Тема сегодняшнего выпуска – то, о чем слышали почти все, но мало кто может объяснить обвязка и агента. Вы наверняка видели это в блогах или на конференциях, но что это означает на самом деле? Суть вот в чем. Большинство считает, что создание и агента – это написание идеального промпта, той самой магической инструкции, которая заставит модель делать именно то, что нужно. Но это все равно, что считать, будто автомобиль – это только двигатель. Конечно, двигатель важен, но без колес, руля, тормозов и шасси вы никуда не уедете. К концу этого выпуска вы поймете, что такое обвязка агента, почему это следующий этап после промп-инженеринга и как Microsoft iPhone 3 воплощает это в жизнь для реального бизнеса. Берите кофе и давайте начнем. Почему промптов уже недостаточно? Вернемся к истокам. Примерно с 2022 по 2024 год работать с И было просто. Вы писали промп и получали ответ. Нужен черновик письма. Напишите промп. Нужно краткое изложение статьи. Напишите промп. Для простых разовых задач это работало отлично. Вы просили о чем-то, и модель выдавала разумный ответ. Но затем аппетиты людей выросли. Они стали поручать моделям реальную работу. Изучить тему и написать отчет, проанализировать код и исправить баг или вести многоэтапный диалог с клиентом от начала до конца. И внезапно одного промпта стало не хватать. Вот что происходило. Контекстное окно модели переполнялось. Она забывала начальные инструкции и начинала выдумывать факты или выдавать неполные результаты. Чем дольше длилась задача, тем менее надежным становился результат. Вы наверняка сами с этим сталкивались. Вы просите и сделать что-то сложное. А к концу он забывает, о чем вы просили в самом начале. Представьте, что вы просите одного человека построить дом с нуля за один присест, не проверяя его работу. Именно это мы и требовали от таких моделей. Результаты были предсказуемыми. Недостроенный дом без стен и с дверями, которые не открываются. Решением был не более удачный промп. Можно часами оттачивать формулировки, добавлять примеры и уточнять инструкции. Но задача все равно провалится, потому что фундаментальная проблема была не в промпте, а в отсутствии системы вокруг него. Модели нужны были не лучшие слова, а лучшая поддержка. Так началась эволюция от промп-инженеринга к контекстному инженерингу. Три фазы эволюции ИИ. Вот как я вижу эволюцию ИИ. Три этапа, каждый из которых меняет фокус для инженеров. Первым этапом был промп-инженеринг. Он длился примерно с 2022 по 2024 год. Главный вопрос был прост. Что мне сказать модели? Вы пишете одну инструкцию, получаете один ответ и все. Вся суть была в формулировках и тоне. Для простых задач этого было достаточно. Затем наступил второй этап – контекстный инженеринг с 2024 по 2025 год. Вопрос сменился с «что сказать» на «что должна видеть модель». Инженеры поняли, что данные важнее способа запроса. Поэтому они создали такие системы, как вызов инструментов, RAG и протокол контекста моделей MCP. Они позволяют модели получать нужную информацию на лету. Вместо того, чтобы втискивать все в один промп, модель сама берет то, что нужно, когда нужно. Третий этап, на котором мы сейчас – инженеринг упряжки. Начиная с 2026 года, вопрос звучит так, какую систему построить вокруг модели. Здесь становится интересно. Ведь надежность, память, оркестрация и ограничения приходят не от самой модели, а от системы вокруг нее. Вот самый простой способ это понять. Агент равен модели плюс упряжка. Упряжка – это все остальное. Модель думает, а упряжка делает все остальное. И эта упряжка – тот секретный ингредиент, который заставляет все работать. Представьте, модель – это квалифицированный рабочий, талантливый, но ограниченный. Упряжка – это мастерская, инструменты, чек-лист, начальник и тормоза. Без мастерской рабочему негде работать. Без инструментов он ничего не построит. Без чек-листа он забудет шаги. Без начальника он совершит ошибки. А без тормозов он выгорит. Упряжка обеспечивает всю эту структуру. Так что же именно внутри этой упряжки? Давайте заглянем внутрь. Что на самом деле содержит упряжка? Итак, что входит в состав упряжки? Разберем все по порядку. Во-первых, цикл агента. Это цикл, который поддерживает работу агента. Модель думает, а затем решает вызвать инструмент. Инструмент запускается и возвращает результат. Модель