От переводчика: Продолжаем следить за движением Camunda в сторону ИИ. В то время как генерация моделей при помощи LLM пока еще вызывает улыбки — примерно, как ранние опыты по созданию картинок, когда ИИ не умел правильно считать пальцы, то встраивание агентов в процессы выглядит более реалистично.
Вроде бы идея лежит на поверхности — бери движок процессов и заменяй обычные юзер-таски на вызовы ИИ. Но людям нравится изобретать велосипеды, каждый придумывает свою нотацию. Посмотрим, что скажет рынок!
Есть множество инструментов для создания AI-агентов, и в основе им нужно три вещи. Во-первых, им нужно понимать свою основную цель и правила, в рамках которых они должны работать. Например, вы можете создать агента и сказать ему: «Ты здесь, чтобы помогать клиентам с общими запросами о существующих услугах банка». Во-вторых, нам нужен промпт — это запрос к агенту, который агент может попытаться выполнить. И наконец, нужен набор инструментов — это действия и системы, к которым агент имеет доступ, чтобы исполнить запрос.
Большинство конструкторов агентов объединяют эти три требования в одну статическую, синхронную систему, но в Camunda мы решили этого не делать. Мы обнаружили, что это создаёт слишком много ограничений для применения, не масштабируется и сложно поддерживается. Чтобы преодолеть эти ограничения, мы придумали концепцию, которая позволяет разделить эти требования и полностью визуализировать агента так, чтобы открыть его для гораздо большего числа сценариев использования — не только на техническом уровне, но и в такой форме, которая снимает многие опасения у людей, добавляющих AI-агентов в свои основные процессы.
Ценность полной визуализации
Чтобы понять, насколько успешно справился AI‑агент с задачей, обычно приходится разбирать его цепочку рассуждений. Это похоже на личный дневник ИИ, где он фиксирует ход своих мыслей и описывает, почему выбрал те или иные инструменты. Теоретически, вы могли бы просто прочитать этот текст и таким образом оценить работу агента. На практике же это неудобно по двум причинам:
1. Вся информация сводится к сухому тексту, который ещё нужно тщательно разбирать.
2. Иногда ИИ может искажать или выдумывать факты в своих рассуждениях, так что эта версия событий не всегда достоверна.
Мы предлагаем решение: визуализировать самого агента, его инструменты и процесс выполнения задачи в едином интерфейсе.
Прозрачность работы AI‑агента благодаря BPMN
Диаграмма выше показывает процесс BPMN с реализованным AI-агентом. Он разделён на две части. Логика агента сосредоточена в активности AI Task Agent, а доступные ему инструменты отображаются в виде ad-hoc подпроцесса. Это конструкция BPMN, которая позволяет выполнять задачи внутри неё полностью динамически.
Благодаря такому подходу действия агента становятся абсолютно прозрачны для пользователя — на этапе проектирования, в ходе исполнения, и даже при оценке эффективности процесса с учётом работы агента.
Диаграмма выше показывает тепловую карту, отражающую, какие инструменты работают дольше всего. Достичь такой точности измерений невозможно при использовании традиционного подхода к созданию AI‑агентов.
Разделение инструментов и логики агента
Такой дизайн полностью отделяет логику агента от набора доступных инструментов. Это означает, что агент узнаёт о том, какие инструменты у него есть, только во время выполнения. Последствия такого подхода действительно значимы. Он позволяет запускать несколько версий одного и того же процесса с одним и тем же агентом, но с совершенно разными наборами инструментов. Это упрощает обратный анализ контекста, а также даёт возможность качественно оценивать влияние добавления или удаления отдельных инструментов с помощью A/B‑тестирования.
Повышение удобства сопровождения AI‑агентов
Наибольшее преимущество такого разделения, на мой взгляд, заключается в улучшении сопровождаемости. Разработчики процесса могут добавлять или убирать инструменты, при этом им не нужно вносить изменения в самого AI‑агента. Это отличный способ разделения областей ответственности при создании нового процесса. Эксперты по ИИ могут сосредоточиться на правильной настройке AI Task Agent, а разработчики — независимо заниматься реализацией инструментов. И, разумеется, всегда можно просто подключить уже готовые инструменты для использования агентом.
Композитная архитектура
Возможнотсть объединить разработку AI-агента с проектированием модели BPMN открыла архитекторам агентских решений доступ ко всем паттернам, лучшим практикам и функционалу BPMN, который Camunda развивала на протяжении последних десяти лет. Среди множества преимуществ хочу выделить одно ключевое — композитную архитектуру.
Композитная оркестрация — ключ к переводу AI в продуктив
Платформа Camunda создана как универсальный end-to-end оркестратор для разнообразных инструментов, правил, сервисов и людей. Это значит, что движок и окружающие его инструменты разработаны без ограничений для интеграции любых компонентов. Кроме того, пользователи могут со временем заменять сервисы и системы, когда они устаревают или появляются более эффективные альтернативы.
Особенно это важно для разработчиков AI-агентов — такая архитектура позволяет не только менять инструменты, доступные агенту, но и легко заменять саму модель ИИ (LLM) на более современную. Добавление или тестирование новой LLM больше не требует создания агента с нуля — достаточно заменить «мозг», сохранив остальное без изменений. Это обеспечивает невероятно быстрые улучшения и внедрения, а также позволяет оценить изменения по качественным и измеримым параметрам.
Заключение
Строить AI-агентов традиционным способом, который предлагают другие инструменты, значит добавить в систему ещё один «чёрный ящик». Он будет менее удобен для сопровождения и гораздо менее прозрачен в исполнении, чем всё, что вы интегрировали ранее. Это создаёт сложности при поддержке и оценке работы агента.
В Camunda нам удалось «раскрыть» этот чёрный ящик, интегрируя агента напрямую в бизнес-процессы, как полноценного участника. Благодаря этому ваш агент сразу получит все преимущества BPMN и сможет развиваться вместе с процессом.
Важно понимать, что динамическая природа процесса сохраняется, но такой подход позволяет раньше устранять большинство потенциальных проблем. Исходя из этого, можно предположить, что из множества AI-агентов, созданных в этом году, к концу следующего года в эксплуатации останутся только те, что построены с использованием Camunda и BPMN.
Смелое заявление! Но это на совести автора. По правде говоря, связка BPMN + AI-агент выглядит более, чем разумно. Конечно, на рынке будет огромное разнообразие самых невероятных ИИ-решений. Но изрядная часть из них будет порождена просто хайпом, без какой-либо внятной методологии в основе.
Увы, стартаперы-энтузиасты в массе своей не слышали о BPMN. Им кажется — я чего тут сложного? — просто соединяй кубики стрелочками и будет вам счастье.
Пока вы остаетесь в простых сценариях, это работает. И можно делать классные презентации клиентам и инвесторам. А потом реальная жизнь подбросит кейсы, где нужны мульти-инстансы, события, компенсации и все прочее, что составляет реальную мощь BPMN. Вот там-то и посмотрим, насколько прав или не прав окажется автор в своем прогнозе.
BPM Developers — про бизнес-процессы: новости, гайды, полезная информация и юмор.
Автор: stas_makarov
