YC о пяти ключевых формах ИИ-агентов
Автор статьи, анализируя подход Гари Тана в проекте GBrain, выделяет пять ключевых структурных элементов (модулей), к которым, по его мнению, постепенно приходят многие разработчики при создании продвинутых AI-агентов, выходящих за рамки одноразовых промптов. Эти элементы формируют основу для превращения возможностей ИИ в воспроизводимый, накапливаемый и конкурентный актив — «процессную способность».
1. **Навыки (Skills):** Вместо жестких инструкций (SOP) для каждой задачи — параметризуемые процедуры, подобные вызову функции в программировании. Один и тот же навык с разными параметрами может решать целый класс задач.
2. **«Тонкая» обвязка (Thin Harness):** Легковесный исполняющий фреймворк (около 200 строк кода), который предоставляет ИИ-модели «руки и ноги» для выполнения задач, управляя контекстом, файлами и безопасностью. Ключевая ошибка — перегружать его лишними функциями.
3. **Резолверы (Resolvers):** Механизмы маршрутизации, которые точно сопоставляют входящую задачу с нужным Навыком, предотвращая «коррупцию контекста» и путаницу при росте числа Навыков.
4. **Разделение на вероятностное и детерминированное (Latent vs. Deterministic):** Четкое разделение задач: вероятностные (суждение, синтез) отдаются LLM, а детерминированные (расчеты, точные операции) выполняются обычным кодом для надежности и низкой стоимости.
5. **Память (Memory):** Система для долгосрочного накопления знаний (например, в виде папки с Markdown-файлами), которая позволяет агенту обучаться на опыте, обновлять выводы и устанавливать связи между сущностями.
Комбинация этих модулей позволяет создавать системы, которые кодируют опыт в процессы, абстрагируют задачи в параметры и постоянно накапливают знания. В отличие от одноразовых решений, стоимость которых быстро падает, такая «процессная способность» (process power), по мнению автора, формирует устойчивое конкурентное преимущество в эпоху ИИ, будь то для индивидуального эксперта, малой команды или компании.
marsbit05/20 07:48
