TL;DR: За пять недель я создал полнофункциональную систему агентного искусственного интеллекта, которая может планировать многоэтапные задачи, извлекать информацию с помощью гибридного RAG и GraphRAG, вызывать 12 инструментов, просматривать собственные промежуточные результаты, учиться на отзывах пользователей и развертывать в K...
TL;DR: За пять недель я создал полнофункциональную систему агентного искусственного интеллекта, которая может планировать многоэтапные задачи, извлекать информацию с помощью гибридного RAG и GraphRAG, вызывать 12 инструментов, просматривать собственные промежуточные результаты, учиться на отзывах пользователей и развертывать в Kubernetes.
В итоге проект составил примерно 6000 строк кода, 360 тестов и зеленую CI.
Что еще более важно, я создал систему оценки, позволяющую оценить, действительно ли система улучшилась, а не просто добавила больше компонентов ИИ.
GitHub: https://github.com/zda25m005-netizen/agentic-ai-os
Почему я это построил
Многие демо-версии агентов следуют этому шаблону:
Пользователь → LLM → Инструмент → Ответ
В демо-версии это выглядит впечатляюще.
Но вопросы реального мира обычно более сложны.
Например:
«Обобщите бизнес-риски третьего квартала из этих 40 PDF-файлов, найдите продукты, поставляемые в Берлин, и объясните, как эти продукты связаны с рисками».
Одного звонка в LLM недостаточно.
Системе необходимо:
Найдите нужную информацию.
Понять отношения между сущностями.
Разбейте проблему на несколько шагов.
Назовите разные инструменты.
Проверьте, действительно ли сработал каждый шаг.
Повторите попытку, если что-то пойдет не так.
Дайте ответ с цитатами.
Расскажи мне, как