«
Создание приложений с ИИ-агентами» Майкла Альбады
Ох и давно у нас не было обзоров книжек и вот, кажется, что появилась, реально топовая по ИИшке для менеджеров.
Прямо так аккуратненько тебя ведут от базовых основ - делаю что-то через чат, к сложным многопотоковым агентам и все это по правлено типичным Энтерпрайзом: создаем правила, ограничения для агентов и прочее.
Ну и забавно, что даже научный редактор русского издания отдельно предупреждает:
пока книжка ехала в печать, часть фреймворков и API уже успела поменяться.
Добро пожаловать в AI engineering 😁
Главная мысль книги:
сделать агента, который один раз красиво отработал в демке, легко.
Сделать агента, который стабильно работает в проде, сильно сложнее.
1. Возможно, вам вообще не нужен агент
Автор предлагает примерно такую иерархию:
детерминированная задача → обычный код;
известный набор ветвлений → workflow;
нужно отвечать по документам → RAG;
непредсказуемый ввод + динамическое планирование + действия → вот теперь можно доставать агента.
А то сейчас у нас иногда архитектура примерно такая:
«if можно было написать за 20 минут, поэтому мы сделали мультиагентную систему».
2. Агент - это далеко не только LLM
Нормальная агентная система состоит примерно из:
• модели;
• инструментов;
• памяти;
• знаний;
• оркестрации;
• механизмов обучения;
• инфраструктуры вокруг всего этого.
Чем больше автономности мы даем системе, тем больше инженерии появляется вокруг самой LLM.
3. Больше агентов != лучше
Отдельная глава посвящена переходу от одного агента к нескольким.
И тут тоже неожиданно никакого «роя агентов, который завтра заменит корпорацию».
Мультиагентность имеет смысл, когда нужна специализация, параллельное выполнение или реально сложная координация.
Во всех остальных случаях вы получаете:
больше коммуникаций → больше контекста → больше токенов → больше задержки → больше способов все сломать.
То есть агентная версия нашего любимого:
микросервисы нужны не потому, что их можно сделать.
4. Evals становятся новой частью SDLC
Вот это, пожалуй, одна из самых полезных частей книги.
Для обычного приложения мы примерно понимаем:
написали → протестировали → выкатили.
С агентами этого мало.
Нужно отдельно проверять:
• правильно ли выбран инструмент;
• правильно ли переданы параметры;
• нормально ли агент спланировал действия;
• правильную ли память достал;
• не галлюцинирует ли;
• справляется ли с неожиданным вводом;
• достигает ли вообще конечной цели пользователя.
Автор довольно прямо формулирует:
непротестированный агент = ненадежный агент.
И evals предлагается встраивать непосредственно в жизненный цикл разработки, а не устраивать большой экзамен перед релизом.
5. А после прода начинается еще веселее
Отдельные главы посвящены эксплуатации.
OpenTelemetry, traces, Langfuse, Grafana, shadow mode, canary, поиск регрессий.
Вплоть до самовосстанавливающихся агентов.
То есть AI engineering постепенно становится удивительно похож на обычный software engineering.
Только теперь у нас внутри системы сидит вероятностный компонент, который иногда внезапно решает сделать что-то творческое.
❤️ - если забрал в бэклог
🔥 - если читал и зашло
💅 - если читал и не зашло
