Соединяя разрыв: лучшие практики инженерии программного обеспечения для AI-агентов

By Mirko Peters · 2026-08-13

Добро пожаловать обратно в блог! Если вы следите за нашими последними аудиоэпизодами, то знаете, что мы подробно разбираем практические вопросы современного искусственного…

Automatically translated with AI from the original post. Read the English original

Добро пожаловать обратно в блог! Если вы следите за нашими последними аудиовыпусками, вы знаете, что мы глубоко погружаемся в самую гущу современного искусственного интеллекта. Сегодня мы расширяем тему, которая становится критически важной для разработчиков, корпоративных архитекторов и технологических руководителей: отказ от хрупкого промпт-инжиниринга и применение базовых принципов инженерии программного обеспечения к AI-агентам. Когда мы полагаемся исключительно на сырые, неуправляемые большие языковые модели, наши системы часто не выдерживают непредсказуемости реального мира. В этом посте мы разберём, почему существует эта скрытая проблема, рассмотрим риски пренебрежения базовыми инженерными практиками и посмотрим, как такие платформы, как Azure AI Foundry, помогут вам строить масштабируемые, надёжные и готовые к корпоративному использованию агентные архитектуры.

Понимание AI-агентов и LLM

Что такое AI-агенты?

Вы повсюду встречаете AI-агентов в современных корпоративных приложениях. Эти агенты выступают в роли цифровых помощников, которые помогают выполнять задачи, отвечать на вопросы и автоматизировать рабочие процессы. Индустрия ИИ использует их для создания диалоговых систем, помощников для программистов и даже инструментов, с помощью которых юристы работают с юридическими наборами данных. Вы можете найти примеры вроде TxGemma для терапевтических задач или агентных систем, которые запускают веб-приложения. AI-агенты опираются на экспертизу как людей, так и машин. Их эффективность зависит от того, насколько хорошо они связаны с традиционными данными и программными системами. Когда вы используете AI-агентов для сложных задач, вам нужны человеческое руководство и проверка, чтобы обеспечить качество и точность.

• AI-агенты обеспечивают работу диалоговых систем для программирования, юридических и терапевтических приложений.
• Они могут переосмыслить парадигмы вычислений, но не всегда приносят прибыль AI-лабораториям.
• Их производительность зависит от интеграции с традиционным программным обеспечением и человеческой экспертизой.

Если компании, разрабатывающие юридическое программное обеспечение, добавляют диалоговые интерфейсы к своим данным с помощью агентных систем, юристы могут работать эффективнее. Для этого не нужны передовые модели. Важнее данные и программное обеспечение вокруг LLM, а не сама модель. Даже модели второго эшелона могут стать эффективными агентами, если их сочетать с правильными AI-инструментами и экспертизой.

LLM в AI

LLM, или большие языковые модели, являются основной технологией инструментов генеративного ИИ. Вы используете LLM для генерации текста, ответов на вопросы и обобщения информации. Разработчики создают автономных агентов, сочетая LLM с инструментами и памятью. Такие агенты могут выполнять задачи без постоянного контроля. Агентный ИИ представляет собой сложные системы, в которых несколько агентов планируют стратегию и адаптируются для достижения целей. LLM лежат в основе всего: от чат-ботов до автоматизации рабочих процессов.

Ниже приведено сравнение архитектур на основе моделей и на основе агентов:

Вы замечаете, что архитектуры на основе агентов используют LLM с памятью и инструментами для создания автономных агентов. Эти агенты могут сотрудничать и совершенствоваться со временем.

Почему существует скрытая проблема

Вы видите, что многие разработчики и организации начинают считать нормой подходы, ориентированные на LLM, в разработке AI-агентов. Они делают упор на оркестрацию LLM через цепочки промптов и структурированные рассуждения. Такая тенденция повышает продуктивность и гибкость. Мультиагентные системы обеспечивают совместную работу специализированных агентов. Ориентированные на рабочие процессы фреймворки сочетают детерминированные конвейеры с принятием решений агентами. Корпоративные платформы расширяют возможности за счёт средств управления и контроля соответствия требованиям.

Однако при чрезмерной опоре на LLM вы сталкиваетесь со скрытой проблемой. Качество результатов повышается, когда вы интегрируете экспертизу предметной области и структурированные процессы. Экспертные оценки показывают, что сочетание LLM с знаниями предметной области даёт лучшие результаты. Помните, что одни только LLM не могут гарантировать надёжную работу. Чтобы создавать надёжных автономных агентов, нужны экспертиза, подходящие инструменты для ИИ и инженерные принципы.

