# Жуан Моура: «Агентная автоматизация — это нечеткий мир, где if/else больше не работают»

Источник: https://www.youtube.com/watch?v=d3WiKofD-34
Канал: DeepLearning.AI
Опубликовано: 16.05.2024

---

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
[[JUMP:00:28]]

В основе подхода crewAI лежит концепция «команды» (crew) — группы специализированных ИИ-агентов, каждый из которых наделен конкретной ролью и зоной ответственности [01:08]. 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 [03:57].
*   **Сотрудничество:** Системы могут работать по разным моделям взаимодействия — последовательно (от одного к другому), иерархически (с агентом-менеджером) или асинхронно [00:54].
*   **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 [00:41].

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 [01:20].

## 📝 Кейс: как ИИ-агенты помогают получить работу
[[JUMP:01:45]]

В качестве практического примера возможностей многоагентных систем Моура приводит процесс адаптации резюме под конкретную вакансию [01:32]. 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 [02:37].

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:

1.  **Исследователь вакансий (Tech Job Researcher):** Анализирует требования компании и вычленяет критические навыки.
2.  **Инженер профиля (Personal Profile Engineer):** Глубоко изучает опыт кандидата через инструменты RAG (поиск по документам) [03:57].
3.  **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) [04:11].
4.  **Подготовщик к интервью (Interview Preparer):** Формирует список потенциальных вопросов на основе финального резюме и описания вакансии [03:30].

Результатом работы такой «команды» становится обновленный профиль, который при том же наборе навыков выглядит для рекрутера гораздо привлекательнее [04:23].

## ⚙️ Новая парадигма: агентная автоматизация против традиционной
[[JUMP:04:49]]

Жуан Моура подчеркивает, что агентная автоматизация — это фундаментально новый способ написания программного обеспечения [05:57]. 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 [08:22]. Традиционный код становится слишком сложным и хрупким, когда разработчик пытается предусмотреть все возможные пограничные случаи (edge cases) через бесконечные цепочки `if/else` [05:45].

Сравнение двух подходов, приведенное Моурой:

*   **Традиционная автоматизация:** Строгие входные данные (числа, строки), понятные математические операции и предсказуемый результат [06:24].
*   **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 [07:18].

Моура считает, что именно эта «нечеткость» делает такие инструменты, как ChatGPT, настолько популярными — они способны работать в условиях неопределенности, где обычный код ломается [07:43].

## 📈 Трансформация бизнес-процессов на примере продаж
[[JUMP:08:48]]

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?» [09:27].

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 [10:20].
*   Проводить сравнение нового лида с профилями существующих успешных клиентов компании [10:33].
*   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 [11:12].

По словам Моуры, такой подход дает отделу продаж гораздо более качественные данные для работы, чем любая традиционная форма сбора данных на сайте [11:25].