____________________________________
Введение
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 безЧто такое AI-агент?
AI-агент — это автоматизированная система, обладающая способностью к:
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 наАнатомия AI-агента
Основные компоненты:
• 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 самостоПланирование действий
AI-агенты используют LLM для планирования и адаптации действий:
• 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 сиВыполнение плана действий
Для реализации шагов планов агентам требуется вызывать локальные функции или удалённые API.
Большие языковые модели выбирают подходящую функцию и формируют параметры вызова, опираясь на функционал Function Calling.
я. Конкурентоспособность требует высокФиксация хода выполнения (чекпоинтинг)
Чекпоинтинг — фиксация промежуточного состояния агента для обеспечения надёжности, восстановления после сбоев и трассировки работы. Примеры реализации с использованием фреймворка LangGraph.
ьные изменения. КонкурентоспособностьПамять AI-агентов
Необходима для поддержки диалогов и уточнений с пользователем. Память делится на:
• 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 автоматЗнания AI-агентов и дообучение
Публичные LLM обучаются на открытых данных, но для корпоративных задач требуется дообучение на специализированных данных (фактические и закрытые). Методы дообучения:
•
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.
______________________________Расширение информационного контекста
Для улучшения качества ответов LLM используется