Для Элис мы собирали бенчмарк — набор сценариев из реальных профессий, по которым проверяем, справляется ли ассистент с задачей. Прогонять его приходится десятки раз. Каждый прогон через облачную

Вопрос: «кто принимает результат — отдельный проверяющий шаг или сам агент?» Это вопрос про архитектуру доверия в многошаговом агенте. И ответ — не «то или это», а «и то, и другое, но в разных ролях».

Вопрос звучит просто: «внешний вызов уже прошёл, а результат не успел записаться на диск — сверяться с внешней системой или останавливаться и ждать оператора?»

На самом деле «сверяться или ждать» —

О победах рассказывать всегда приятно. Как и об элегантной архитектуре, правильной с точки зрения инженерии. Как всё должно быть, понятно и видно по эталонам: бери эталон, делай как там и показывай