Репост из «-70952527123901»

ИИ-агент: что это и из чего он состоит — видео, канал «📚 ProTestingInfo 🔷 Канал по тестированию 📚» ▶ видео

🤖 ИИ-агент: что это и из чего он состоит 🤖



Сейчас ИИ-агентом называют почти всё: чат-бота, автоматизацию в n8n и даже один запрос к LLM. Но...


💬 В обычном чате с LLM как ChatGPT/Qwen/... вы задаёте вопрос и получаете ответ.

⚙️ В автоматизации (workflow) шаги и правила перехода между ними задаются заранее.

🤖 ИИ-агент получает цель, сам выбирает следующие действия и инструменты, учитывает результаты каждого шага и продолжает работу, пока задача не выполнена или не сработало условие остановки.


Из чего состоит ИИ-агент 👇


1️⃣ Модель (LLM)
Анализирует информацию, выбирает следующее действие и формирует ответ.


2️⃣ Инструкции (prompts)
Описывают, какую задачу решает агент, по каким правилам работает и какой результат должен выдать.


3️⃣ Контекст, память и состояние (context, memory, state)
▫️ Контекст — информация, которую модель получает для текущего шага.
▫️ Память — информация, которую агент может сохранить и использовать позже.
▫️ Состояние — что уже сделано, какие результаты получены и на каком шаге сейчас задача, помогает перемещать агента между шагами процесса работы.


4️⃣ Инструменты (tools)
Дают агенту возможность вызывать внешние системы: читать файлы, получать данные из БД, вызывать API, запускать код и работать с другими системами. Именно в этом контексте встречается термин MCP.


5️⃣ Харнесс (harness)
Программная обвязка вокруг модели, которая управляет выполнением задачи.

▫️ Передаёт модели инструкции и контекст.
▫️ Запускает выбранные инструменты и возвращает модели результаты.
▫️ Сохраняет состояние, обрабатывает ошибки и повторные попытки.
▫️ Следит за лимитами и условиями остановки.

Модель выбирает следующее действие, а харнесс управляет его выполнением.


6️⃣ Ограничения и права доступа (guardrails & permissions)
Определяют, какие данные агент может читать, какие действия выполнять самостоятельно и где нужно подтверждение человека. Здесь же задаются лимиты по времени, количеству шагов и расходам.


7️⃣ Контроль и оценка качества (evals)
Логи и метрики помогают понять, что агент сделал, где возник сбой и сколько ресурсов он потратил.

Evals — это проверки на заранее подготовленных сценариях. Они показывают, достиг ли агент нужного результата, соблюдал ли правила и сохранилось ли качество после смены модели, инструкций или инструментов.



📌 Зачем это системному аналитику?

Мы всё чаще проектируем системы, в которых часть задач выполняют ИИ-агенты. И всё чаще сам ИИ-агент становится тем, что нужно спроектировать под конкретную задачу.

Чтобы описать требования к нему, сначала важно понимать, как он устроен, а потом уже двигаться в глубину и проработку правил работы каждого отдельного компонента.


На анимации к посту максимально наглядно показала как выглядит ИИ-агент по разработке требований к фичам, полезный для аналитиков.

Надеюсь этот пример поможет лучше понять что находится "под капотом". Сохраняйте, пользуйтесь 🤝

#AI_for_analysts #АрхитектураGA
Просмотры: 17
Открыть в MAX Сообщить о неточности

Репосты публикации

Публикация канала

Сообщить о неточности

Опишите, что нужно исправить. Если есть источник, добавьте ссылку.

Вы покидаете datool.ru

Ссылка ведёт на внешний сайт. datool.ru не отвечает за его содержимое — проверьте адрес, прежде чем вводить пароли или платёжные данные.

Переход через 10 с

Перейти