Как создавать работающих AI-агентов
How to Build AI Agents that Actually Work
Агенты для корпоративных данных становятся надёжнее после настройки интерфейса инструментов под конкретную модель, а не после дообучения или выбора фреймворка.
- Формат ответа инструмента — при переходе с Markdown на JSON GPT-4o перестал заявлять, что колонок, которые есть в ответе инструмента, не существует; для Claude, по словам автора, нужен XML.
- Проверка на невозможность — GPT-4o писал SQL для оттока клиентов на схеме Salesforce, где нужных данных нет, а o1 верно заключил, что запрос построить нельзя. Модели нужна возможность честно сказать, что данных не хватает.
- Авторизация в своём коде — сквозная передача OAuth-прав пользователя до Snowflake, по словам автора, плохо укладывалась в LangGraph, поэтому учётные данные и токены команда вела в собственной кодовой базе.
- Менеджер и исполнители — менеджер отвечает за итог и делегирует подзадачи агентам с узким контекстом; по словам автора, команды из пяти–восьми агентов работают, а из двадцати пяти–пятидесяти часто зацикливаются.
Кому полезно: тем, кто строит агентов поверх хранилищ данных компании и переводит их в продакшен.
Доклад цитируется в статьях
Главы
Похожие доклады
Агенты — тоже роботы: чему автономное вождение научило меня в создании агентов
AI Engineer Code 2025
Близко по содержанию
OpenAI для руководителей AI-направлений
Toki Sherbakov, Prashant Mital
AI Engineer Summit 2025
Близко по содержанию
Создание agents: самое сложное
AI Engineer World's Fair 2025
Близко по содержанию
Создание надёжных агентных систем
AI Engineer World's Fair 2024
Близко по содержанию
