В современном быстро меняющемся мире ИТ-ландшафт организаций претерпевает фундаментальные изменения. Конкурентоспособность требует высокой адаптивности, скорости реакции и создания новых ценностей для клиентов. Традиционные детерминированные системы автоматизации требуют длительных циклов разработки при изменении задач. На этом фоне системы на базе искусственного интеллекта (ИИ), способные самостоятельно понимать потребности клиентов, строить планы действий и выполнять их без участия человека, достигают высокой эффективности автоматизации и трансформации бизнес-моделей.оить планы действий и выполнять их без

1. Планированию действий (понимать потребности и строить план),
2. Выполнению плана (самостоятельно совершать задания, используя инструменты для взаимодействия с внешним миром),
3. Автономности (работать без предварительного согласования шагов с человеком).
Автономность отличает AI-агентов от традиционных программ и позволяет им принимать собственные решения.

енении задач. На этом фоне системы на

• Большие языковые модели (LLM) — интеллектуальное ядро, требующее больших вычислительных ресурсов. В корпоративной среде чаще разворачиваются в облаках или на локальных инфраструктурах с использованием семейства моделей GigaChat.
• Текстовые промпты — инструкции на естественном языке для формирования запросов к LLM.
• Агентные инструменты (API) — программные интерфейсы для взаимодействия агента с внешними системами (например, поиск в интернете, вызов функций).

ого интеллекта (ИИ), способные самосто

• Классический подход - агентный конвейер: определённый граф шагов, некоторые из которых обработаны с помощью LLM.
• Обзор подходов: «Plan & Execute» (полный план с последующим выполнением) и «ReAct» (пошаговое принятие решений).
Пример кода показывает применение GigaChat и поискового инструмента для автоматического составления бизнес-модели Lean Canvas.

и при изменении задач. На этом фоне си

Большие языковые модели выбирают подходящую функцию и формируют параметры вызова, опираясь на функционал Function Calling.

я. Конкурентоспособность требует высок

Чекпоинтинг — фиксация промежуточного состояния агента для обеспечения надёжности, восстановления после сбоев и трассировки работы. Примеры реализации с использованием фреймворка LangGraph.

ьные изменения. Конкурентоспособность

• Краткосрочную — хранит активный контекст и недавние взаимодействия.
• Долгосрочную — содержит накопленные знания, факты, историю, онтологии.
Типы памяти:
• Контекстная (история общения, уточнения задач)
• Сущностная (граф знаний о людях, организациях и связях)

нные детерминированные системы автомат

Supervised Fine-Tuning (SFT) — дообучение с учителем на размеченных данных (используется для повышения точности и адаптации под конкретные задачи и стиль).
• Reinforcement Learning from Human Feedback (RLHF) — обучение с подкреплением с обратной связью от людей, помогает улучшить качество и устранить вредные ответы.
• Direct Preference Optimization (DPO) — эффективная альтернатива RLHF с меньшими вычислительными затратами.
Специальное внимание уделяется защите конфиденциальных данных при дообучении моделей.

оделей.

Retrieval-Augmented Generation (RAG) — поиск релевантной информации из специализированных баз знаний с включением её в запросы к модели. Это снижает ошибки и необходимость постоянного дообучения.
____________________________________
Взаимодействие с пользователем
AI-агенты взаимодействуют через графические, текстовые или голосовые интерфейсы, которые обеспечивают двустороннюю коммуникацию. Популярны «обогащённые агентами приложения», объединяющие стандартные интерфейсы с логикой AI-агентов, позволяя пользователю работать с привычным приложением и одновременно вести диалог с агентом.спечивают двустороннюю коммуникацию. ПМультиагентные системы (MAS)
MAS — это группы специализированных AI-агентов, которые взаимодействуют для решения комплексных задач. Ключевые особенности:
• Специализация: агенты экспертны в конкретных областях.
• Разные роли: пользовательские агенты взаимодействуют с людьми; агенты-координаторы управляют распределением задач и контролем; продуктовые агенты обеспечивают выполнение бизнес-функций.
• Взаимодействие происходит через стандартизированные протоколы коммуникации, что облегчает масштабирование и управление.ботать с привычным приложением и одновБезопасность и контроль
Обеспечение безопасности MAS включает:
• Контентные фильтры — блокировка вредоносного и неэтичного контента.
• Ограничители действий — контроль доступа и подтверждение критичных операций.
• Системы мониторинга — журналирование, обнаружение аномалий.
• Валидация ввода-вывода — фильтрация запросов и данных.ые интерфейсы, которые обеспечивают двСреда исполнения AI-агентов
Специализированные среды исполнения обеспечивают:
• Унифицированный подход к запуску агентов,
• Контроль кибербезопасности,
• Надёжность и переносимость,
• Средства мониторинга, балансировки нагрузки и управления жизненным циклом агентов.
Среда реализуется с использованием контейнеров и serverless-технологий.фейсы, которые обеспечивают двустороннУправление AI-хабами и агентами
Система управления включает:
• Реестры агентов с децентрализованным хранением метаданных,
• Механизмы регистрации и жизненного цикла,
• Меры безопасности (аутентификация, шифрование),
• Интеграцию с платформами мониторинга и аналитики,
• Средства для администраторов и владельцев агентов для оценки производительности и выявления аномалий.ороннюю коммуникацию. Популярны «обогаЗаключение
Создание эффективных мультиагентных систем — вызов для индустрии, где ключевым является четкое определение задач, ролей и ограничений агентов для обеспечения надежной работы.
Соответствующие платформы, объединяющие разработку, безопасность, мониторинг и масштабируемость, являются основой успешных корпоративных решений на базе генеративного ИИ.
Инвестиции в такие платформы — залог долгосрочной конкурентоспособности бизнеса и повышения качества продуктов.