Создание агентов для совместного творчества
Creating Agents That Co-Create
Главное узкое место агентов, которые работают часами, — доверие, и его решают интерфейсы, где человек проверяет и правит результат.
- Синтетические данные от сильной модели — большие модели генерируют датасеты для post-training и RL-окружений, а меньшие модели получают те же возможности через дистилляцию, что ускоряет цикл итераций. Для сценариев с несколькими людьми можно синтетически создать датасеты разных пользователей и дообучать на них модель.
- Проверка долгих задач — агенту, которому поручили десять часов работы над исследованием или кодом, нужны способы, чтобы человек проверил и отредактировал промежуточный результат, а модель получала обратную связь в реальном времени. Canvas в ChatGPT, по словам спикера, это уже показывает на текстах и коде.
- Знакомая форма для новой возможности — контекст на 100K заработал через загрузку файлов, а не через бесконечный чат, потому что работа с документами привычна пользователям.
- Видимые рассуждения — чтобы не заставлять пользователя ждать от пятнадцати секунд до тридцати минут, в продукте показывали поток кратких сводок размышлений модели.
Кому полезно: тем, кто проектирует интерфейсы для агентов, которые работают долго и требуют проверки результата.
Статья по теме
Главы
Ещё доклады: Karina Nguyen
Страница спикера →Принципы prompt engineering для конкретных задач
AI Engineer Summit 2023
Похожие доклады
Инструменты для нового поколения AI-инженеров
AI Engineer Summit 2025
Близко по содержанию
Пробуждение агента: совместная разработка с Copilot
Christopher Harrison, John Peck
AI Engineer World's Fair 2025
Близко по содержанию
Как создавать работающих AI-агентов
AI Engineer Summit 2025
Близко по содержанию
Reinforcement fine-tuning для агентов
AI Engineer Code 2025
Близко по содержанию

