· AI Engineer World's Fair 2024
Какие задачи уже можно автоматизировать
Which Jobs Can Be Replaced Today
Агенты могут взять на себя реактивную рутину вроде согласования встреч по почте, а людям оставить решения с высокой отдачей.
- Реактивные задачи первыми — агент запускается от внешнего триггера, например письма, сообщения в Slack или задачи в Linear, заранее готовит действие в браузере, а человек только подтверждает его. Спикеры строят так свой продукт Jace, в который достаточно добавить в копию письма.
- Промпт в привычном формате — инструкции и контент лучше разделять XML-тегами, а вывод просить в JSON, XML или Markdown, потому что эти форматы чаще встречаются в обучающих данных модели. Элементы страницы удобнее задавать текстовыми id, чем числами.
- Явное состояние задачи — состояние хранится отдельно и обновляется парами ключ-значение. По словам спикера, полная перезапись текста дает лучшее качество, чем правка diff, но добавляет задержку.
- Отбор данных перед fine-tuning — фильтрация через LLM-as-a-judge или rejection sampling дает заметный прирост. Reinforcement learning авторы оставляют на последний шаг из-за стоимости настройки и сложности переноса на другие модели.
Кому полезно: тем, кто строит агентов для рутинной работы с почтой, календарем и тикетами и выбирает, на каком этапе переходить от промптов к обучению.
Статья по теме
На какие вопросы отвечает доклад
Как писать промпты, чтобы модель лучше понимала инструкции агента?
Переписывать промпт самой языковой моделью, отделять инструкции от контента XML-тегами и выбирать форматы JSON, XML или Markdown, которые часто встречаются в претрейне. Числовые ID лучше заменять текстовыми значениями.
▶ 9:34Практическое создание агентов и форматы запросов, совместимые с моделямиВ каком порядке добавлять prompting, fine-tuning и RL в агентную систему?
Сначала prompting и cognitive architectures, которые дают результат за часы. Затем fine-tuning, а reinforcement learning оставлять последним шагом: он занимает недели и месяцы и усложняет переход на другие модели.
▶ 9:34Практическое создание агентов и форматы запросов, совместимые с моделямиКак агенту не терять состояние длинной многошаговой задачи?
Явно хранить текущее состояние задачи, строить план с перепланированием, добавлять проверочные шаги и scratchpad для заметок. Обновлять состояние парами ключ-значение, избегая вложенных структур.
▶ 14:17Отслеживание состояния, параллелизация, оценка и обучение с подкреплениемКак получить данные для fine-tuning агента, если реальных диалогов пока мало?
Симулировать взаимодействия: языковая модель играет роли людей, а остальная система работает как обычно. Важны разнообразие и сложность промптов, потому что модели учатся лучше на трудных примерах.
▶ 14:17Отслеживание состояния, параллелизация, оценка и обучение с подкреплениемКак отсеять плохие примеры в синтетической обучающей выборке?
Использовать rejection sampling и LLM-as-a-judge: судья оценивает выход модели или всей системы и отбрасывает слабые примеры. По словам спикера, даже не идеальный судья заметно повышает качество.
▶ 14:17Отслеживание состояния, параллелизация, оценка и обучение с подкреплениемКак запускать агентов по триггерам из почты, Slack и трекеров задач вместо ручных промптов?
Собрать пул триггеров и правила, по которым агент берёт задачи, заранее готовит решение в браузере и просит человека подтвердить действие. Начать можно с Slack или Linear.
▶ 4:09Планирование задач в Jace, реактивные агенты и действия в браузере
Главы
Ещё доклады: Fryderyk Wiatrowski
Страница спикера →Viktor — ИИ-коллега, который живёт в Slack
AI Engineer Europe 2026
Похожие доклады
Модели для computer use превратят веб в среду для агентов, а не в набор API
AI Engineer World's Fair 2026
Близко по содержанию
Агенты — тоже роботы: чему автономное вождение научило меня в создании агентов
AI Engineer Code 2025
Близко по содержанию
За пределами API: как AI web agents автоматизируют «длинный хвост» интеллектуального труда
Arjun Chintapalli, Bhavani Kalisetty
AI Engineer Summit 2025
Близко по содержанию