Скрытая проблема в проектировании ИИ-агентов

Чрезмерная зависимость от LLM

Вы можете считать, что большие языковые модели сами по себе способны решить все задачи ваших ИИ-агентов. Многие разработчики и организации восприняли этот подход как норму и сильно полагаются на LLM при принятии решений и выполнении задач. Однако такая чрезмерная зависимость создаёт скрытую проблему, которая влияет на качество и надёжность ваших ИИ-агентов. LLM генерируют результаты на основе закономерностей в данных, но не обладают подлинным пониманием и детерминированным контролем. Когда вы слишком сильно на них опираетесь, ваши системы могут выдавать непредсказуемые или противоречивые результаты. Такая непредсказуемость затрудняет доверие к ИИ-агентам в критически важных бизнес-процессах.

Мультиагентные системы, которые объединяют несколько агентов на основе LLM, обещают более сложное поведение. Однако они часто потребляют значительно больше ресурсов и токенов, чем системы с одним агентом. Например, Anthropic зафиксировала, что для одной и той же задачи мультиагентные запуски использовали примерно в 15 раз больше токенов, чем чат с одним агентом. Такая неэффективность может замедлить ваши системы и повысить затраты, при этом не гарантируя лучших результатов. Кроме того, вам приходится управлять контекстом и координацией между агентами, что может привести к путанице и ошибкам.

Ключевые инженерные пробелы в проектировании ИИ-агентов, построенных на основе LLM, включают потребность в лучшей операционной прозрачности, в чётком разграничении агентных и неагентных систем, а также в улучшенной оркестрации мультиагентных систем и управлении контекстом.

Пробелы в программной инженерии

Скрытая проблема усугубляется, если вы пренебрегаете принципами программной инженерии при проектировании ИИ-агентов. Многие ИИ-проекты сосредоточены на промпт-инжиниринге и настройке моделей, но упускают из виду такие важные инженерные практики, как управление состоянием, наблюдаемость и обработка ошибок. Без них ваши ИИ-агенты становятся хрупкими и трудно поддерживаемыми.

Относитесь к ИИ-агентам как к сложным программным системам, которые требуют строгого инженерного подхода. Это означает построение понятных процессов, аккуратное управление состояниями агентов и внедрение инструментов мониторинга для отслеживания производительности и сбоев. Многие ИИ-процессы остаются хрупкими, потому что у них нет этих основ. Человеческий контроль становится необходимым, чтобы выявлять частые сбои и пограничные случаи, но это замедляет автоматизацию и снижает качество.

Процессы с участием ИИ-агентов часто сложны и требуют постоянного контроля со стороны человека из-за частых сбоев и пограничных случаев, что указывает на операционные трудности при внедрении ИИ-систем, построенных преимущественно на LLM.

Если вы пропускаете эти инженерные шаги, ваши ИИ-агенты с трудом масштабируются или адаптируются к новым сценариям. Отладка и тестирование становятся сложными, а контроль над поведением системы теряется. Этот пробел в программной инженерии создаёт скрытую проблему, которая подрывает ваши инвестиции в ИИ.

Влияние на производительность ИИ

Скрытая проблема напрямую влияет на производительность ваших ИИ-агентов. Вы можете заметить такие проблемы, как медленное время отклика, низкая точность решений и слабая адаптивность к неожиданным входным данным. Всё это снижает общее качество ваших ИИ-систем и раздражает пользователей.

Типичные проблемы с производительностью включают:

• Сложность быстрой обработки неожиданных или новых входных данных
• Высокую задержку вызовов LLM, которая замедляет ответы
• Трудности с тестированием и оценкой поведения агентов
• Сложности с отладкой взаимодействий в сложных мультиагентных системах

Эти проблемы возникают, потому что ИИ-агенты слишком сильно опираются на вероятностные результаты LLM без надёжных инженерных механизмов контроля. Чтобы повысить надёжность и качество, нужно сбалансировать творческий потенциал LLM с детерминированной программной инженерией.

Если вы игнорируете этот баланс, ваши ИИ-агенты рискуют стать ненадёжными или даже вредными в производственной среде. Организации требуют последовательных и надёжных систем. Без должной инженерной проработки ваши ИИ-агенты не смогут соответствовать этим ожиданиям.

