Сьогоднішня тема – це те, про що майже всі чули, але мало хто може пояснити, обв'язка агента штучного інтелекту. Ви, мабуть, бачили це у блогах чи виступах на конференціях, але що це насправді означає. Ось у чому справа. Більшість людей вважають, що створення AI-агента – це написання ідеального запиту, тієї самої магічної інструкції, яка змушує модель робити саме те, що ви хочете. Але це все одно, що думати, ніби автомобіль – це лише двигун. Звісно, двигун важливий, але без коліс, керма, гальм і шасі ви нікуди не поїдєте. Наприкінці цього епізоду ви зрозумієте, що насправді таке агентна обв'язка, чому це наступний етап розвитку після промп-інженірингу і як Microsoft AI-Foundry втілює це для реального бізнесу. Беріть каву і почнемо. Чому запитів промптів вже недостатньо? Повернімося до початків. Приблизно у 2022-2024 роках працювати ще було просто. Ви писали запит і отримували відповідь. Потрібен чернетка листа. Напишіть запит. Потрібен підсумок статті. Напишіть запит. Для простих завдань це працювало дуже добре. Ви могли про щось попросити, і модель видавала розумну відповідь. Але потім амбіції людей зросли. Вони почали вимагати від цих моделей виконання реальної роботи. Дослідити тему і написати звіт, проаналізувати код і виправити помилку, або вести багатоетапну підтримку клієнтів від початку до кінця. І раптом один запит перестав з цим справлятися. Ось що сталося. Контекстне вікно моделі заповнювалося, вона забувала попередні інструкції та починала вигадувати факти або надавати неповні результати. Щодовше тривало завдання, то менш надійним ставав результат. Ви, мабуть, самі з цим стикалися. Ви просите ще зробити щось складне, а наприкінці він забуває, про що ви просили спочатку. Уявіть, що ви просите одну людину побудувати цілий будинок з нуля за один підхід, не перевіряючи її роботу. Саме це ми і вимагали від цих моделей. Результати були саме такими, які слід було очікувати – недобудований будинок без стін і з дверима, що не відчиняються. Рішенням був не кращий запит. Можна було годинами підбирати слова, додавати приклади та уточнювати інструкції, але це все одно не спрацювало б у складних завданнях, бо фундаментальна проблема була не в запиті. Проблема була у відсутності системи навколо нього. Моделі були потрібні не кращі слова, а краща підтримка. Саме так почалася еволюція від промпінженірингу до контекстного інженірингу. Три фази еволюції ЩІ. Отже, ось як я бачу еволюцію ЩІ. Три фази, кожна з яких змінює фокус для інженерів. Перша фаза – промпінженіринг. Вона тривала приблизно з 2022 по 2024 рік. Головне питання було простим, що мені сказати моделі. Ви пишете одну інструкцію, отримуєте одну відповідь і це все. Уся майстерність полягала у формулюваннях і тоні. Для базових завдань цього було достатньо. Далі настала друга фаза – контекстний інженіринг з 2024 по 2025 рік. Питання змінилося з «що сказати» на «що модель має бачити». Інженери зрозуміли, що те, чим ви наповнюєте модель, важливіше за те, як ви питаєте. Тому вони створили такі системи, як виклик інструментів, генерація з доповненою вибіркою та протокол контексту моделі MCP. Вони дозволяють моделі отримувати потрібну інформацію на льоту. Замість того, щоб впихати все в один запит, модель могла брати те, що потрібно саме тоді, коли це потрібно. Третя фаза – це те, де ми зараз інженіринг обв'язки «Ханас». Починаючи з 2026 року, питання таке, яку систему мені потрібно побудувати навколо моделі. Тут стає цікаво, бо надійність, пам'ять, оркестрація та запобіжники походять не від самої моделі, а від системи, яку ви будуєте навколо неї. Ось найпростіший спосіб подумати про це. Агент дорівнює моделі плюс обв'язка. Обв'язка – це все інше. Модель думає, обв'язка робить усе решту. І ця обв'язка – це таємний інгредієнт, який змушує все працювати. Уявіть це так, модель – це кваліфікований працівник, дуже талановитий, але обмежений. Обв'язка – це майстерня, інструменти, контрольний список, наглядач і гальма. Без майстерні працівнику ніде працювати. Без інструментів він нічого не зможе побудувати. Без контрольного списку він забуде про кроки. Без наглядача він припуститься помилок, а без гальм він просто перегорить. Обв'язка забезпечує всю цю структуру. Отже, що саме всередині цієї