Недавно посмотрел разбор от Алексея Голобурдина про ИИ-агентов. На простейшем примере он показывает, как LLM сама решает, какие инструменты использовать, чтобы бизнес-процесс "завелся". Схема – огонь, особенно для аналитиков

Задача: клиенты отправляют реквизиты на почту (кто в excel, кто в .docx, а кто просто в теле письма), мы хотим на выходе строгий pdf счет

Как ИИ агент решает задачу

1. LLM мозг: запускаем модель, которая умеет рассуждать и сама выбирает инструменты, системный промт «достань реквизиты, собери счет на оплату …»

2. Функции: пишем и передаем агенту функции создания pdf в нужном формате и функцию похода в Почту

3. Магия: LLM идет на Почту, скачивает файлы, достает реквизиты из файла, запускает create_pdf функцию и создает счет => Done!

Почему аналитикам стоит попробовать

📍 Новый формат решения бизнес задач, в котором вы пилите ИИ агента и функции к нему, а не всю программу и интерфейс. За этим будущее в том числе по решению задач сборки и анализа данных.

📍 Развивать навыки python + LLM стек. Да, в этом кейсе простые функции, но потрогать библиотеку для ИИ агентов LangChain, думаю, будет полезно.

📍 Развивать бизнес sense. Современный продукт в интерфейсе чата имеет свои преимущества с точки зрения разработки – не нужно писать фронтенд с кнопками/формами и бэкенд ручки для обработки, просто пишешь "удали / добавь / поправь" и все само работает в чате с ИИ агентом.

Да, при усложнении задачи (сделать счет + акт о выполненных работах) в какой-то момент LLM начинает галлюцинировать – заменять реквизиты и писать дефолтные ФИО вроде Иванов И. И. Это поправимо, достаточно разбить задачу на несколько: промты проще, меньше вероятность ошибки.

🔜 Полный видео разбор 🔜 Код