Проблемы адаптивности, задержки ответов, точности принятия решений и общей надёжности остаются наиболее распространёнными проблемами производительности, о которых сообщается для ИИ-агентов, ориентированных на LLM.

Эту скрытую проблему нужно признать и решить, интегрировав в разработку AI-агентов проверенные практики инженерии программного обеспечения. Так вы сможете создавать системы, которые обеспечивают стабильное качество и эффективно масштабируются.

Принципы инженерии программного обеспечения для AI-агентов

Чтобы создавать надёжных AI-агентов, нужно применять строгие принципы инженерии программного обеспечения. Они помогают преодолеть ограничения инженерии и создавать системы, которые масштабируются, адаптируются и стабильно дают результат. Инженеры-программисты делают упор на простые, прозрачные и легко поддерживаемые системы. При работе с AI-системами инженерного назначения эти ценности должны быть для вас приоритетными.

Оркестрация и управление состоянием

Оркестрация позволяет разбивать сложные задачи на небольшие шаги. Каждый шаг можно передать специализированному агенту. Такой подход справляется со сложностью, с которой не справляется один агент. Управление состоянием гарантирует, что агенты помнят важную информацию на протяжении длинных процессов. Общее состояние нужно сохранять, чтобы агенты могли продолжить работу после прерываний. Инженеры-программисты используют оркестрацию, чтобы изолировать задачи и повысить надёжность. Кроме того, они естественным образом формируют журнал аудита, фиксируя каждое действие. Это помогает вам расследовать проблемы и соблюдать требования комплаенса.

Нужно контролировать размер контекста и использовать суммаризацию, чтобы он оставался управляемым. Инженеры-программисты сохраняют только минимально необходимое состояние, чтобы снизить риски для конфиденциальности.

Оценка и наблюдаемость

Непрерывная оценка необходима для надёжности AI-агентов. После развёртывания нужно отслеживать затраты системы, время отклика и производительность. Инженеры-программисты используют инструменты наблюдаемости, чтобы фиксировать закономерности задержек и потребление ресурсов. Это помогает выявлять проблемы до того, как они затронут пользователей. Мониторинг внутренних состояний и решений поддерживает анализ первопричин и сокращает время диагностики. Вы получаете представление о том, как агенты принимают решения, а это важно для управления рисками и обеспечения операционной эффективности.

• Непрерывная оценка отслеживает затраты и время отклика.
• Наблюдаемость фиксирует задержки и потребление ресурсов.
• Мониторинг поддерживает управление и управление рисками.
• Прозрачность процесса принятия решений повышает операционный контроль.

Такие практики инженерии помогают поддерживать стабильные и заслуживающие доверия системы.

Интеграция и масштабируемость

Интеграция связывает ваших AI-агентов с корпоративными системами, LLM и API. Для бесперебойной работы нужны понятные API и хорошо документированные интерфейсы. Инженеры-программисты уделяют внимание написанию чистого кода, оптимизации алгоритмов и проектированию масштабируемых систем. Azure AI Foundry предоставляет единую платформу для управления всем жизненным циклом AI. Она обеспечивает бесшовную интеграцию с корпоративными приложениями и масштабируемую инфраструктуру для большого объёма транзакций. Компании Kinectify и H&R Block используют Azure AI Foundry для автоматизации сложных процессов и обработки данных в реальном времени.

• Централизованная платформа снижает сложность интеграции.
• Масштабируемая инфраструктура отвечает потребностям предприятия.
• Доступ на основе API упрощает подключение к существующим системам.

Архитектуру среды нужно строить с учётом модульности и разделения ответственности. Такой подход позволяет добавлять или обновлять агентов без перепроектирования всей архитектуры системы. Инженеры-программисты обеспечивают, чтобы AI-системы инженерного назначения оставались надёжными, адаптивными и готовыми к будущему росту.

Риски пренебрежения инженерией в AI

Ненадёжные результаты

Если вы пренебрегаете инженерной проработкой в своих проектах по ИИ, вы рискуете создать системы, которые выдают ненадёжные результаты. Такие системы часто опираются на инструменты ИИ для разработки, которые используют статистические модели. Они не понимают по-настоящему обрабатываемую информацию. Вместо этого они угадывают, что, скорее всего, правильно, на основе прошлых данных. Такой подход может привести к непредсказуемым сбоям, особенно в ситуациях, с которыми система раньше не сталкивалась. Вы можете заметить, что шаги цепочки рассуждений в этих системах представляют собой усвоенные шаблоны, а не настоящие рассуждения. В результате инструменты ИИ для разработки могут имитировать интеллект, но при этом допускать ошибки, которые трудно предсказать или объяснить.