обв'язки? Давайте відкриємо її. Що насправді містить у собі обв'язка? Отже, що входить до складу – обв'язки. Давайте розберемо всі частини по черзі. По-перше, цикл агента. Це цикл, який підтримує роботу агента. Модель думає, а потім вирішує викликати інструмент. Інструмент працює і повертає результат. Модель дивиться на це, думає знову і, можливо, викликає інший інструмент. Цикл триває, поки агент не досягне своєї мети. Без цього циклу ви отримуєте лише одне запитання і одну відповідь. З ним ви маєте систему, яка опрацьовує проблеми крок за кроком. Далі – управління контекстом. Це критично важливо, оскільки моделі мають обмежений обсяг уваги. Їхнє вікно контексту може вмістити лише певну кількість інформації до переповнення. Тут у гру вступає каркас. Він стискає розмову, підсумовує всі повідомлення та виділяє найважливіше. Уявіть це як систему картотеки для розмови. Каркас упорядковує її так, щоб модель бачила лише те, що актуально. Без цього довгі сесії розпадаються, бо модель втрачає нитку розмови. Далі йдуть інструменти та навички. Це руки агента. Сама по собі модель може лише генерувати текст. Вона не може прочитати файл, переглянути веб-сторінки, виконати код чи зробити запит до бази даних. Каркас надає їй ці можливості. Доступ до файлів, веб-пошук, виконання коду, запити до баз даних – все це інструменти каркаса. Модель вирішує, коли їх використовувати, а каркас забезпечує їхню роботу. Пам'ять та збереження сесій – це ще один важливий елемент. Каркас пам'ятає минулі сесії. Тож, коли ви повертаєтеся до агента завтра, він не починає з нуля. Він пам'ятає ваші вподобання, контекст проєкту та прийняті вами рішення. Агент навчається з часом, оскільки каркас зберігає цю історію. Запобіжники – це рівень безпеки, обмеження, які ви встановлюєте для поведінки агента. Уявіть це як книгу правил для агента. Максимальна кількість кроків перед зупинкою – заборонені дії, підтвердження людиною для ризикованих операцій, як-от запис файлів або надсилання листів. Без запобіжників агент міг би працювати вічно або зробити щось, чого ви не планували. Каркас тримає його під контролем. Нарешті – оркестрація. Каркас може створювати спеціалізованих субагентів для різних завдань. Один займається дослідженнями, інший – написанням, третій – перевіркою. Вони працюють разом, як команда фахівців на будівельному майданчику. Кожен робить те, що вміє найкраще, а каркас стежить, щоб вони не заважали один одному. Тепер ці компоненти – це не просто теорія. Microsoft створила повноцінну платформу, яка втілює все це на практиці. Представляємо Microsoft AI Foundry – корпоративний каркас. Ця платформа – Microsoft AI Foundry. Уявіть її як повну майстерню для створення та запуску щі агентів у великих масштабах. І коли я кажу про масштаби, я маю на увазі реальні масштаби, а не лабораторний експеримент. Foundry сьогодні обслуговує понад 70 тисяч клієнтів і лише за минулий квартал обробила 100 трильйонів токенів. Це 100 трильйонів – це не друкарська помилка. Щодня вона забезпечує роботу 2 мільярдів корпоративних пошукових запитів. Це виробнича платформа, яка обробляє одні з найбільших робочих навантажень у світі. Що насправді робить Foundry – це надає вам каркас як керований сервіс. Вам не потрібно створювати керування контекстом, пам'ять, запобіжники та координацію з нуля, бо це вже вбудовано. Ви надаєте свого агента, а Foundry забезпечує робоче середовище для нього. Тепер поговоримо про ідентифікацію. Це дуже важливо. Кожен агент у Foundry отримує власний ідентифікатор EntraID. По суті, це цифрова ідентичність. Уявіть це як перепустку співробітника, видано на рецепції. Агент може входити в сервіси, отримувати доступ до даних і діяти від імені організації, як і людина-співробітник. І оскільки кожна дія прив'язана до цієї ідентичності, вона повністю підлягає аудиту. Чому це важливо? У корпоративному середовищі ви повинні знати, хто і що зробив. Кожна дія фіксується та відстежується. Foundry підключається до понад 1400 корпоративних джерел даних, від SharePoint і Dynamics 365 до Salesforce і власних баз даних. Якщо ваша компанія цим користується, у Foundry, ймовірно, є відповідний коннектор. Отже, агент не вгадує і не вигадує нічого зайвого. Він витягує реальні дані з реальних