изучает его, снова думает и, возможно, вызывает другой инструмент. Цикл продолжается, пока агент не достигнет своей цели. Без этого цикла у вас будет только один вопрос и один ответ. С ним вы получаете систему, которая решает задачи пошагово. Далее – управление контекстом. Это критически важно, поскольку у моделей ограниченный объем внимания. Их контекстное окно может вместить лишь определенный объем, прежде чем переполнится. Здесь в игру вступает управляющая оболочка. Она сжимает диалог, суммирует все сообщения и выделяет главное. Представьте это как систему архивации для разговора. Оболочка организует данные так, чтобы модель видела только актуальное. Без этого длинные сессии распадаются, так как модель теряет нить. Затем идут инструменты и навыки. Это – руки агента. Сама по себе модель может только генерировать текст. Она не может читать файлы, искать в сети, исполнять код или делать запросы к базе данных. Оболочка наделяет ее этими способностями. Доступ к файлам, веб-поиск, выполнение кода, запросы к БД – все это инструменты оболочки. Модель решает, когда их использовать, а оболочка обеспечивает их работу. Память и сохранение сессий – еще один важный элемент. Оболочка помнит прошлые сессии. Поэтому, когда вы возвращаетесь к агенту завтра, он не начинает с нуля. Он помнит ваши предпочтения, контекст проекта и принятые решения. Агент учится со временем, потому что оболочка хранит эту историю. Защитные механизмы – это уровень безопасности, ограничение поведения агента. Рассматривайте их как свод правил агента. Максимум шагов до остановки – запрещенные действия, подтверждение человеком рискованных операций, вроде записи файлов или отправки писем. Без защиты агент мог бы работать вечно или сделать-то, чего вы не планировали. Оболочка держит его под контролем. Наконец, оркестрация. Оболочка может запускать специализированных субагентов для разных задач. Один отвечает за поиск, другой – за написание, третий – за проверку. Они работают как команда специалистов на стройплощадке. Каждый делает свое дело лучше всех, а оболочка следит, чтобы они не мешали друг другу. Все эти компоненты – не просто теория. Microsoft создала полноценную платформу, воплощающую это на практике. Встречайте Microsoft iPhone 3 – корпоративную оболочку. Эта платформа и есть Microsoft iPhone 3. Это как полноценная мастерская для создания и запуска и агентов в промышленных масштабах. И говоря «масштаб», я имею в виду реальные объемы, а не лабораторный эксперимент. Foundry сегодня обслуживает более 70 тысяч клиентов, а только за прошлый квартал обработала 100 триллионов токенов. Это 100 триллионов – никакой опечатки. Каждый день она обрабатывает 2 миллиарда корпоративных поисковых запросов. Это производственная платформа для самых крупных рабочих нагрузок в мире. Foundry предоставляет вам эту оболочку как управляемый сервис. Вам не нужно создавать управление контекстом, память, защиту и координацию с нуля. Все это уже встроено. Вы предоставляете своего агента, а Foundry обеспечивает рабочую среду для него. Теперь поговорим об идентификации. Это очень важно. Каждый агент в Foundry получает собственный идентификатор интро. По сути, это цифровая личность. Представьте это как пропуск сотрудника, выданный на стойке регистрации. Агент может входить в службы, получать доступ к данным и действовать от имени организации, как и человек-сотрудник. А поскольку каждое действие привязано к этой личности, его можно полностью отследить. Почему это важно? В компании нужно знать, кто и что сделал. Каждое действие регистрируется и отслеживается. Foundry подключается к более чем 1400 корпоративным источникам данных, от SharePoint и Dynamics 365 до Salisforce и пользовательских баз данных. Если ваша компания это использует, у Foundry, вероятно, есть коннектор. Так что агент не гадает и не выдумывает. Он извлекает реальные данные из реальных систем. А значит, ответы основаны на ваших фактических бизнес-данных. Затем идет память. Foundry включает встроенные типы памяти. Процедурная память помогает агенту учиться на прошлых задачах. Со временем он становится лучше, как при обучении на рабочем месте. Постоянство сеанса означает, что он помнит предыдущие разговоры, поэтому ему не нужно начинать с нуля каждый раз, когда вы к нему обращаетесь. Это делает