Представьте, что вам поставили (или вы себе придумали) задачу разработки AI-агента. Может, агента внутри компании или агента, встроенного в ваш продукт. Ещё год назад для этого брали фреймворки типа langchain, mastra, openai agents, строили сложную архитектуру, работали с точным управлением контекста, разбивкой на подагентов и логикой передачи управления между ними. Все это долго разрабатывали, отлаживали во всех мелочах.
Что говорить, и мой Экзоскелет с BitGN ECOM1 челенджа был построен именно так.
Но если посмотреть вокруг, то явно прослеживается два встречных тренда:
1. Модели становятся всё умнее
2. Сформировалась целая гроздь зрелых харнесов: codex, claude, pi, opencode, hermes и тд
В связи с этим все меньше аргументов делать самописных агентов на упомянутых фреймворках (об этом говорят, например, [1], [2]), и все больше, чтобы взять, назовем это, фронтир харнес. Причем агент выйдет с более широкими возможностями и способностями.
Во фронтир харнесы вкладывается куча человеко-агенто-часов экспертизы и разработки крупных вендоров и/или крупных сообществ. Они отточены и засасывают в себя с огромной скоростью все новые фичи. Которые остается только обогатить ручками к системам компании и базой знаний про ваши процессы и правила.
Наш опыт это полностью подтверждает, агент Orpheus сделан именно так, и это отлично работает.
Немаловажно, что обслуживание и развитие таких агентов сильно проще. Буквально сегодня потребовалось подключить к Oprheus ещё одну нашу систему. Раньше бы пришлось писать API-клиента (или подключать SDK), описывать новые тулы. Сейчас же это делается в виде вызова:
$skill-creator нужен скилл для работы с системой N. Изучи API и опиши, как лучше сделать
Через 20 мин я получил лаконичный скилл на полстранички, python-скрипт (микро cli) и openapi.json со спекой API, по которому агент может искать с помощью
rg+jq. И оно уже в проде.А что с AI-фреймворками, спросите вы? Кажется, им остается ниша очень потоковых, но узких задач. Где цена ошибки высокая и скоуп задачи очень четкий. Там где мы хорошо понимаем все варианты развилок движения агента и можем выжать максимум на дешевой модели. Но в обслуживании это сильно дороже, поэтому критерий потоковости здесь ключевой.
🔗 Инженерия и AI | Ilyas Salikhov