систем, а це означає, що відповіді бронтуються на ваших фактичних бізнес-даних. Далі – пам'ять. Foundry містить вбудовані типи пам'яті. Процедурна пам'ять допомагає агенту вчитися на минулих завданнях. З часом він стає кращим, як під час навчання на робочому місці. Постійність сесій означає, що він пам'ятає попередні розмови, тож йому не доводиться починати з нуля щоразу, коли ви з ним спілкуєтеся. Це робить взаємодію безперервною та інтелектуальною. Тож, як це працює насправді? Давайте розберемо компоненти, які Майкрософт надає для створення спеціальних оболонок. Фреймворк агентів – створення спеціальних оболонок. Отже, як саме ви створюєте таку оболонку? Майкрософт надає спеціальний SDK під назвою Microsoft Agent Framework, який ви можете знати за його попередньою назвою – Semantic Kernel. Його було перероблено, але ідея залишилася незмінною. Він дозволяє розробникам створювати власні оболонки агентів на Python та C. Фреймворк має три рівні. В основі лежить цикл агента – базовий цикл міркувань, де модель думає, викликає інструменти, отримує результати і знову думає. Зверху розташовані робочі процеси – моделі координації, які керують кількома агентами. А все це огортає рівень самої оболонки – каркас, який утримує все це разом. Майкрософт постачає п'ять вбудованих моделей координації. Послідовна модель запускає агентів одного за одним у визначеному порядку. Паралельна модель запускає їх усіх одночасно. Передача керування передає контроль від одного агента до іншого залежно від потреби. Груповий чат дозволяє кількома агентам спілкуватися в межах спільної розмови. І є ще магентік – менеджер від Microsoft Research. Тут агент-супервайзер створює план, а потім делегує роботу спеціалізованим під агентом, як менеджер проєкту розподіляє завдання між членами команди. Кожна модель вирішує свою окрему проблему координації. Ось найкраща частина. Цей фреймворк є розширюваним. Ви можете підключити будь-яку модель від OpenAi, Anthropic та Google Gemini до Amazon, Bedrock і навіть локальні моделі через Olamo. Те саме стосується інструментів. Ви підключаєтесь через OpenAi, протокол контексту моделі або прямий код. Дехто хвилюється, що використання фреймворку Microsoft прив'язує вас до їхньої екосистеми. Це не так. Фреймворк працює з будь-яким стеком, який ви вже використовуєте. Рівень Ханас додає такі можливості, як доступ до файлів, виконання коду, проміжне ПЗ для планування та телеметрію. Тож створення агента на цьому фреймворку означає побудову повної системи, що читає файли, пише код, планує багатоетапні завдання та все записує для налагодження. Це більше, ніж просто чат-інтерфейс. Ось як це виглядає. Уявіть агента для програмування, побудованого на цьому фреймворку. Ви даєте йому завдання, наприклад, додати нову функцію до існуючої кодової бази. Агент починає з перегляду документації, щоб зрозуміти Арі. Потім він пише код. Потім запускає тести, щоб переконатися, що нічого не зламалося. Якщо тест не проходить, він считує помилку, виправляє баг і запускає тести знову, все в межах одного Ханас, повторюючи цикл «Думати, діяти, перевіряти», поки робота не буде зроблена. Без Ханас вам довелося б вручну задавати кожен крок. З ним агент виконує весь робочий процес самостійно. Одним із популярних прикладів використання Ханас є паттерн Кло. Microsoft зробила його доступним у Фаундрі, і це чудова демонстрація того, як ці частини працюють разом. Агенти в стилі Кло та Херміз Давайте поговоримо про агентів у стилі Кло. Назва походить від опенсос-проєктів, таких як Опен Кло. Ці агенти живуть на вашій машині, чекають на інструкції, а потім самостійно виконують тривалі завдання. Вони завжди поруч, готові підключитися, коли вони вам потрібні. Уявіть їх як персонального асистента, який ніколи не бере вихідних. Версія від Microsoft називається Херміз. Він працює всередині хостингової пісочниці агентів Фаундрі і володіє вражаючими можливостями. Херміз має власну файлову систему, власну пам'ять і власний набір інструментів. Він може налаштовувати власні процедури обслуговування, очищуючи старі файли та впорядковуючи свій робочий простір. А якщо він розуміє, що йому потрібна нова навичка, якої у нього немає, він може створити її на льоту. Отже, ось що важливо знати про