Как сделать самого человекоподобного бота

Клонируйте сотрудника. Просто возьмите всю его переписку за всё время в компании (минимум годы) и залейте в RAG. Нужен один конкретный сотрудник, а не набор из сообщений всех сотрудников.

Ошибка всех, кто внедряет ботов поддержки: если они учат его на старых переписках, то на всех скопом, а надо учить на переписках конкретного сотрудника. В крайнем случае можно найти кластеры сотрудников (типа похожих) и обучать на кластерах. Тем самым получив 5–10–20–50 версий бота, и пусть они все рандомно подключаются к очередным чатам с пользователями.

Подпишись 👉🏻 @aigentto 🤖

Внедрение за две недели

Лучший свой MVP и сразу внедрение я сделал в ~2002 году, у меня был компьютерный салон (ну где школота за деньги могла рубиться в контру и прочие радости).

Я нанял работников, и выручка упала (стали воровать).

Тогда я сел и за две недели, не выходя из салона, написал систему управления компьютерным залом под Windows. TCP/IP, клиент-сервер и т.д.

Каждый день (ну, может, кроме первых 2-3 дней) я выкатывал новую версию на все компы и на комп админа. И сразу в бою тестировал. Были баги, глюки, хитрая школота находила способы убить мой процесс и разлочить комп. Но спустя две недели всё заработало как надо.

Больше таких скоростных внедрений и решения проблем бизнеса я не видел никогда. Была реальная понятная мне проблема, я смог посвятить этому 200% своего времени, то есть полный фокус, не было необходимости в коммуникации.

Мне это говорит об одном — сделать очень много за спринт можно — достаточно, чтобы было понимание проблемы, полный фокус, быстрая обратная связь и нужные тех. скилы.

Кстати, скоро мы соберём фреймворк, на котором можно будет выкатить мультиагентную систему с RAG за 2-3 дня 🔥

Подпишись 👉🏻 @aigentto 🤖

Слабое звено системы ИИ-агентов — это люди

Часто ИИ-агентам нужны знания из RAG-систем или через MCP-сервер. Знания нужны, относящиеся к конкретной компании. Материалы должны добавлять люди. Они их не добавляют по разным причинам — заняты, надо согласовать с кем-то, у них есть более важные задачи.

Бот может форвардить на людей, чейзить их, но это не очень хорошо работает. Есть примеры, когда люди не отвечают на запрос пользователя, если бот сам не смог ответить. Потом такие кейсы попадут в статистику — внедрение бота не помогло.

Наверное, пора внедрять ИИ-агентов, которые будут сами добывать информацию в компании, получая все доступы, общаясь с людьми. В идеале у такого агента должен быть табельный номер, ФИО и важная должность, чтобы люди его не игнорировали и открывали ему все двери 🚪.

Но пойдет ли на такой эксперимент хоть одна компания?

Подпишись 👉🏻 @aigentto 🤖

Как понять Зумера?

Я вообще не очень люблю теорию поколений, как и любые другие классификации — я воспринимаю их достаточно условно.

Но при работе с зумер командами LLM тоже помогает.

Я сгенерил себе ИИ-агента, натренированного на зумерских переписках, и каждый раз, когда мне пишет зумер — особенно много текста, я спрашиваю у ИИ-агента: он переводит мне на русский 😀 на мой язык поколения Y 😎

Подпишись 👉🏻 @aigentto 🤖

Люди сдаются перед Agentic AI

Типичная картина на проектах по внедрению мультиагентного AI. Сделали систему из 30+ агентов — уже очень тяжелая и долго думает. При этом дает результат.

Но на очередном ветке система начинает выдавать в результате совсем тупые ошибки (дает местами контент, которого быть не должно). Что нужно делать — верно дебажить все 30 агентов и точечно искать проблему и ее чинить. Искать тот самый root cause — где собака зарыта.

Но дедлайны давят, и намного проще сделать еще 2 агента, bug_finder и bug_fixer, которые точечно правят проблемы.

Ничего не напоминает? 😀 Именно так дизайнит системы эволюция, именно так задизайнен человек — все через одно место.

