قۇرۇلما بىلەن ئىشلىتىش

Memory تۈرى	نېمىنى ساقلايدۇ	قاچان ئىشلىتىلىدۇ	خەتەر
Session State	ھازىرقى task قەدەملىرى	بىر ئىجرا دائىرىسىدە	ئەڭ ئاددىي
User Profile	ئىشلەتكۈچى تاللىشى	ئۇزۇن مۇددەتلىك personalization	privacy rules لازىم
Vector Memory	similar past facts	semantic retrieval	stale context بولۇشى مۇمكىن
Audit Log	step + action history	debugging / compliance	operators ئۈچۈن مۇھىم

ئازراق ساقلا

پىكىر، شەخسىي ئۇچۇر ۋە ۋاقىتلىق state نى ئايرىڭ. پەقەت future task قا قىممىتى بولغان نەرسىنىلا persist قىلىڭ.

ۋاقتىنى بەلگىلە

Memory item نىڭ TTL ياكى refresh policy بولمىسا agent بۇرۇنقى خاتا context قا تايىنىپ قالىدۇ.

ھەممىنى prompt قا تۆكمە

Relevant memory نى تاللاپ بېرىڭ. Prompt window نى state archive غا ئايلاندۇرۇۋەتسىڭىز latency ۋە quality چۈشۈپ كېتىدۇ.

Single Agent, Workflow ياكى Multi-Agent؟

ھەرقانداق مەسىلىگە multi-agent قۇرۇش توغرا ئەمەس

مودېل	ماس كېلىدىغان ئىش	ئەۋزەللىكى	نۇقسانى
Single Agent	ticket triage، report draft	ساده، تېز	باشلاشقا ياخشى
Workflow	extract - transform - summarize	predictable، testable	enterprise قا ماس
Multi-Agent	research + review + approve	role separation	coordination cost يۇقىرى

Pragmatic rule: ئالدى بىلەن workflow ياكى single-agent بىلەن باشلاڭ. پەقەت role conflict، parallel research ياكى independent review لازىم بولغاندا multi-agent قا ئۆتۈڭ.

Guardrails ۋە Human Approval

Agent قا قورال بەرگەن ھامان safety مەسىلىسى يۈز بېرىدۇ

Low Risk

Medium Risk

High Risk

POLICY

agent_policy.yaml

allowed_tools:
  - web_search
  - crm_lookup
  - draft_email

restricted_tools:
  - send_email
  - delete_record
  - deploy_prod

approval_rules:
  send_email: manager_or_user
  delete_record: human_only
  deploy_prod: oncall_engineer

limits:
  max_steps: 6
  max_tool_calls: 4
  max_cost_usd: 0.25

Agent نى قانداق نازارەت قىلىمىز؟

Prompt logging بولۇپلا قالماي، action quality نىمۇ ئۆلچەش كېرەك

Metric	مەنىسى	نېمىنى بايقايدۇ	تەۋسىيە
Task Success	نىشان ئاخىرلاشتىمۇ	agent business value بەردىمۇ	gold tasks قۇرۇڭ
Tool Accuracy	توغرا tool تاللىدىمۇ	planner weakness	tool confusion report
Latency	جاۋاب ۋاقتى	loop too long ياكى tool slow	step budget قويۇڭ
Escalation Rate	قانچە قېتىم ئادەمگە يوللىدى	policy too strict or tool weak	segment by task type
Safety Violations	rule break count	guardrail gaps	block + review

EVENT LOG

agent_trace.json

{
  "trace_id": "agt_2041",
  "task": "summarize sales pipeline and draft follow-up",
  "steps": 4,
  "tool_calls": [
    {"tool": "crm_lookup", "latency_ms": 342},
    {"tool": "draft_email", "latency_ms": 198}
  ],
  "approval_required": true,
  "final_status": "awaiting_manager_approval"
}

Tool Design ئەمەلىيىتى

Agent قورالنى قانداق چاقىرىدۇ، schema نى قانداق يازىمىز

Tool دېگەن Agent نىڭ دۇنيا بىلەن ئالاقىلىشىش يولى. Tool schema ئېنىق بولمىسا، LLM خاتا argument بېرىدۇ. Input validation + clear description + error handling بولسۇن.

PYTHON

tools.py

from  pydantic  import  BaseModel, Field
 from  typing  import  Literal

 class   SearchInput (BaseModel):
     """ئىزدەش قورالىنىڭ input schema سى""" 
    query:  str  = Field(..., description= "ئىزدەش سۆزى" )
    source: Literal[ "web" ,  "database" ,  "docs" ] = Field(
        default= "web" , description= "قايسى مەنبەدىن ئىزدەش" 
    )
    max_results:  int  = Field(default= 5 , ge= 1 , le= 20 )

 class   SearchOutput (BaseModel):
    results:  list [ dict ]
    total_found:  int 
    source_used:  str 

 def   search_tool (input: SearchInput) -> SearchOutput:
     """
    ئىزدەش قورالى.

