Agentic Workflows

Агентные рабочие процессы представляют собой преобразующий подход в области искусственного интеллекта (AI), при котором несколько автономных сущностей взаимодействуют, принимают решения и выполняют многоэтапные задачи при минимальном участии человека. В отличие от традиционных конвейеров машинного обучения, следующих строгим линейным путям выполнения, агентный рабочий процесс отличается высокой динамичностью. Он позволяет интеллектуальному агенту или скоординированной сети агентов воспринимать окружающую среду, рассуждать над сложными задачами и использовать внешние инструменты для достижения заданных целей. По мере масштабирования инициатив в области AI организации заменяют изолированные скрипты на агентные рабочие процессы корпоративного уровня, обеспечивая надежную и масштабируемую автоматизацию в различных отраслях.

Понимание агентных рабочих процессов#

В основе агентный рабочий процесс переводит AI от пассивной генерации к активному решению задач. Для этого требуется перейти от взаимодействия с одним запросом к итеративному циклу планирования, выполнения и наблюдения. Оркестрируя такие циклы, разработчики могут создавать системы, способные обрабатывать непредвиденные пограничные случаи и самостоятельно исправлять ошибки.

Чтобы четко разграничить тесно связанные понятия: AI-агент — это отдельная автономная сущность, часто работающая на основе большой языковой модели (LLM), которая рассуждает и действует. В свою очередь, агентный рабочий процесс — это общая архитектурная схема, определяющая, как эти агенты взаимодействуют, совместно используют память и выстраивают последовательность действий. Кроме того, если генеративный AI в основном создает контент за один линейный проход на основе запроса пользователя, агентные системы используют паттерны агентного проектирования — такие как саморефлексия, планирование и дебаты между несколькими агентами, — чтобы непрерывно уточнять результаты до полного достижения цели.

Основные компоненты#

Успешную работу таких процессов обеспечивают несколько фундаментальных элементов:

• Базовые модели LLM: центральные механизмы рассуждения рабочего процесса. Фреймворки оркестрируют современные модели, такие как GPT-4o от OpenAI, чтобы интерпретировать намерения пользователя и динамически формировать планы выполнения.
• Вызов функций и использование инструментов: агенты оснащаются специальными инструментами для взаимодействия с внешним миром. Сюда входит выполнение запросов к базам данных, запуск кода или вызов моделей компьютерного зрения для анализа визуальных данных. Документация таких поставщиков, как OpenAI о вызове функций, объясняет, как модели форматируют результаты для надежного запуска внешних API.
• Фреймворки оркестрации: такие библиотеки, как LangGraph и CrewAI, а также Microsoft AutoGen, предоставляют критически важную инфраструктуру для связи агентов, управления состояниями диалога и интеллектуальной маршрутизации задач.
• Управление памятью и контекстом: чтобы предотвращать галлюцинации и сохранять согласованность в многоэтапных процессах, рабочие процессы используют краткосрочную память (текущее контекстное окно диалога) и долгосрочную память (постоянные базы данных), чтобы учиться на основе предыдущих взаимодействий.

Практические применения#

Агентные рабочие процессы уже решают сложные, неограниченные задачи в реальном мире:

1. Автономный визуальный контроль: в производстве агентная система может автоматизировать обнаружение дефектов. Агент-оркестратор запускает инструмент камеры для захвата изображения, обрабатывает его с помощью модели обнаружения объектов и анализирует результат. Если обнаружен дефект, агент автономно регистрирует заявку на техническое обслуживание и направляет продукт на ручную проверку, управляя всей реакцией предприятия.

2. Интеллектуальный разбор документов: в финансовой и юридической сферах рабочие процессы предназначены для извлечения структурированных данных из неструктурированных PDF-файлов. Агенты итеративно применяют обнаружение структуры документа, используя целенаправленное проектирование запросов, чтобы самостоятельно исправлять ошибки и проверять извлеченные таблицы на соответствие ожидаемым финансовым схемам.

3. Динамические маркетинговые операции: дальновидные маркетинговые команды переосмысливают рабочие процессы, внедряя агентов, которые автономно анализируют текущие тренды, создают материалы кампаний, тестируют варианты рекламных текстов и корректируют стратегии распределения бюджета на основе показателей эффективности в реальном времени.

Пример: построение рабочего процесса с агентом компьютерного зрения#

Интегрировать визуальный интеллект в агентный рабочий процесс можно с помощью Ultralytics Platform и пакета ultralytics для Python. В этом концептуальном примере агентная система использует YOLO26 как инструмент восприятия для исследования производственной линии, позволяя базовой логике рабочего процесса автономно выбирать следующее действие на основе результатов режима predict.

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Agentic workflow step 1: Vision tool gathers environmental data
results = model.predict("factory_line.jpg")


# Agentic workflow step 2: Agent logic evaluates the visual detections
def decision_agent(detections):
    for obj in detections:
        # Check if the model detected a specific class, e.g., 'defect'
        if obj.names[int(obj.cls)] == "defect":
            return "Action: Trigger immediate maintenance alert."
    return "Action: Continue production line smoothly."


# Execute the agent's decision logic based on bounding box data
action = decision_agent(results[0].boxes)
print(action)

Используя такие фреймворки, как PyTorch, внутри этих инструментов компьютерного зрения, можно передавать высокоточную информацию о пространственном окружении в более широкую логику AI. По мере того как агентные организации продолжают развиваться, сочетание передовых моделей рассуждения и возможностей компьютерного зрения в реальном времени будет определять следующее поколение интеллектуальной автоматизации с самокоррекцией. Благодаря постоянному совершенствованию с помощью активного обучения и сложной оркестрации агентные рабочие процессы обеспечивают надежное выполнение AI-системами сложных стратегий от начала до конца.