Вы можете заметить снижение ценности экспертизы, когда такие системы заменяют квалифицированных специалистов, но не могут сравниться с их суждениями. Это может снизить доверие к вашему инструменту ИИ для разработки и ухудшить качество результатов.

Проблемы соответствия требованиям и безопасности

Пренебрежение инженерной проработкой также подвергает ваши системы рискам, связанным с соответствием требованиям и безопасностью. Многие компании не спешат внедрять ИИ из-за опасений по поводу управления данными. Собственный код или конфиденциальная информация могут быть подвергнуты неправильной обработке инструментами ИИ для разработки, у которых нет должных средств контроля. Вы можете утратить контроль над своими системами, которые могут действовать непредсказуемо или даже совершать необратимые действия. Чрезмерные привилегии доступа в облачных рабочих нагрузках могут создать новые пути атак для киберпреступников. Некоторые системы могут даже быть использованы в качестве оружия для кибератак или распространения дезинформации.

Почти 88% организаций сообщают о подтверждённых или предполагаемых инцидентах безопасности или конфиденциальности, связанных с агентами ИИ. В здравоохранении этот показатель превышает 92%. Эти цифры показывают, насколько важна надёжная инженерная проработка для безопасных и соответствующих требованиям систем.

Экономические последствия и влияние на производительность

Ненадёжные системы ИИ могут приносить серьёзные экономические потери и снижать производительность. Когда вы полагаетесь на инструменты ИИ для разработки, в которых не соблюдается инженерная строгость, вы можете столкнуться с дорогостоящими ошибками и необходимостью ручной проверки. В 2024 году задокументированные экономические потери от ненадёжного ИИ достигли 67,4 млрд долларов. Компании зафиксировали снижение производительности на 22%, поскольку команды вынуждены были проверять и исправлять контент, созданный ИИ. Это не только тратит время, но и подрывает обещанный ИИ рост производительности.

Вы также можете заметить снижение ценности экспертизы, поскольку системы автоматизируют задачи, не достигая точности квалифицированных специалистов. Это может привести к непоследовательным решениям и снижению доверия к системам вашей организации. Чтобы добиться реального роста производительности, нужно сочетать ИИ с надёжной инженерной проработкой и надёжными данными.

Реальные проблемы агентов ИИ

Кейс: сбои агентов ИИ в эксплуатации

Вы можете видеть, что многие организации сталкиваются с трудностями при развёртывании агентов ИИ без надёжной инженерной проработки. Эти сбои часто возникают, потому что команды слишком полагаются на языковые модели и пропускают важные программные практики. Наиболее распространённые проблемы включают надёжность, слабую наблюдаемость и утрату человеческого контроля. Эти проблемы показаны в таблице ниже:

Вы также можете столкнуться с вопросами стоимости, особенно при небольших внедрениях. У агентов с высокой нагрузкой могут возникать задержки и проблемы с надёжностью. Без надёжной оценки и мониторинга вы не сможете вовремя выявлять проблемы. В таких критически важных сферах, как здравоохранение и финансы, чрезмерная зависимость от этих систем может привести к ошибочным решениям. Для прозрачности и подотчётности ваших процессов необходимо этическое управление.

Многие команды обнаруживают, что при слабой наблюдаемости сложно отслеживать, как агенты принимают решения. Такая нехватка видимости может приводить к ошибкам, которые остаются незамеченными до тех пор, пока не нанесут реальный ущерб.

Кейс: успешные истории на основе инжиниринга

Вы можете добиться лучших результатов, если сочетаете инженерные практики с ИИ. Компании, которые применяют лучшие инженерные практики, видят улучшение надежности, эффективности и бизнес-результатов. Например, инженерные команды Synera разворачивают агентов на масштабируемой облачной инфраструктуре. Эти агенты справляются с большими объемами работы и автоматизируют повторяющиеся задачи. Такой подход упрощает рабочие процессы и повышает производительность в таких отраслях, как автомобилестроение и аэрокосмическая промышленность.