взаимодействие последовательным и интеллектуальным. Итак, как это работает на самом деле? Давайте разберем компоненты, которые Microsoft предоставляет для создания пользовательских связок. Фреймворк агентов — создание пользовательских связок. Итак, как же на самом деле создать связку? Microsoft предоставляет специальный SDK под названием Microsoft Agent Framework, который вы можете знать под его прежним названием Semantic Kernel. Он был переработан, но идея осталась прежней. Он позволяет разработчикам создавать пользовательские связки агентов на Python и C-решетка. Фреймворк состоит из трех уровней. В основе лежит цикл агента — основной процесс рассуждения, где модель думает, вызывает инструменты, получает результаты и снова думает. Поверх него располагаются рабочие процессы, шаблоны координации, которые управляют несколькими агентами. А завершает все уровень связки, оболочка, которая удерживает все вместе. Microsoft поставляет пять встроенных шаблонов координации. Последовательный запускает агентов одного за другим в заданном порядке. Параллельный запускает их все одновременно. Передача управления переключает задачу от одного агента к другому по мере необходимости. Групповой чат позволяет нескольким агентам общаться в общей беседе. И есть еще Magentec — менеджер от Microsoft Research. Здесь агент-супервайзер составляет план, а затем делегирует работу специализированным субагентам, как проектный менеджер распределяет задачи членам команды. Каждый шаблон решает свою задачу координации. Вот самая лучшая часть. Фреймворк можно расширять. Вы можете подключить любую нужную вам модель от OpenAI, Anthropic и Google Jiminy до Amazon, Bedrock и даже локальных моделей на Allama. То же самое касается инструментов. Вы подключаетесь через OpenAI, протокол контекста модели или напрямую через код. Некоторые опасаются, что использование фреймворка Microsoft привязывает вас к их экосистеме. Это не так. Фреймворк работает с любым стеком, который вы уже используете. Уровень обвязки добавляет такие возможности, как доступ к файлам, выполнение кода, промежуточное па для планирования и телеметрия. Таким образом, создание агента на этом фреймворке означает построение полноценной системы, которая читает файлы, пишет код, планирует многоэтапные задачи и логирует все для отладки. Это больше, чем просто чат-интерфейс. Вот как это выглядит. Представьте себе агента для программирования, построенного на этом фреймворке. Вы даете ему задачу, например, добавить новую функцию в существующую кодовую базу. Агент начинает с изучения документации, чтобы понять API. Затем он пишет код. После этого он запускает тесты, чтобы убедиться, что ничего не сломалось. Если тест не пройден, он считывает ошибку, исправляет баг и снова запускает тесты. Все в рамках той же обвязки, циклично проходя путь мышления и действия проверка до завершения работы. Без этой обвязки вам пришлось бы вручную задавать каждый шаг. С ней агент самостоятельно справляется со всем рабочим процессом. Одним из популярных примеров использования такой обвязки является подтернкло. Microsoft сделала его доступным в Foundry, и это отличная демонстрация того, как эти части работают вместе. Агенты в стиле Кло и Хермс Давайте поговорим об агентах в стиле Кло. Название происходит от проектов с открытым исходным кодом, таких как OpenClo. Эти агенты живут на вашей машине, ожидают инструкций, а затем самостоятельно выполняют длительные задачи. Они всегда готовы подключиться, когда они вам нужны. Думайте о них как о личном помощнике, который никогда не уходит на выходной. Версия от Microsoft называется Хермс. Он работает внутри облачной, песочницы, Foundry и обладает впечатляющими способностями. У Хермс есть собственная файловая система, своя память и свой набор инструментов. Он может настраивать собственные процедуры обслуживания, очищая старые файлы и организуя свое рабочее пространство. А если он понимает, что ему нужен навык, которого у него нет, он может создать его на лету. Теперь о главном в агентах Кло. Облачные архитекторы называют их «питомцами», а не «скотом». Питомцы уникальны. Вы даете им имена, заботитесь о них, их нелегко заменить. Скот взаимозаменяем. Если одна голова выбывает, вы просто берете другую. Агенты Кло — это однозначно питомцы. У каждого из них свое состояние, своя