· AI Engineer World's Fair 2025
Как создавать AI agents для автоматизации интеллектуальной работы
Building AI Agents that actually automate Knowledge Work
Агентам для работы с документами нужен набор инструментов поверх подготовленных данных: парсинга, индекса, поиска и операций с файлами, а одного RAG-запроса для этого мало.
- Парсинг сложных PDF — LLM и LVM комбинируются с традиционным парсингом и агентной проверкой результата; по словам автора, такой подход обгоняет существующие бенчмарки парсинга.
- Excel через семантическую карту — агент сначала изучает структуру таблицы и строит набор специализированных инструментов; по словам автора, точность на синтетическом наборе выросла с 70–75% у LLM с инструментом для написания кода до 95%, что выше человеческого уровня около 90%.
- Два типа агентов — ассистентные работают в чате и требуют частого участия человека, а автоматизирующие идут в фоне по пакету входных данных с проверкой в конце; автоматизирующие могут готовить данные для ассистентских.
- Кейсы из продакшена — для Carlyle агент собирает данные из Excel, PDF и PowerPoint при финансовой проверке компаний, а для производителя электроники извлечение из технических спецификаций, по словам автора, заменяет недели ручной работы.
Кому полезно: тем, кто строит агентов для обработки контрактов, счетов и технических документов с проверкой человеком на выходе.
Статья по теме
Главы
Ещё доклады: Jerry Liu
Все 4 доклада →Создание слоя контекста документов для AI agents
AI Engineer World's Fair 2026
RAG для руководителей AI-направлений
AI Engineer World's Fair 2024
Как довести RAG до production: поиск, оценка и анализ ошибок
AI Engineer Summit 2023
Похожие доклады
Создание платформы на базе агентов
AI Engineer World's Fair 2025
Близко по содержанию
Grep или embeddings? Агентный поиск по корпоративным документам
Близко по содержанию

