📚 ProTestingInfo 🔷 Канал по тестированию 📚

@protestinginfo
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
Если у вас установлено приложение,
вы можете сразу перейти в канал