Keynote: Почему люди считают, что «agent» — это модное словечко, хотя это не так
Keynote: Why people think "agent" is a buzzword but it isn't
Надёжность агентов падает с ростом числа шагов, поэтому рабочие агенты держатся на декомпозиции задач, подробной документации инструментов и внешней памяти.
- Накопление ошибок — при ошибке 2% на шаг за 10 шагов доля провалов достигает примерно 18%. По наблюдению спикера, в большинстве агентных сценариев редко получается стабильно решать задачи больше пяти шагов.
- Reasoning модели в планировании — на собственном синтетическом бенчмарке спикера DeepSeek-R1, Gemini 2.0 Flash Thinking и o1-preview решают задачи с большим числом шагов, чем обычные модели без reasoning, например GPT-4o и Sonnet 3.5.
- Документация инструментов — описывайте параметры, типы, коды ошибок и возвращаемые значения, а также что означает каждый ответ. По словам спикера, одно из самых заметных улучшений агентов в одной компании дало именно пояснение возвращаемых значений; при этом инструментов лучше давать 3–4, с пятью и более агенты в его примере почти не работали.
- Память в три уровня — контекст служит краткосрочной памятью, внешние базы и файлы долгосрочной, а часто нужные знания лучше закрепить через fine-tuning, чтобы не тратить токены контекста.
Кому полезно: тем, кто проектирует агентов с вызовами API и цепочками из многих шагов.
Статья по теме
Главы
Похожие доклады
Эффективные AI-агенты: когда и как их создавать
AI Engineer Summit 2025
Близко по содержанию
Почему agent engineering
AI Engineer Summit 2025
Близко по содержанию
Как создавать агентов с учётом особенностей компаний
AI Engineer World's Fair 2025
Близко по содержанию
Почему с увеличением контекста агент глупеет и что с этим делать
AI Engineer Europe 2026
Близко по содержанию

