← Каталог

· AI Engineer World's Fair 2026

Проблема структуры enterprise-агентов

Enterprise Agents Have a Structure Problem - Ishita Daga, Tesla

Enterprise data-агенты ломаются на неоднозначном, устаревшем и персональном бизнес-контексте, поэтому нужны семантический слой и петля обратной связи, а не модель крупнее.

  • Три источника истины по порядку — агент сначала ищет ответ в семантическом слое с утверждёнными KPI и определениями, затем в канонических параметризованных запросах, и только потом в графе таблиц, который сложнее всего поддерживать. По мнению спикера, первые два уровня закрывают около 80% задач.
  • Контекст с жизненным циклом — живые источники, например GitHub, CRM, Tableau и dbt semantic layer, обновляются постоянно, а замечания вроде «таблица неверна» или «определение устарело» логируются и идут в обновление контекста.
  • Оценка после каждого обновления — спикер советует вести набор вопросов с ручной разметкой или автоматически проверять ответы агента на вопросы за последние дни. Без этого команда не видит, как меняется качество агента.
  • Персональные метрики остаются открытой задачей — разные команды считают одну метрику по-разному, например среднее время этапа. Память вроде Mem0 хранит предпочтение, но не различает метрики, поэтому нужна маршрутизация к метрике по тому, кто спрашивает.

Кому полезно: тем, кто строит агентов для внутренней аналитики и сталкивается с расходящимися определениями метрик между командами.

Статья по теме

Главы

Похожие доклады