агентів Кло. Хмарні архітектори називають їх домашніми улюбленцями, а не худобою. Він має власний стан, історію та набуті навички. Ця унікальність робить їх потужними, але також ускладнює відновлення та масштабування. Якщо щось піде не так, ви не зможете просто видалити екземпляр і почати спочатку, бо втратите всі накопичені знання. Рішенням Microsoft є те, що називається процедурами. Це заплановані завдання, які дозволяють агенту прокидатися, виконувати обслуговування, а потім знову засинати. Замість того, щоб підтримувати роботу пісочниці 24 сьомих, що коштує грошей, агент вимикається після періоду бездіяльності. Система процедур пробуджує його, коли потрібно щось зробити, наприклад, очистити старі навички, створити резервну копію або перевірити нові завдання. Після цього він повертається до сну. Це економить кошти, водночас зберігаючи доступність агента, коли він вам потрібен. Пісочниця ізолює кожен сеанс. Файли, пам'ять і конфігурація вашого агента залишаються обмеженими власним середовищем. А каркас Ханас керує цим станом між сеансами, тож вам не доведеться хвилюватися про витік даних одного агента до іншого. Створити власний каркас з нуля можливо, але більшості компаній це не потрібно. Foundry надає вам готову платформу з усіма цими вбудованими можливостями. Справжнє питання в тому, що саме ви хочете від свого агента. Публікація та співпраця, де каркаси зустрічаються з людьми. Отже, ви створили свого агента, надали йому інструменти, пам'ять, оркестрацію та пісочницю. Тепер, як люди насправді будуть ним користуватися. Ось тут Foundry значно спрощує справу. Після того, як ваш агент створений і розгорнутий, ви можете опублікувати його в Microsoft 365 Copilot у Microsoft Teams одним кліком. Не 10 кліків, не триденний конвейер розгортання, лише один клік. І ваш агент з'являється там, де люди вже працюють – у їхній пошті, чатах і документах. Foundry підтримує два режими розгортання. По-перше, допоміжні агенти. Вони працюють від вашого імені, складаючи чернетки листів, плануючи зустрічі або відкриваючи документи. Вони діють як ваше продовження, наче у вас є дуже швидкий помічник, який робить те, про що ви просите. По-друге, агенти Автопілота. Вони новіші та цікавіші. Вони діють від власного імені, мають власну електронну адресу та власну ідентичність. Їм не потрібно, щоб видавали підказки кожного разу. Вони діють самостійно. Агенти Автопілота мають повний обліковий запис користувача. Ви можете додати їх до групового чату Teams так само, як додали б колегу-людину. Вони стежать за розмовою і втручаються, коли можуть допомогти, відстежують відкриті питання, відповідають на запитання про роботу команди і навіть допомагають адаптувати нових учасників, надсилаючи їм потрібні документи та знаємлячи з правильними людьми. Ось конкретний приклад. Припустимо, у вас є агент-менеджер робочих потоків. Ви додаєте його до свого групового чату в Teams. Хтось каже, гей, мені потрібно, щоб звіт за Q3 був готовий до п'ятниці. Агент розуміє, що це завдання до виконання. Він створює завдання, призначає його потрібній особі та додає нагадування на четвер, щоб перевірити прогрес. Ніхто не казав йому це робити. Він просто побачив, що треба зробити і зробив це. Ханас опрацьовує всі дозволи у фоновому режимі. Лише авторизовані користувачі можуть взаємодіяти з агентом у груповому чаті. Агент бачить лише ті повідомлення, до яких має доступ, а інші ігнорує. Він дотримується тих самих засобів контролю доступу, що і ваші колеги. Ось чому розробка Ханас дійсно окупається. Агент перестає бути чат-ботом, якого ви відкриваєте у вкладці браузера. Він стає продуктивним членом команди. Він працює там, де й ви, так, як працює ваша команда, і робить це все завдяки Ханас. Системі навколо моделі, яка керує ідентифікацією, дозволами, розгортанням та інтеграцією. Річ у тім, розробка Ханас – це не лише про те, щоб зробити агентів потужнішими. Це про те, щоб зробити їх безпечними та надійними. Агент, який може надсилати електронні листи, змінювати файли та діяти в групових чатах – це потужно, але ця потужність потребує контролю. Уявіть це як надання працівнику ключів від будівлі. Ви хочете, щоб вони виконували свою роботу, але ви також встановлюєте правила щодо того, до чого і