Команды ИИ-агентов из конфигурации, с парными агентами-критиками

Задача

Разрозненные цепочки вызовов LLM не вырастают в продукт. Задачи некому распределять, выход агента никто не проверяет, между задачами ничего не накапливается. Автономия при этом бинарная: человек проверяет либо всё, либо ничего. Нам нужно было одно ядро для нескольких продуктов, где инженерная, исследовательская и когнитивная команды агентов работают на общей платформе, с контролем качества и управляемой автономией.

Что сделали

• Собрали декларативную платформу: агенты, команды и пайплайны описываются YAML-спецификациями, а граф исполнения строится во время работы. Новая команда агентов добавляется конфигурацией, код переписывать не нужно.
• Работу агентов проверяют 10 пар «агент и критик», от техлида до красной команды по безопасности. Критик оценивает результат по нескольким измерениям и отправляет его на доработку; споры решает оркестратор.
• Реестр подбирает исполнителей по компетенциям, ролям и тегам. Задача идёт по циклу «анализ → план → исполнение → проверка», и в общую память попадают только проверенные знания.
• Память разделили на четыре контура: эпизодическая (Redis), семантическая (Qdrant), граф знаний (Neo4j), задачи и журнал аудита (PostgreSQL).
• Автономия устроена как пять уровней, которые подстраиваются по метрикам и при необходимости передают решение человеку. Мета-агент собирает статистику команд и предлагает изменения их состава; управлять можно через инструменты MCP и панель мониторинга. Платформа работает в нашей лаборатории, в системы заказчиков она не встроена.

Результат

25 000+

строк Python в ядре платформы, 134 модуля; подсчёт по коду репозитория

29

декларативных агентов в трёх готовых командах (инженерной, когнитивной, исследовательской); подсчёт YAML-спецификаций

2,5 недели

от первого коммита до работающего ядра с памятью, парами «агент и критик» и панелью мониторинга; по истории репозитория

Услуги

Другие кейсы