Также в качестве примера лучших практик можно рассмотреть Azure AI Foundry. Компания NTT DATA использовала эту платформу для создания агентов, которые подключаются к Microsoft Fabric Data Agent и другим корпоративным инструментам. Сотрудники HR и операционных подразделений теперь взаимодействуют с данными на естественном языке, получают аналитику в реальном времени и быстро переходят к действиям. Это решение сократило время выхода на рынок вдвое и открыло нетехническим пользователям простой доступ к корпоративной аналитике.

• Azure AI Foundry использует управление инструментами с безопасностью по умолчанию для корпоративного уровня управляемости.
• Встроенные коннекторы управляют аутентификацией и идентификацией, что упрощает для команд безопасности контроль доступа.
• Платформа поддерживает интеграцию с внешними системами идентификации, помогая масштабировать решение на всю организацию.

Как видно, подходы, основанные на инжиниринге, помогают создавать надежные, масштабируемые и безопасные ИИ-системы, которые приносят реальную пользу.

Создание более качественных ИИ-агентов

Баланс между LLM и инжинирингом

Вы можете создавать более качественных ИИ-агентов, сочетая большие языковые модели с сильными инженерными практиками. Многие команды сосредоточены только на производительности модели, но для надежных результатов нужно соединять оба подхода. Начните с совместного контроля: позволяйте ИИ-агентам поддерживать вашу работу, но всегда проверяйте их результаты. Уделяйте внимание качеству данных. Обучайте агентов разнообразными и качественными наборами данных, чтобы повысить их надежность. Делайте процесс принятия решений прозрачным, чтобы команда могла доверять системе. Проектируйте агентов так, чтобы они масштабировались вместе с ростом проектов. Учитывайте этические риски, проверяя систему на предвзятость и обеспечивая справедливость.

Вот пять практических шагов, которым можно следовать:

1. Регулярно используйте совместный контроль для проверки результатов работы агентов.
2. Обучайте агентов качественными и разнообразными данными.
3. Делайте процесс принятия решений прозрачным для команды.
4. Проектируйте агентов так, чтобы они масштабировались вместе с вашей организацией.
5. Решайте этические вопросы и сохраняйте ответственность за результаты.

Azure AI Foundry помогает объединить инжиниринг и LLM. Платформа предлагает инструменты для оркестрации моделей и управления их жизненным циклом. Вы можете использовать возможности промпт-инжиниринга и готовые шаблоны, чтобы создавать интеллектуальные рабочие процессы. Azure AI Foundry обеспечивает бесшовную интеграцию с корпоративными системами через REST API и SDK. Так проще развертывать ИИ-агентов в реальных бизнес-приложениях.

Междисциплинарные команды

Лучших результатов вы добьетесь, если будете формировать междисциплинарные команды. В них входят исследователи, клиницисты, регуляторы и другие эксперты. Каждый участник вносит уникальные знания, что помогает решать сложные задачи. Автоматизация рутинных задач позволяет команде сосредоточиться на творческой и стратегической работе. Агент-рассуждатель выступает в роли финального аудитора, проверяя и объединяя результаты разных моделей. Это повышает прозрачность и надежность. При совместной работе команд вы получаете более высокую точность, меньше предвзятости и большую устойчивость к дрейфу модели.

• Междисциплинарное сотрудничество объединяет разнообразную экспертизу.
• Автоматизация освобождает время для творческих и стратегических задач.
• Агент-рассуждатель повышает прозрачность и надежность.

Лучшие практики и управление

Вам необходимо следовать лучшим практикам и надежным моделям управления, чтобы ваши ИИ-агенты работали эффективно и оставались защищенными. Задайте измеримые KPI, например показатели точности и доли выполненных задач. Разработайте программы управления изменениями, чтобы сотрудники понимали роли ИИ-агентов. Создайте框架 управления с иерархией решений и протоколами управления рисками. Управляйте жизненным циклом агентов с помощью структурированных процессов проектирования, обучения и мониторинга. Используйте фреймворки безопасности для защиты данных и контроля доступа. Обеспечивайте соответствие нормативным требованиям, чтобы избежать штрафов. Отслеживайте производительность агентов в реальном времени и подготовьте планы кризисного управления на случай сбоев или утечек. Поддерживайте чистоту конвейеров данных и проверяйте качество данных. Делайте ставку на интеграцию по принципу API-first для бесперебойного обмена данными. Планируйте оркестрацию нескольких агентов и высокую доступность. Отслеживайте поведение агентов и соответствие требованиям с помощью систем мониторинга. Управляйте доступом с помощью систем управления идентификацией и ведите журналы аудита для устранения неполадок. Применяйте практики безопасной разработки на всех этапах жизненного цикла агента.