В общем, учитывая бизнес-цели — это нормальный подход, НО человеческий интеллект тем и отличается, что все-таки способен сделать титаническое усилие — найти реальную проблему и ее починить. Зачастую это означает избавиться от каких-то промптов или агентов, то есть возможно, система over-engineered.

Подпишись 👉🏻 @aigentto 🤖

Слишком мало vs слишком много: дилемма Agentic AI

В Replit в 2025 году агент получил полный доступ к продакшн‑данным и удалил записи о 1 200 компаниях. Проблема была не в интеллекте модели, а в том, кто дал ей ключи.

В страховой компании агенту разрешили только наблюдать: анализировал данные, но не мог действовать. Результат — проект свернули, скорость осталась прежней, сотрудники считали его лишней нагрузкой.

И вот парадокс: на самом деле для развития Agentic AI опаснее недостаток автономии. Агент без прав превращается в дорогую имитацию автоматизации, которая ничего не меняет.

Это как выпускать машины на автопилоте на дороги общего пользования. Да, они кого‑то могут «сбить», но люди сами совершают сотни смертельных ошибок ежедневно. Честнее будет смотреть на общую статистику пользы и вреда, а не горевать над конкретным кейсом.

И да, Replit свои данные восстановил из бэкапа — так что не стоит паниковать.

Подпишись 👉🏻 @aigentto 🤖

GPT-5 для RAG не подходит

Главный нюанс — экономика и архитектура.

GPT-5 дешевле только по входным токенам, но у нас вход обычно — это 3–5 слов. Экономия там — микроскопическая. Зато выходные токены стоят одинаково, а именно за них мы и платим больше всего. Короче, никакой выгоды.

Вторая проблема — семантическое кэширование.

Мы уже внедряли своё — отключили, потому что похожие вопросы давали одинаковые и неверные ответы. GPT-5 делает примерно то же самое, только встроенно и без кнопки «выключить». Для RAG это прям больно: ответы становятся непредсказуемыми.

И ещё — GPT-5 умнее, да. Но в RAG «умнее» не значит лучше. Нам не нужно, чтобы модель строила логические цепочки и додумывала за пользователя. Нам нужно, чтобы она просто читала наш контекст и не фантазировала. GPT-4o делает это стабильнее.

По факту:
Переход на GPT-5 для RAG — это больше рисков, ноль экономии и никакой пользы.
Пока GPT-4o остаётся лучшим вариантом.

Подпишись 👉🏻 @aigentto 🤖

Вышла новая статья на habr "Как извлечь ДНК автора? Креатив от LLM" 💡

Подпишись 👉🏻 @aigentto 🤖

Мессенжеры и Zoom'ы будущего

Я уже писал про способность LLM извлекать не только смысл, но и эмоции из текста.

Это почти никем сейчас не используется, но, делая эмоциональный анализ, например переписок, мы можем предсказать увольнение сотрудника, увидеть конфликт между сотрудниками или даже определить и предсказать депрессию у человека, а может, и предотвратить самоубийство.

Такие инструменты точно будут внедряться, при этом для анализа нам зачастую не нужен полный текст, а только EQ-обертки из текста, то есть LLM даже может не знать, про что была переписка для такого анализа - не раскрывается тайна переписки.

Но самое крутое, что появятся мессенджеры и Zoom-встречи, которые будут переводить текст или даже видео из одной эмоции в другую, например, подстраиваясь под собеседника. То есть сообщение могло быть с одной эмоцией, а до собеседника дойдет с тем же смыслом, но с другой эмоцией, чтобы лучше донести мысль.

Подпишись 👉🏻 @aigentto 🤖

ИИ-агенты в медицине

Не секрет, что chatGPT уже ставит диагнозы в 4–5 раз точнее при наличии всех анализов, чем средний доктор "по больнице".

Я сам уже 2+ года веду чат по моим медицинским вопросам с chatGPT — он помнит мои предыдущие анализы, уже реально всё про меня знает и быстро и точно отвечает.

И главное, у него не 12 минут на меня выделено, поэтому отвечает очень подробно, объясняя все связи и зависимости.

На картинке — те компании, которые уже делают ИИ-агентов для медицины. Ниже — то, что они делают.

Но догадайтесь, какую проблему пациента и врача эти компании не решают?

И почему я и ещё ~100 млн пациентов и врачей идут за этим в chatGPT?

