Ничего на свете лучше нету, чем ваять агентов без бюджета
Ничего на свете лучше нету, чем ваять агентов без бюджета «Зачем платить за вашу платформу, если есть бесплатный open source?» — это второй по популярности вопрос от наших потенциальных заказчиков. Первый такой: «А зачем вообще что-то покупать или заказывать, если у нас в компании есть свой вайбкодер с Claude Code? Он нам всё автоматизирует». Про магию вайбкодинга в корпорации мы написали выше, сегодня об этом не будем. А про open source короткий ответ такой: да, собрать самим можно почти всё. Но бесплатные компоненты довольно быстро обрастают зарплатами людей, которые собирают, дорабатывают и поддерживают систему. Покупка коммерческой платформы может снять часть этой работы и зарплат, а также сильно сократить время до запуска. На этом короткий ответ заканчивается и начинается длинный. У компании есть три элегантных способа потратить деньги. Назовём их, как и Gartner — Build, Buy и Blend. 1. Build: компания сама собирает платформу ИИ-агентов из open source компонентов. 2. Buy: покупает готовую коммерческую платформу ИИ-агентов. 3. Blend: покупает основу, но часть возможностей платформы реализует самостоятельно или с помощью отдельных компонентов open source. Важно: здесь мы сговорим только о среде. Самих агентов под конкретные задачи в этой среде всё равно надо будет создавать. Если бы мне нужно было сравнить open source и коммерческую платформу для крупной компании или банка, я бы сначала определила, что нам нужно и что уже есть. Крупная компания редко начинает с чистого листа. На этом листе за предыдущие годы уже успели разместиться корпоративные системы, подключения к данным, права доступа и так далее. Поэтому сначала смотрим, что из этого можно использовать, а затем — решаем, чего не хватает. 1. Build: Сами собираем платформу. Например, так. Если названия LangGraph и Kubernetes пока не вызывают у вас тёплых чувств, следующие три абзаца можно пропустить. А коллегам из ИТ, наоборот, предлагаю подумать о хорошем. Итак, в центре, предположим, — LangGraph для логики агентов, сохранения состояния и возобновления выполнения. Для длительных процессов с участием нескольких сервисов — Temporal. LiteLLM — как единый шлюз к разным моделям. Для хранения состояния и памяти агентов — PostgreSQL, для векторного поиска — pgvector. Для отслеживания работы агентов и оценки качества — Langfuse. Keycloak — для аутентификации и SSO. Open Policy Agent — для проверки политик доступа и ограничений на действия агентов. OpenBao — для хранения ключей и секретов. Развернуть это можно в Kubernetes. Телеметрию собирать через OpenTelemetry, метрики — хранить в Prometheus, состояние системы показывать в Grafana. Справедливости ради, разработчики открытого ПО от капитализма не отказывались. Одни берут деньги за дополнительные корпоративные функции, другие — за отдельные коммерческие продукты. Так, например, компания LangChain бесплатно распространяет LangChain и LangGraph, а зарабатывает на коммерческой платформе LangSmith. Но если бесплатных функций достаточно для выполнения наших требований — ничего не покупаем. В общем, здесь важно не спорить с очевидным: сильная ИТ-команда всё это собрать может. Теперь посмотрим, на что всё равно придётся закладывать бюджет. Сначала нужно спроектировать архитектуру и связать компоненты. Затем — настроить права доступа, процессы разработки и публикации, собрать каталог агентов и доступных им инструментов. Потом подключить корпоративные данные, организовать их обновление и разграничение доступа к ним, настроить ETL. И отдельно определить, как будем проверять качество работы агентов. Если хотим собирать ИИ-агентов в визуальном интерфейсе no-code, понадобится и конструктор. Его тоже придётся выбрать (например, что-то похожее на всеми любимый n8n) и связать с системой. Отдельно считаем инфраструктуру и использование моделей: оплату токенов, API, облачных или собственных вычислительных ресурсов. Эти расходы будут в любом из трёх вариантов, но могут различаться. После запус
Канал в каталоге Максиметера
15 подписчиков · IT и технологии