история и свои выученные модели поведения. Эта уникальность делает их мощными, но также затрудняет восстановление и масштабирование. Если что-то идет не так, вы не можете просто удалить экземпляр и начать заново, так как потеряете все накопленные знания. Решение Microsoft называется «процедуры». Это запланированные задачи, которые позволяют агенту проснуться, выполнить обслуживание и снова заснуть. Вместо того, чтобы держать песочницу, включенной 24 седьмых, что стоит денег, агент отключается после периода бездействия. Система процедур пробуждает его, когда пора что-то сделать, например, очистить старые навыки, выполнить резервное копирование или проверить новые задачи. Затем он снова засыпает. Это экономит средства, сохраняя доступность агента, когда он вам нужен. Песочница изолирует каждый сеанс. Файлы, память и конфигурация вашего агента остаются внутри его собственной среды. А связующая платформа управляет состоянием между сеансами, поэтому вам не нужно беспокоиться об утечке данных одного агента в другой. Создать свою платформу с нуля можно, но большинству компаний это не требуется. Фаундри предоставляет готовую платформу со всеми этими встроенными возможностями. Главный вопрос, что именно должен делать ваш агент? Публикация и совместная работа, где платформы встречаются с людьми. Итак, вы создали своего агента, наделили его инструментами, памятью, оркестрацией и песочницей. А как люди будут его использовать? И вот здесь Фаундри упрощает задачу. После того, как агент создан и развернут, вы можете опубликовать его в Microsoft 365 Copilot в Microsoft Teams с одним кликом. Не 10 кликов, не 3 дня на внедрение, всего 1 клик. И ваш агент появляется там, где люди уже работают, в их почте, чатах и документах. Фаундри поддерживает два режима развертывания. Во-первых, вспомогательные агенты. Они работают от вашего имени, готовят черновики писем, назначают встречи или находят документы. Они действуют как ваше продолжение, словно у вас есть очень быстрый ассистент, выполняющий ваши просьбы. Во-вторых, агенты автопилота. Они более новые и интересные. Они действуют от своего имени, имеют собственный адрес электронной почты и свою учетную запись. Им не нужно, чтобы вы каждый раз давали им команды. Они проявляют инициативу. У агентов автопилота есть полноценная учетная запись пользователя. Вы можете добавить их в групповой чат-тимс так же, как добавили бы коллегу-человека. Они следят за разговором и подключаются, когда могут помочь, отчлеживают задачи, отвечают на вопросы о текущей работе команды и даже помогают адаптировать новых сотрудников, отправляя им нужные документы и знакомя с нужными людьми. Вот конкретный пример. Допустим, у вас есть агент-менеджер рабочих процессов. Вы добавляете его в групповой чат-тимс. Кто-то пишет, эй, мне нужен отчет за третий квартал к пятнице. Агент понимает, что эта задача, требующая действий. Он создает задачу, назначает ее нужному сотруднику и ставит напоминание на четверг, чтобы проверить прогресс. Никто не давал ему таких указаний. Он просто увидел, что нужно сделать, и сделал это. Харнеса сберет на себя управление всеми разрешениями в фоновом режиме. Только авторизованные пользователи могут взаимодействовать с агентом в групповом чате. Агент видит только те сообщения, которым у него есть доступ, и игнорирует остальные. Он соблюдает те же правила контроля доступа, что и ваши сотрудники. Вот почему разработка Харнеса действительно окупается. Агент перестает быть просто чат-ботом во вкладке браузера. Он становится полноценным членом команды. Он работает там же, где и вы, по тем же принципам, что и ваша команда, а все благодаря Харнеса с системе вокруг модели, отвечающей за идентификацию, права, развертывание и интеграцию. Без Харнеса с вам пришлось бы проверять еще одно окно чата. Но любому мощному инструменту нужны средства защиты. Давайте поговорим об ограничениях, которые делают все это безопасным. Ответственный ИИ и управление в среде Харнеса с. В этом-то и суть. Разработка Харнеса с – это не только расширение возможностей агентов. Это обеспечение их безопасности и надежности. Агент, который может отправлять письма, изменять файлы и общаться в чатах, обладает большой мощью, но она требует контроля. Представьте, что вы даете сотруднику ключи от здания. Вы хотите, чтобы