· 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
Почему большие контекстные окна не спасут вашего агента
AI Engineer World's Fair 2026
Близко по содержанию
«Готовность данных» — миф: надёжный ИИ с агентным семантическим слоем
AI Engineer World's Fair 2025
Близко по содержанию
Будущее за специализированными доменными агентами
AI Engineer World's Fair 2026
Близко по содержанию
Разработка и оценка AI agents
AI Engineer Summit 2025
Близко по содержанию

