AI-агент в продакшене: 5 архитектурных решений до запуска

Что разрешить AI-агенту, когда он получает доступ к данным и деньгам клиента? И как проверить, что он действительно решает задачу правильно? Дмитрий Бондарев, бэкенд-разработчик Авито, разбирает пять архитектурных решений, которые нужно принять перед запуском агентной системы. В основе доклада — обращение в поддержку каршеринга: поездка завершена, приложение зависло, а клиент сообщает о продолжающихся списаниях. На этом примере постепенно собирается архитектура агента: от выбора следующего шага и поиска правил до согласования действий с человеком и оценки качества. В видео: когда достаточно workflow, а когда нужен агент; как управлять контекстом и не терять важные ограничения; зачем нужны Policy Engine и участие человека; какие инструменты давать модели и какую роль играет MCP; как сочетать LLM Judge и человеческую проверку. Доклад будет полезен бэкенд-разработчикам, ML-инженерам, архитекторам и тимлидам, которые проектируют системы на основе LLM. Организатор IT-конференций Стачка https://nastachku.ru/ 00:00 Вступление 00:33 О спикере и плане доклада 01:07 Задача: агент поддержки каршеринга 03:27 Workflow, один агент или несколько 06:54 Контекст, база знаний и история обращения 13:00 Автономность агента и контроль действий 19:12 Инструменты и MCP 21:39 Оценка качества: человек и LLM Judge 26:42 Итоговая архитектура и выводы 27:19 Вопрос из зала #AvitoTech #AIагенты #LLM #ML AvitoTech — это команда инженеров Авито. Подпишитесь на наш канал, соцсети и блоги, чтобы узнавать больше о технологиях Авито 👇🏻 ВК: https://vk.com/avitotech Телеграм: https://clc.to/6ORfrw Хабр: https://habr.com/ru/company/avito Гитхаб: https://github.com/avito-tech RuTube: https://rutube.ru/channel/30462632/ Дзен: https://dzen.ru/avitotech Сайт: https://clc.to/l5ZqRA