У всех одинаковые AI-модели. Чем отличаются agents?
Everyone Has the Same AI Models. Here's What Sets Agents Apart - Richmond Alake, Oracle
Преимущество агентов задают собственная память, знания и доступ к данным, а модели у всех одинаковые; спикер называет этот слой intelligence plane.
- Intelligence plane поверх control plane — слой знаний, памяти и обучения на данных добавляется к governance и оркестрации. По словам спикера, информация сама по себе не равна интеллекту.
- Ontology и semantic layer — по словам спикера, на вопрос про контрагента агент с этим слоем ответил точнее, чем агент на простом текстовом поиске. В его демо он тратил около 32 тысяч токенов против 200 тысяч у наивного агента.
- Decision models для маршрутизации памяти — маленькая дообученная модель решает, куда положить новую информацию: в хранилище диалогов или рабочих процессов, и это дешевле и проще, чем писать такую логику кодом. Спикер называет маршрутизацию, embeddings и reranking самыми доступными точками для старта.
- Владейте своей памятью — относитесь к памяти как к данным: записывайте сущности и определения, переносите права доступа в data layer и сохраняйте трейсы, чтобы агент мог учиться дальше.
Кому полезно: тем, кто строит агентов в регулируемых отраслях, например в финансах, и хочет держать память и инференс у себя.
Статья по теме
На какие вопросы отвечает доклад
Почему агенты с теми же моделями и данными не дают преимущества?
По словам спикера, информация не равна интеллекту. Преимущество дают знания, память, управление доступом и непрерывное обучение в отдельном слое intelligence plane поверх control plane.
▶ 8:16Что такое плоскость интеллектаПочему агент ошибается в финансовых терминах, если ищет только по совпадению слов?
По словам спикера, онтология и семантический слой дают точность, которой нет у простого поиска. В его демо агент с ними правильно отвечал про контрагента и термин «концентрация», а наивный агент ошибался.
▶ 14:01Демо: управляемый и наивный агентКак дёшево и быстро направлять записи агента в нужное хранилище памяти?
Спикер предлагает дообученную небольшую decision model: она классифицирует входящую информацию и направляет её в conversation или workflow memory. По его словам, это дешевле и проще правил в коде, а в некоторых случаях снижает задержку.
▶ 20:52Демо: fine-tuning маршрутизации памятиКак не дать агенту читать данные, которые пользователю недоступны по правам строк?
Спикер описывает Deep Data Security в Oracle: контекст пользователя и права на строки передаются в слой данных, и агент действует от имени пользователя, видя только его данные.
▶ 18:07Память агентов, безопасность и приватный inferenceКак развернуть эмбеддинги, LLM и реранкеры агента на своей инфраструктуре?
Спикер описывает контейнер Private AI service, в котором есть всё для собственных эмбеддингов, LLM-инференса и реранкеров on-prem. Для облака он упоминает Oracle Cloud.
▶ 18:07Память агентов, безопасность и приватный inferenceКак собирать трассы памяти агента, чтобы модели учились на его работе?
Спикер советует владеть памятью как данными: фиксировать сущности, определения и трассы агента. Это основа для непрерывного обучения, которое улучшает систему со временем.
▶ 24:41Итоги: владейте своей памятью
Главы
Ещё доклады: Richmond Alake
Страница спикера →Архитектура памяти агентов: принципы, паттерны и лучшие практики
AI Engineer World's Fair 2025
Похожие доклады
AI-агентам не должно быть важно, где они работают
Близко по содержанию
Keynote: Почему люди считают, что «agent» — это модное словечко, хотя это не так
AI Engineer Summit 2025
Близко по содержанию
Что общего у лучших агентов
AI Engineer Europe 2026
Близко по содержанию

