← Каталог

· AI Engineer Summit 2025

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