Обвязка с умом
Scaffold Wisely
Агенту лучше опираться на общую модель и масштабируемые вычисления, а не на хрупкий код вокруг неё: в Ramp это видно на разборе произвольных CSV.
- Три архитектуры разбора CSV — ручные интеграции под самых частых провайдеров карт, пайплайн с вызовами LLM для классификации колонок и агент с code interpreter, который пишет код сам. По словам спикера, одиночный запуск агента часто не справляется, а пятьдесят параллельных запусков с большей вероятностью дают рабочий результат на разных форматах.
- Проверка вместо доверия — агент получает unit-тест и верификатор, поэтому из параллельных попыток можно автоматически выбрать ту, которая прошла проверку.
- Цена вычислений против цены ошибки — по оценке спикера, третий вариант требует на порядки больше вычислений, но обходится меньше доллара за файл, а неразобранный CSV стоит Ramp дороже.
- Бэкенд как LLM — в экспериментальном почтовом клиенте модель сама рендерит интерфейс и обращается к Gmail через инструменты; спикер признаёт, что такой софт пока едва работает.
Кому полезно: тем, кто решает, какую часть продукта оставить детерминированному коду, а какую отдать LLM-агенту с инструментами и проверкой результата.
Статья по теме
Главы
Похожие доклады
А что, если harness важнее модели?
AI Engineer World's Fair 2026
Близко по содержанию
Проблемы масштабирования агентов для генеративных AI-продуктов
AI Engineer Summit 2025
Близко по содержанию
MCP — это скучно (или почему мы теряем магию LLM)
AI Engineer World's Fair 2025
Близко по содержанию
Построение мультиагентных систем на основе state machines
AI Engineer Summit 2025
Близко по содержанию

