Создание AI-агентов. Глава 1. Обзор — 5 августа 2026 г. в 06:45:00.300
Создание AI-агентов. Глава 1. Обзор На прошлой неделе я наконец-то получил книгу «Создание приложений с ИИ-агентами» и прочитал первую главу залпом. До этого я целый год занимался разработкой AI-агентов и собирал информацию по крупицам. Читал десятки статей и смотрел видео, но там были только базовые концепции и простые примеры. Как из этого строить сложные системы — информации практически не было. Да и парадигма работы с LLM постоянно менялась: сначала все верили в промпты, потом в силу контекста, а сейчас — в harness и мультиагентные системы. Как и многие на рынке, мы с командой шли к результату через неудачные гипотезы и рабочие решения. Итеративно развивали систему. Искали баланс между креативностью модели и скоростью её ответа. Всё это время я искал более глубокие материалы по теме, но ничего не находил. И вот теперь хочу поделиться впечатлениями от первой главы и мыслями о прочитанном. Ещё до появления книги я обратил внимание, что многие команды допускают одни и те же ошибки при проектировании и разработке продуктов на основе AI. Об этом же говорит автор в начале книги и даёт практические советы, как их не повторять: Основной критерий агентности — автономность и принятие решений. На практике же далеко не все системы, которые сегодня называют «агентными», действительно обладают автономностью. В основе этих ошибок — лёгкость интеграции LLM в любое приложение. Я видел кейсы, когда сама идея разработки агентов даже не подвергалась сомнению Не последнюю роль в этом играет хайп вокруг AI, когда все хотят разрабатывать именно агентов. Чтобы задать некоторые ориентиры, автор приводит самые распространённые типы агентных систем на сегодня: • Агенты бизнес-задач и разговорные агенты. • Агенты-исследователи (Perplexity AI или Elicit). • Аналитические агенты (Power BI Copilot или Glean). • Агенты разработки (Claude Code или Codex). • Агенты предметных областей и браузерные агенты. На этом концептуальная часть завершается, и автор переходит к практическим советам — рассказывает, как определить наиболее подходящий тип системы под конкретную задачу: В основе выбора — четыре ключевых фактора: изменчивость данных, сложность необходимой логики и рассуждений, ограничения по производительности, а также сложность сопровождения. В итоге получаем четыре основных кейса: • Предсказуемый ввод + простая логика → детерминированный код. • Большое конечное число шагов и ветвлений → workflow-движки. • Вопросы и ответы по базе знаний без действий → RAG-системы. • Динамическое планирование и обучение → полноценный AI-агент. По опыту, ошибки на этапе проектирования закладывают в систему проблемы, которые со временем будут только нарастать, а сложность их исправления — увеличиваться. Именно поэтому автор в итоге делает следующий вывод: Сознательное принятие этого решения гарантирует, что вы получите правильное соотношение простоты, производительности и адаптируемости, чтобы ваше решение оставалось как эффективным, так и простым в сопровождении при эволюции требований. Согласен с каждым словом. При проектировании всегда есть два крайних решения и несколько промежуточных. Крайние варианты здесь — это детерминированный код и полная адаптивность. Задача архитектора — правильно выбрать одно из них. В условиях, когда индустрия идёт в сторону единой роли Product Engineer, совсем скоро этот выбор будет стоять перед большинством сегодняшних разработчиков. А умение и опыт в этом вопросе будут определять востребованность каждого на рынке труда. В следующей главе автор рассказывает о проектировании полноценных агентов крупными мазками. С большим интересом продолжаю читать и в итоге сделаю очередной обзор. Поделитесь, был ли у вас опыт работы с «агентными» системами, которые в действительности таковыми не являлись? Обо мне | Telegram | MAX