Совет: используйте такие платформы, как Azure AI Foundry, чтобы упростить интеграцию и управление. Вы получаете инструменты оркестрации, возможности инженерии промптов и масштабируемые варианты развертывания для вашей организации.

Чрезмерная зависимость от LLM при разработке ИИ-агентов создает серьезные риски.

Сочетайте надежную инженерию программного обеспечения с LLM. Многие организации уже используют такие платформы, как Azure AI Foundry, чтобы создавать надежные и масштабируемые системы. Начните с определения четких KPI, повышения качества данных и планирования кризисного управления. Найдя баланс между инженерией и LLM, вы получите более умных и заслуживающих доверия ИИ-агентов, которые будут формировать будущее бизнеса.

Часто задаваемые вопросы

В чем главный риск чрезмерной зависимости от LLM в ИИ-агентах?

Вы рискуете получить непредсказуемые результаты, смещение целей и отсутствие подотчетности. Чрезмерная зависимость от LLM может сделать ИИ-агентов ненадежными и небезопасными для критически важных бизнес-задач.

Как программная инженерия повышает надежность ИИ-агентов?

Инженерия добавляет структуру за счет оркестрации, управления состоянием и наблюдаемости. Эти практики помогают контролировать поведение ИИ, отслеживать производительность и эффективно обрабатывать ошибки.

Могут ли ИИ-агенты работать без контроля человека?

Не полностью. Контроль со стороны человека остается необходимым, чтобы выявлять ошибки, направлять решения и поддерживать доверие, особенно в сложных или критически важных средах.

Какую роль играет Azure AI Foundry в разработке ИИ-агентов?

Azure AI Foundry предоставляет инструменты для оркестрации, оценки и управления. Он помогает создавать масштабируемых, безопасных и надежных ИИ-агентов, которые хорошо интегрируются с корпоративными системами.

Как системы из нескольких агентов влияют на производительность ИИ и стоимость?

Системы из нескольких агентов могут расширять возможности, но часто увеличивают потребление ресурсов и сложность. Без грамотной инженерии они могут замедлять рабочие процессы и повышать затраты.

Какие шаги помогут сбалансировать LLM и инженерию в моих ИИ-проектах?

Применяйте совместный контроль, уделяйте внимание качеству данных, проектируйте с расчетом на масштабируемость, обеспечивайте прозрачность и используйте строгое управление. Сочетание этих шагов приводит к созданию заслуживающих доверия ИИ-агентов.

🎧 Слушайте этот выпуск

Хотите практическое объяснение темы Enterprise AI Agent Engineering вместе с Karthikeyan VK [MVP]? В этом выпуске тема разобрана понятным языком и показано, почему она важна для Microsoft 365, Azure, Power Platform, безопасности, ИИ и современной работы.

Чтобы глубже погрузиться в этот разговор и услышать экспертное мнение о том, как укротить непредсказуемые LLM, посмотрите наше полное интервью: Enterprise AI Agent Engineering with Karthikeyan VK [MVP].

Послушайте этот выпуск, если вы хотите:

• Понять ключевые концепции Enterprise AI Agent Engineering вместе с Karthikeyan VK [MVP]
• Увидеть, как это вписывается в более широкую экосистему технологий Microsoft
• Узнать, где это может принести практическую пользу вашей организации

Вам также могут понравиться эти связанные выпуски M365 FM:

• Среды выполнения ИИ-агентов Microsoft: за пределами корпоративных чат-ботов
• Корпоративная фабрика ИИ-агентов: архитектура за пределами чат-ботов
• От данных к интеллектуальным агентам: создание надёжного корпоративного ИИ с Microsoft AI Foundry, с Shubhangi Goyal [MVP]
• От хайпа вокруг ИИ к инжинирингу AI Harness — создаём ИИ, которому люди действительно могут доверять, с Alan Buscaglia [MVP] из Gentleman Programming
• Коммуникация Agent-to-Agent (A2A) — простое объяснение

Открывайте больше практических материалов о Microsoft на M365 FM.