tgoop.com/startup_custdev/170
Last Update:
Паттерны AI agentic систем
-Основной агент поддерживает диалог, имеет память и контекст, разговаривает с юзером и разбивает задачи. Проджект менеджер своего рода
-Сабагенты нет контекста, памяти. Просто выполняют одну заданную фунцию, например, анализ или суммаризатор.
Сабагенты должны быть своего рода функцией, которую вызываешь и ожидаешь от нее схожего ответа каждый раз. Таким образом его можно распараллелить, протестировать и отлавливать ошибки.
Общение между агентами должно быть структурированым.
Каждая задача для сабагента от основного:
•Понятная цель (Найти весь фидбек упомянающий "медленную загрузку")
•Ограниченный контекст (последние 30 дней)
•Формат возвращаемого значения (json, поля)
•Ограниченния (максимум 100 результатов)
Каждый ответ от сабагента основному:
•Статус (готово, ошибка)
•Результат
•Метаданные
•Рекомендации (следующие задачи, предупреждения)
-По возможностям
Исследователи исследуют. Анализаторы работают с данными исследователей. Валидационные проверяют качество.
-По области применения
Юристы понимают право. Финансовые работают с числами. Технические с кодом.
-По модели
Быстрые gpt-5-mini для быстрого ответа. Думающие для сложных вычислений и логики.
-Последовательная
Выход предыдущего агента уходит следующему.
Agent 1-> Agent 2 -> Agent 3 -> Result
-MapReduce
Распределить между множеством агентов и объединить результат. Когда нужно обработать много данных.
┌→ Agent 1 ─┐
Input → Agent 2 → Reducer → Result
└→ Agent 3 ─┘
-Консенсусная
Несколько агентов решают одну и ту же задачу. Сравнивают результаты и принимают решение. Хорошо для критичных решений
┌→ Agent 1 ─┐
Task ─→ Agent 2 ─→ Voting/Merge → Result
└→ Agent 3 ─┘
-Иерархическая
Основной агент делегирует сабагентам, которые могут делегировать сабагентам. Использовать стоит редко, так как сложно отлаживать и искать ошибки.
Primary Agent
├─ Subagent A
│ ├─ Sub-subagent A1
│ └─ Sub-subagent A2
└─ Subagent B
Источник