ИИ-агентом сегодня обычно называют систему на основе языковой модели, которая сама управляет ходом работы: получает цель, выбирает шаги и инструменты, выполняет действия и по их результату решает, что делать дальше. Инструментами могут быть почта, таблица, учётная система, поиск по документам. Бот выполняет заранее прописанный сценарий. Агент строит сценарий по ходу работы, в пределах того, что ему разрешено.
У слова есть и более широкое значение. В классической теории ИИ агентом называют любую систему, которая воспринимает среду и действует в ней. А в рекламе агентом нередко называют обычного чат-бота или цепочку с одним вызовом модели. Поэтому, когда предлагают «агента», полезно уточнить, что в этом решении ИИ будет решать сам.
Агент вырос из нескольких поколений автоматизации, и каждое из них по-прежнему работает. Полезно видеть всю лестницу целиком, потому что задача клиента почти всегда решается на одной из её ступеней.
Чем выше ступень, тем больше задач она закрывает и тем меньше предсказуема.
Бот знает, что делать, потому что это записано в сценарии. Агент знает, чего нужно добиться, и выбирает действия сам. Отсюда практическая разница.
Агенты различаются тем, сколько им разрешено.
Чем дороже ошибка, тем ниже уровень самостоятельности и тем ближе человек в контуре.
Агента часто предлагают там, где хватает ступенек ниже. Если задача описывается правилом, правило надёжнее. Письма с определённой темой раскладывает фильтр почты. Отчёт по фиксированной форме собирает скрипт. Деньги, налоги, остатки, документы с цифрами считает обычная формула: она не додумывает и не ошибается по-разному в разные дни.
Простое решение дешевле, его легче проверить и поддерживать, у него меньше причин сломаться. Агент добавляет оплату запросов к модели, время на проверку его работы и непредсказуемость, которую приходится ограничивать правилами. Всё это входит в стоимость владения.
Хорошая схема часто смешанная. Агент разбирает входящий поток, понимает, что пришло, и выбирает действие. Расчёты делает калькулятор или скрипт, который агент вызывает как инструмент. Модель решает, что делать, код считает.
Там, где вход разнообразен и не укладывается в правила: свободный текст писем, документы разных форм, вопросы клиентов. Там, где задача требует нескольких шагов по разным системам и порядок шагов зависит от того, что найдено по пути. И там, где цена отдельной ошибки невелика или её перехватывает проверка.
В проекте с агентством по подбору персонала резюме нельзя отправлять в облачную модель как есть. Персональные данные убирает скрипт по жёстким правилам: какие поля удалить, чем заменить. Агенту здесь нечего решать, а ошибка обойдётся дорого, поэтому работает самая простая ступень лестницы. Языковая модель подключается позже, когда обезличенное резюме сверяется с критериями роли.
В автоматизации карточек товаров для интернет-магазина было похожее разделение. Часть данных в прайсах поставщиков совпадала с полями магазина, и их проще и надёжнее переносить скриптом. Модель нужна там, где из скупых данных требуется написать описание. Когда эти две части смешивают и отдают ИИ всё сразу, растут и цена, и число ошибок там, где их могло не быть вовсе.
Можно ли описать задачу правилом. Если да, начинают с правила. Что агенту разрешено делать самому и где он обязан спросить. Какие инструменты ему нужны и какие расчёты он передаёт коду. Кто проверяет его работу и как часто. И как понять, что агент работает хуже простого решения, которое можно поставить вместо него.
Связанные термины: Human-in-the-loop · Галлюцинация · Стоимость владения · RAG · Промпт
Нужно понять, хватит ли бота или нужен агент? Проектирование AI-решения →