Окупается ли мультиагентность и можно ли автоматически выбрать паттерн под задачу?
Я прогнал шесть мультиагентных паттернов на трёх бенчмарках и трёх моделях. Под командой агентов тут понимаются связки вроде критика-актора или оркестратора с подчинёнными. Почти везде такая команда проиграла одиночному агенту. Проиграла и по точности, и по цене, а по цене иногда вчетверо.
Интеграция ИИ уровня предприятия: встраивание LLM в бизнес-процессы крупных компаний — redb.Route.Llm 3.1.1
redb.route llmСерия: redb ecosystem (часть 2 к LLM-анонсу) В предыдущей статье я анонсировал redb.Route.Llm как 24-й транспорт redb.Route
redb.Route 3.1.0 — LLM как ещё один транспорт: .To(«llm:–claude») и .AsLlmTool()
redb.route llm AIСерия: redb ecosystem (анонс, разбор позже)В 3.1.0 у redb.Route вышло два новых транспорта: redb.Route.Llm (24-й) и redb.Route.Exec (25-й). LLM теперь — обычный endpoint наравне с Kafka, RabbitMQ и HTTP: вызов модели — это шаг .To("llm://claude")
Здравствуйте, я мистер Мисикс. Практические заметки о психологии вашего искина
Итак, у вас свеженькая подписка, чистая история сессий.Сначала вы действуете осторожно. Даёте маленькие задачки, придирчиво оцениваете результат. Результат не всегда бывает таким, как вы ждали. Тогда вы хмуритесь, требуете переписать. Но довольно быстро проникаетесь доверием и принимаете: «Эта штука работает». Проходят дни. Вы отдаёте всё усложняющиеся приказы: уже не функции, но целые модули, всё реже заглядываете в правки. И вот вы бросаете взгляд на экран и видите уведомление. Упал CI. Вызываете тесты, монитор заливается красным.Не первый раз. Вы привычно тянетесь к клавиатуре:
Как устроены LLM‑агенты: архитектура, планирование и инструменты
Если вы хоть раз просили ChatGPT что‑то сделать и получали в ответ длинный текст без какого‑либо реального действия — вы работали с обычной языковой моделью. Она умеет генерировать текст, но сама ничего не делает: не лезет в интернет, не запускает код, не сохраняет файлы. Просто отвечает.LLM‑агент — это другая история. Это система, которая получает задачу и начинает её решать: ищет информацию, пишет и запускает код, вызывает API, сохраняет результаты. Она не просто говорит «вот как это можно сделать» — она берёт и делает.
Как конечные автоматы помогают сделать агента надежнее и при чем тут pydantic-graph?
Когда пишешь библиотеку, рано или поздно упираешься в движок. Не в красивый внешний интерфейс и не в обёртки, а в ту часть внутри, которая гоняет процесс по состояниям: что-то сгенерировал, проверил, решил, что делать дальше, повторил. Пара флагов, цикл while, большой if посередине, и через месяц вы уже сами не помните, какие переходы там вообще возможны и почему одна из веток недостижима.Недавно я собирал ровно такой движок и наткнулся на библиотеку, которая делает эту работу заметно аккуратнее. Называется pydantic-graph. Про неё почти не пишут, хотя на ней стоит весь pydantic-ai
Copilot больше не в моде: Microsoft представила AI-агента Scout на базе OpenClaw
Microsoft представила Scout — AI-агента для рабочих задач, который интегрирован в экосистему Microsoft 365. Нейросетевой помощник построен на базе OpenClaw, работает автономно, может держать в контексте задачи пользователя и следить за рабочим процессом.
Чем больше автономии у агента, тем хуже: разбор истории про 81% принятых AI-пул-реквестов
В блоге CNCF вышел текст Энди Андерсона, мейнтейнера KubeStellar Console. Он почти в одиночку с помощью двух кодинг-агентов в параллельных сессиях терминала собрал дашборд для управления мультикластерами Kubernetes и довёл принятие пул-реквестов до 81%. Цифра вынесена в заголовок, и именно поэтому я хочу поговорить про всё кроме неё.Потому что 81% — это приманка. А интересна там механика, которая к этой цифре привела. И ещё интереснее проблемы, которые автор честно проговаривает.
Интересные ИИ-агенты в проде: что они умеют и чему у них можно поучиться. Pixel Societies, Notable, Gamma, Air Traffic
Привет, я работаю аналитиком в Cloud.ru
