Доклад Саранга Кулкарни из Thoughtworks об агентах глубокого исследования.

Сегодня посмотрим доклад Саранга Кулкарни из Thoughtworks о deep research agents (агентах глубокого исследования). Главная мысль проста и, наверное, в середине 2026 года очевидна: чтобы такой агент реально работал, а тем более в высокорисковой отрасли, недостаточно навалить контекста в промпт - нужно создать продуманную инженерию вокруг модели.

Контекст - фарма. Вывод одного лекарства на рынок стоит 2,6 млрд долларов, и при этом половина исследований стартует вообще без анализа уже доступной информации. Цена ошибки и цена "слепого старта" такие, что ИИ исследование - это не хайповая тема, а способ не сжечь миллиарды. По словам автора - "50% исследований проводятся без предварительного анализа доступной информации".

Архитектурно команда собрала систему из трёх пересекающихся циклов:
➡️ Цикл уточнения - агент сначала договаривается с пользователем о том, что вообще ищем
➡️ Цикл исследования - think → plan → execute → reflect → adjust, классический PDCA цикл
➡️ Цикл написания - write → reflect, где черновики переписывается и идет закрытие смысловых дыр

Под капотом исследователя - RAG со взвешенным гибридным поиском (20 контекстных блоков, инструмент переранжирования и семь уточненных контекстных блоков) и Text2SQL, который обеспечивает обратную связь от БД в ИИ и позволяет учиться на ошибках запросов к БД через обратную связь.

Но самое ценное для меня - честная цена вопроса. Высокие затраты на токены, разрывы в решениях между этапами, и мое любимое - "context anxiety": когда данные неполные, агент перестаёт адекватно оценивать сам себя и начинает "плыть". Лечат это рефлексией двух видов - над данными (полные ли?) и над процессом (закрыт ли этап?).

Кулкарни называет это термином harness engineering (создание обвязки или в прямом переводе упряжи):
Designing the tools, memory systems, and validation checks, constraints, and feedback loops makes autonomous AI agents more reliable
В общем, фокус смещается с написания гениальных промптов на как построение правильной инженерной обвязки вокруг LLM - инструментов, памяти, валидации, петель обратной связи. ИМХО это и есть взросление индустрии: магия заканчивается, начинается нормальная инженерия. Кто это понял раньше других - тот реальный молодец.

Больше интересных новостей об ИИ, ритейле, екоме и маркетплейсах 👉 Подписаться на канал

#AI #разработка #архитектура #data #новости #цифроваятранформация