Компания DeepLearning.AI совместно с основателем платформы crewAI Жуаном Моурой (João Moura) представила новый курс, посвященный проектированию систем из нескольких ИИ-агентов. В вводном занятии Моура раскрывает концептуальный сдвиг в автоматизации: переход от жестких алгоритмов к «нечетким» (fuzzy) системам, где агенты способны имитировать командную работу людей, распределять роли и использовать инструменты для решения сложных бизнес-задач.
🤖 Основы CrewAI: роли, инструменты и командная работа 0:28
В основе подхода crewAI лежит концепция «команды» (crew) — группы специализированных ИИ-агентов, каждый из которых наделен конкретной ролью и зоной ответственности . По словам Жуана Моуры, эффективность таких систем строится на нескольких «столпах»:
- Ролевые игры (Role-playing): Каждому агенту назначается четкая роль, что позволяет ему фокусироваться на конкретной части задачи, не отвлекаясь на лишний контекст.
- Использование инструментов: Агенты не просто генерируют текст, они могут взаимодействовать с внешним миром — искать информацию в интернете, выполнять поиск по локальным базам данных (RAG) или запускать код .
- Сотрудничество: Системы могут работать по разным моделям взаимодействия — последовательно (от одного к другому), иерархически (с агентом-менеджером) или асинхронно .
- Память и защитные барьеры (Guardrails): Наличие памяти позволяет агентам учиться на предыдущих шагах внутри одной задачи, а барьеры гарантируют, что ИИ не выйдет за рамки заданных инструкций и не начнет галлюцинировать .
Моура утверждает, что в рамках курса слушатели научатся создавать системы разной сложности: от простых инструментов для исследования текстов до комплексных решений для финансового анализа, поддержки клиентов и планирования .
📝 Кейс: как ИИ-агенты помогают получить работу 1:45
В качестве практического примера возможностей многоагентных систем Моура приводит процесс адаптации резюме под конкретную вакансию . В сценарии рассматривается профиль инженера по имени Ноа, который имеет 18-летний опыт в разработке на Ruby, Python и JavaScript, но его текущее резюме слишком сильно сфокусировано на лидерских качествах и управлении командами .
Когда Ноа пытается податься на вакансию Full Stack разработчика, его резюме выглядит нерелевантным, так как акценты смещены. Для решения этой проблемы Моура предлагает использовать систему из четырех специализированных агентов:
- Исследователь вакансий (Tech Job Researcher): Анализирует требования компании и вычленяет критические навыки.
- Инженер профиля (Personal Profile Engineer): Глубоко изучает опыт кандидата через инструменты RAG (поиск по документам) .
- Стратег по резюме (Resume Strategist): Сопоставляет данные двух предыдущих агентов, чтобы переписать опыт кандидата, сохранив правдивость, но изменив акценты (например, выделив навыки API и баз данных вместо менеджмента) .
- Подготовщик к интервью (Interview Preparer): Формирует список потенциальных вопросов на основе финального резюме и описания вакансии .
Результатом работы такой «команды» становится обновленный профиль, который при том же наборе навыков выглядит для рекрутера гораздо привлекательнее .
⚙️ Новая парадигма: агентная автоматизация против традиционной 4:49
Жуан Моура подчеркивает, что агентная автоматизация — это фундаментально новый способ написания программного обеспечения . Традиционное программирование строится на жесткой логике: если пользователь вводит данные типа A, программа выполняет операцию B и выдает результат C.
Однако современный мир, по мнению Моуры, — это «нечеткое» (fuzzy) место . Традиционный код становится слишком сложным и хрупким, когда разработчик пытается предусмотреть все возможные пограничные случаи (edge cases) через бесконечные цепочки if/else .
Сравнение двух подходов, приведенное Моурой:
- Традиционная автоматизация: Строгие входные данные (числа, строки), понятные математические операции и предсказуемый результат .
- Агентная (нечеткая) автоматизация: Мы не знаем точно, что введет пользователь (текст, таблицу или вопрос), не можем полностью контролировать, как именно LLM трансформирует эти данные, и не знаем финальную форму ответа .
Моура считает, что именно эта «нечеткость» делает такие инструменты, как ChatGPT, настолько популярными — они способны работать в условиях неопределенности, где обычный код ломается .
📈 Трансформация бизнес-процессов на примере продаж 8:48
Для иллюстрации преимуществ агентов в бизнесе Моура разбирает классический процесс обработки лидов (потенциальных клиентов). В старой модели компания просто фильтровала анкеты по формальным признакам: «В компании больше 10 сотрудников?» или «Находятся ли они в США?» .
Агентный подход позволяет превратить этот процесс в глубокую аналитику. Команда ИИ-агентов может выполнять следующие задачи:
- Самостоятельно искать информацию о компании в Google и внутренних базах данных .
- Проводить сравнение нового лида с профилями существующих успешных клиентов компании .
- Присваивать скоринг (баллы) на основе качественных данных, а не просто чисел.
- Генерировать индивидуальные «темы для разговора» (talking points) для отдела продаж, чтобы менеджер знал, с чего начать диалог с конкретным клиентом .
По словам Моуры, такой подход дает отделу продаж гораздо более качественные данные для работы, чем любая традиционная форма сбора данных на сайте .