коли вони мають доступ. Підхід Microsoft ґрунтується на стандарті відповідального ЩІ. Шість принципів керують усім справедливість, надійність і безпека, конфіденційність, інклюзивність, прозорість і підзвітність. Це не просто гарні ідеї, написані на плакаті. Це справжня основа того, якуся платформа проєктується з нуля. Ханас – це місце, де ці принципи стають реальним кодом. Механізми безпеки обмежують дії агента. Хуки життєвого циклу дозволяють застосовувати політики на кожному етапі роботи агента. До запуску агента, після нього перед викликом інструменту, після отримання результату, Ви хочете заблокувати агенту доступ до певних баз даних. Ви можете це зробити. Хочете вимагати схвалення людиною, перш ніж агент надійшла листа. Ви можете зробити і це. Обидва ці варіанти легко налаштувати. Azure Well-Arkitected Framework містить спеціальні вказівки для робочих навантажень ЩІ. Він охоплює все – від шифрування даних до реагування на інциденти. Ідея полягає в тому, що побудовачі системи принципово не відрізняються від побудови будь-якої іншої корпоративної системи. Вам все ще потрібні безпека, надійність та операційна досконалість. Well-Arkitected Framework дає структурований спосіб думати про все це, не втрачаючи орієнтирів. Крім того, існує Cloud Adoption Framework. Він забезпечує чотириетапний процес для управління ЩІ. По-перше, виявлення ризиків. Що може піти не так? По-друге, оцінка впливу. Наскільки це буде серйозно? По-третє, зменшення ризиків за допомогою засобів контролю. Що можна зробити для запобігання? По-четверте, робота з моніторингом. Як вчасно виявити проблеми, коли вони виникають? Це практичний покроковий підхід, який перетворює абстрактні побоювання на конкретні дії. Для інфраструктури агентів це означає кілька ключових речей. Обмеження максимальної кількості кроків, щоб агент не працював вічно. Обмеження інструментів, щоб він мав доступ лише до того, що потрібно. Етапи затвердження людиною для дій з високим рівнем ризику. Аудиторські сліди, щоб кожне рішення було записане і його можна було перевірити. Фільтри безпеки в місту, які блокують проблемні результати до того, як їх хтось побачить. Кожен елемент працює разом, щоб тримати ваш агент під надійним контролем. Microsoft надає вбудовані засоби безпеки та оцінки в межах Foundry. Ви можете перевірити свого агента за низкою критеріїв перед розгортанням. Чи дотримується він теми? Чи правильно він обробляє конфіденційні дані? Чи відхиляє він запити, які не повинен виконувати? Ви можете запускати ці оцінки автоматично та отримувати результат до того, як опублікуєте агента для своєї команди. Так ви виявите проблеми раніше, а не після того, як щось піде не так. Це повна картина від простого запиту до безпечного автономного агента промислового рівня. Модель відповідає за мислення, а інфраструктура – за все інше. Координацію, захисні механізми, управління – усе те, що робить її надійною. Отже, підсумуємо трансформацію. Ми почали з одноразових запитів. Напишіть запит, отримайте відповідь. Це працювало для простих завдань. Потім ми перейшли до проєктування контексту. Керуйте тим, що бачить модель, завантажуйте правильну інформацію в потрібний час. Це працювало для більш складних завдань. А тепер ми прийшли до повноцінного проєктування інфраструктури. Створюйте повну систему навколо моделі з пам'яттю, інструментами, координацією, захисними бар'єрами та управлінням. Ось головний висновок. Агент настільки надійний, наскільки надійна система навколо нього. Модель важлива, безумовно, але саме інфраструктура визначає успіх у виробництві. Ви можете мати найкращу модель у світі, але без хорошої інфраструктури вона не впорається з реальними завданнями. І ви можете мати непогану модель з чудовою інфраструктурою, і вона щоразу перевершуватиме очікування. Ось ваш виклик. У своєму наступному проєкті зіші думайте ширше за межі простого запиту. Не питайте, що мені сказати моделі, питайте, яку систему навколо неї варто побудувати. Саме ця зміна мислення відрізняє демо-версії від робочих систем. У наступному епізоді ми детальніше розглянемо один із компонентів обв'язки – пам'ять. Як агенти вчаться з часом, як вони запам'ятовують зроблене і як це змінює їхні можливості. Підпишіться, щоб не пропустити.