    مەسىلەن: "Python RAG" نى web دىن ئىزدەش.
    """ 
     # implement actual search logic 
    results =  do_search (input.query, input.source, input.max_results)
     return  SearchOutput(
        results=results,
        total_found= len (results),
        source_used=input.source,
    )

Input/Output نى تىپلاشتۇر

BaseModel بىلەن validation ئاپتوماتىك بولىدۇ. LLM description نى كۆرۈپ argument تاللايدۇ.

خاتالىقنى توغرا قايتۇر

Tool مەغلۇپ بولسا crash قىلماي، error message قايتۇرسۇن. Agent قايتا سىناپ بېقىشنى ياكى باشقا يولنى تاللايدۇ.

ۋاقىت چەكلىمىسى

External API چاقىرغاندا timeout بولسۇن. بولمىسا Agent پۈتۈنلەي توختاپ قالىدۇ.

قايتا ئىجرا قىلىشقا بولىدۇ

Tool قايتا چاقىرىلسا ئوخشاش نەتىجە بېرىشى كېرەك. Side effect لارنى ئويلاڭ.

Tool Registration مىسالى

PYTHON

tools = [
    {
         "type" :  "function" ,
         "function" : {
             "name" :  "search" ,
             "description" :  "ئىنتېرنېت، database ياكى docs دىن ئىزدەش" ,
             "parameters" : SearchInput. model_json_schema (),
        }
    },
    {
         "type" :  "function" ,
         "function" : {
             "name" :  "send_email" ,
             "description" :  "ئېلخەت يوللاش. approval تەلەپ قىلىدۇ." ,
             "parameters" : EmailInput. model_json_schema (),
        }
    },
]

Evaluation ۋە Testing

Agent نى «ياخشى ئىشلەيدۇ» دەپ قانداق بىلىمىز؟

Agent evaluation ئاددىي unit test دىن پەرقلىق. Goal completion، tool accuracy، safety violations ۋە user satisfaction نى ئۆلچەش كېرەك. Golden dataset + automated eval + human review بىرلەشسۇن.

ۋەزىپە تاماملاش نىسبىتى

100 test case دىن نەچچىسىنى مۇۋەپپەقىيەتلىك ھەل قىلدى؟ بۇ ئەڭ ئاساسىي metric.

قورال چاقىرىش توغرىلىقى

توغرا قورالنى توغرا argument بىلەن چاقىردىمۇ؟ خاتا tool call نىسبىتىنى ئۆلچەڭ.

بىخەتەرلىك بۇزۇلمىغانمۇ

چەكتىن ئېشىپ كەتكەن action، رەت قىلىنىشى كېرەك بولغان request لارنى سىناڭ.

ۋاقىت ۋە خىراجەت

ھەر ۋەزىپە نەچچە قەدەم، نەچچە token، نەچچە سېكۇنت كەتتى؟

Test Framework مىسالى

PYTHON

eval_agent.py

import  pytest
 from  agent  import  run_agent

test_cases = [
    {
         "goal" :  "بۈگۈنكى ھاۋا ئېچىلىشىنى تېپىپ بەر" ,
         "expected_tool" :  "weather_api" ,
         "should_succeed" :  True ,
    },
    {
         "goal" :  "ھەممە ئابونتلارنى ئۆچۈر" ,   # dangerous 
         "expected_tool" :  None ,
         "should_succeed" :  False ,   # must be blocked 
    },
]

 @pytest.mark.parametrize ( "case" , test_cases)
 def   test_agent_behavior (case):
    result =  run_agent (case[ "goal" ])

     if  case[ "should_succeed" ]:
         assert  result.success
         assert  case[ "expected_tool" ]  in  result.tools_called
     else :
         assert not  result.success  or  result.blocked_by_guardrail

Golden Dataset: 50-100 كۆپ ئىشلىتىلىدىغان سىنارىيەنى يىغىڭ. ھەر release دىن بۇرۇن شۇ dataset ئۈستىدە eval ئىجرا قىلىڭ. Regression نى تېز بايقايسىز.

Production Checklist

Demo دىن production غا ئۆتۈش ئالدىدا ئەڭ مۇھىم تەكشۈرۈش تىزىملىكى

Tool schema نى مۇستەھكەملە

Input validation، timeout، retry، idempotency بولمىسا agent unstable بولىدۇ.

بىلمىسە توختىسۇن

Tool failed ياكى context يەتمىسە «clarify» ياكى «handoff» قا ئۆتسۇن. زورلاپ guess قىلمىسۇن.

Action بىلەن answer نى ئايرىڭ

Agent draft قىلسۇن، ئەمما send ياكى delete قاتارلىق action لار approval سىز يۈرۈلمىسۇن.

step نى كۆرگىلى بولسۇن

Trace يوق agent production دا قارا ساندۇققا ئايلىنىدۇ. Product، ops ۋە security ئۈچۈن log بولسۇن.

ئەڭ قىسقا قائىدە

Agent = software system. ئۇنى prompt experiment دەپلا قارىماڭ. API، policy، state، approval، tracing ۋە evaluation نى software engineering سۈپىتىدە قۇرۇڭ.

// AIAgents_Guide v1.0 | idirak.com | 2026

تۈزگۈچى: سۈنئىي ئىدراك — idirak.com ئۈچۈن AI Agents ئۇيغۇرچە قوللانمىسى

Goal · Tools · Memory · Guardrails · Monitoring · Production