он выполнял свою работу, но устанавливаете правила, к чему и когда он может получить доступ. Подход Microsoft основан на стандарте ответственного ИИ. Все действия определяют шесть принципов – справедливость, надежность и безопасность, конфиденциальность, инклюзивность, прозрачность и подотчетность. Это не просто красивые слова на плакате. Это реальный фундамент, на котором с самого начала строится вся платформа. Именно в Харнеса с эти принципы превращаются в работающий код. Ограничения лимитируют действия агента. Хуки жизненного цикла позволяют применять правила на каждом этапе выполнения работы агента. До запуска, после запуска, перед вызовом инструмента, после получения результата, вы можете встроить собственные проверки в любой момент. Хотите запретить агенту доступ к определенным базам данных? Это можно сделать. Хотите требовать одобрения человека перед отправкой агентом электронного письма? Это тоже можно сделать. Обе эти задачи легко настраиваются. Azure Well-Earchitected Framework содержит специальные рекомендации для рабочих нагрузок с E. Они охватывают все, от шифрования данных до реагирования на инциденты. Идея в том, что создание E-системы принципиально не отличается от создания любой другой корпоративной системы. Вам по-прежнему необходима безопасность, надежность и операционное совершенство. Well-Earchitected Framework дает структурированный подход ко всему этому, чтобы вы не запутались. Кроме того, существует Cloud Adoption Framework. Он предлагает четырехэтапный процесс управления и, во-первых, выявление рисков, что может пойти не так, во-вторых, оценка воздействия, насколько серьезными будут последствия, в-третьих, смягчение с помощью контроля, что можно предпринять для предотвращения, в-четвертых, эксплуатация с мониторингом, как обнаруживать проблемы по мере их появления. Это практический пошаговый подход, превращающий абстрактные опасения в конкретные действия. Для каркасов агентов это означает несколько ключевых моментов. Ограничение максимального количества шагов, чтобы агент не работал вечно. Ограничение инструментов, чтобы он имел доступ только к разрешанному. Етапы подтверждения человеком для действий с высоким риском. Журналы аудита, чтобы каждое решение фиксировалось и проверялось. Фильтры безопасности контента, оцеивающие проблемные ответы до их появления. Все эти элементы работают вместе, чтобы держать вашего агента под контролем. Microsoft предоставляет встроенные средства безопасности контента и оценки Foundry. Вы можете протестировать агента по ряду критериев перед развертыванием. Соблюдает ли он тему разговора? Правильно ли он обрабатывает конфиденциальные данные? Отказывается ли он от выполнения нежелательных запросов? Вы можете запускать эти оценки автоматически и получать баллы до публикации агента. Так вы обнаружите проблемы на ранней стадии, а не после сбоев. Это полная картина. От простого промпта до безопасного автономного агента промышленного уровня. Модель мыслит, а каркас делает все остальное – координацию, защиту и управление, обеспечивая доверие. Итак, подведем итоги трансформации. Мы начали с промптов, с одним примером – ваншот. Написал промпт, получил ответ. Это работало для простых задач. Затем мы перешли к проектированию контекста. Управляйте тем, что видит модель, загружая нужную информацию вовремя. Это работало для более сложных задач. А теперь мы пришли к полноценному проектированию каркасов. Создайте полную систему вокруг модели с памятью, инструментами, координацией и защитой. Вот главный вывод. Агент надежен лишь настолько, насколько надежна система вокруг него. Модель важна, безусловно, но именно каркас определяет успех в продакшене. Можно иметь лучшую модель в мире, но без хорошего каркаса она провалится в реальных задачах. А с достойной моделью и отличным каркасом она всегда будет превосходить ожидания. Вот ваша задача. В своем следующем и проекте думайте шире, чем просто о промпте. Не спрашивайте, что сказать модели, спрашивайте, какую систему нужно построить вокруг нее. Именно этот сдвиг в мышлении отделяет демоверсии от рабочих систем. В следующем эпизоде мы подробнее разберем один компонент такой системы – память. Как агенты учатся со временем, как они помнят сделанное и как это меняет их возможности. Подпишитесь, чтобы не пропустить.