Пишите ваши версии в комментариях 🙏

Подпишись 👉🏻 @aigentto 🤖

Что делают ИИ-агенты в медицине:

1️⃣ Клинические ассистенты для врачей (Nabla, Hippocratic AI, Freed, Hyro, Notable, Artisight, Corti)

Делают AI-ассистентов для врачей: транскрипции, подготовку записей, подсказки во время приёма — но не работают с полным анамнезом пациента.

2️⃣ Платформы объединения клинических данных (Innovaccer, Meld, Qventus, RhythmX, Infinutus)

Интегрируют данные разных больниц в одну систему — но это B2B решения, которые не дают пациенту собственное медицинское хранилище.

3️⃣ AI для страхования и биллинга (RapidClaims, Prosper, Amperes, Autonomize)

Оптимизируют страховые выплаты и кодирование процедур — никакого отношения к персональным медицинским данным пациента.

4️⃣ Lifestyle/health monitoring & mental health (Ellipsis, Livmor, Lila, Charta, Tala)

Отслеживают состояние, сон, психику, риски — но не собирают «полную медицинскую историю жизни».

5️⃣ Биотех и медицинские R&D-платформы (Synthpop, AlaffiaHealth, Maverick)

Используют ML для исследований и разработки лекарств — другая индустрия, не связанная с пациентскими данными.

Подпишись 👉🏻 @aigentto 🤖

Из FB Little Red Book...

💡 Думай неправильно. Всегда есть решение. Обычно даже несколько. Если то, что ты делаешь, не работает, попробуй взглянуть на проблему иначе.

❔Может, ты слишком умён. Думай как идиот.

🤔 Может, ты слишком всё усложняешь. Думай проще.

👉 Забудь о том, как делать правильно. Делай то, что работает. Попробуй что-то новое. Затем попробуй что-то ещё.

С наступающим 🎄 @aigentto 🤖

Важные доки по адаптации сотрудников

Вот это я понимаю важные документы по адаптации сотрудников 😀

Подпишись 🎁 @aigentto 🤖

Если кто есть на reddit, лайкните пост плиз, мне надо набивать там карму 🙏

Подпишись 👉🏻 @aigentto 🤖

Создал свой reddit, там будут посты на английском по той же теме. Но будет больше специфики мировой и многие темы будут выходить раньше, чем тут 😎

Подключайтесь 👉 https://www.reddit.com/r/AIGENTTO/ 🤖

Отказ в гранте ФСИ

То, что мы сейчас делаем, — это в чистом виде НИОКР. Мы разрабатываем новый подход в Agentic AI — работу роев агентов без оркестрации и качественное извлечение знаний из источников.

Для решения второй проблемы были созданы ChunkTester (подбор чанкования для RAG и авто-тестирование RAG систем) и Clusteroid (поиск кластеров знаний в разрозненных документах компаний).

С этими темами мы и подавались на грант, НО когда спустя 4 месяца дело дошло до защиты - это уже было сделано 🤷

И мы пошли дальше в следующий качественный скачок по извлечению знаний и в разработку фреймворков для роевых интеллектов. И тему на защите поменяли.

И не смотря на то что мы такие молодцы сделали за 4 месяца то про что говорили в заявке, предложить продолжение темы было ошибкой.

Надо понимать что грант выдает государство, плюс в том что это бесплатные инвестиции, минус в том что к этому подходить надо как к сдаче реферата или диплома - выбрал тему будь любезен напиши X страниц по выбранной теме.

Ошибка полностью моя - я думал мое глубокое знание вопроса и харизма убедит борду защиты, НО тема формально другая = отказ 😎

В следующий раз будем умнее 🧠 А пока продолжаем разрабокту на свои 💵

Подпишись 👉🏻 @aigentto 🤖

Генеративные сети слишком оптимистичны

Ещё один большой косяк всех LLM — это их попытка генерировать ответ на любой запрос. Например, ведём разговор с LLM об автомобилях, и тут случайно копируем туда что-то про совсем другую тему. Оно начинает отвечать, пытаясь притянуть нерелевантный запрос за уши.

А по сути, просто должна спросить — ЧЕ? 🤨

Подпишись 👉🏻 @aigentto 🤖