Одна из самых интересных для меня тем в прикладном ИИ - это разработка агентов(harness/scaffolding). Сочетает в себе все, что я люблю и умею - программирование сложных конечных автоматов, МЛ и автоматизацию все новых и новых задач. От МЛ тут в основном статистическая валидация того, что получившаяся система реально улучшается после изенений. Хотя и пообучать модельки иногда имеет смысл. Более интересно тут, как второе дыхание набирает, собственно, программирование. На заре появления агентов была идея, что оно больше не нужно - ллм сама может работать над задачей в цикле, и решать что делать дальше. На практике, все чаще получается по другому - и вполне себе императивный(ну или у гурманов - функциональный) код считает токены, выставляет таймауты, ограничивает права на использование функций и порядок их выполнения, распараллеливает задачи. Вот тут очень хороший пример того, насколько подходящий для задачи агент может превосходить универсальный. Claude code и ряд аналогов - прекрасны, но созданы для работы с топовыми моделями и большими контекстами. Дай ему вместо опуса компактную локальную ллм-ку - и результат, ожидаемо, ниже плинтуса. Но оказывается, что если для той же самой модельки написать подходящую ей обвязку - то процент выполненных задач из бенчмарка может вырасти, например, с 19 до 45. Что переводит решение совершенно в другую весовую категорию. #ai #agents #llm