Разнообразие low-code и no-code решений серьезно упростило создание IT-продуктов, в том числе, и на основе AI. Но пока в этой сфере нет четких подходов и правил, на которые можно опираться. Максим Нечаев, Engineering Manager в Snoonu — одной из крупнейших IT-компаний в Катаре — рассказал о создании собственной архитектуры AAC для разработки AI-агентов. Она позволяет создавать гибкие решения, которые легко масштабировать. Также Максим поделился кейсами, в которых уже применял это решение, и рассказал о своих прогнозах на развитие AI-технологий в ближайшее время.
Какая проблема или «боль» в типичных интеграциях AI-агентов подтолкнула вас к разработке собственной архитектуры?
Главная проблема, которую я хотел решить — это запутанность AI-систем. Сейчас создание AI-агентов — настоящий тренд. Существует множество low-code и no-code инструментов, таких как Make или n8n, с помощью которых можно быстро разработать агента без знания программирования. Но здесь есть подвох. У нас до сих пор нет единого понимания того, как создавать гибкие, стабильные и масштабируемые системы искусственного интеллекта.
Конечно, опытные разработчики знают, по каким принципам должны строиться IT-продукты — они используют объектно-ориентированное программирование и другие принципы. Но огромная доля энтузиастов, которые используют low-code/no-code решения, не имеет представления об этих принципах. В результате получаются запутанные системы, которые сложно масштабировать.
Второй момент — отсутствие четких подходов к созданию AI-агентов. Есть определенные фреймворки и наработки, но пока не существует больших проектов по архитектурам и дизайн-паттернам. Поэтому я решил структурировать их разработку.
И последний момент: мне хотелось создать что-то по-настоящему революционное. Это проще сделать на старте нового направления — а искусственный интеллект и AI-агенты появились совсем недавно. И я решил не упускать шанс внести свой вклад в развитие новой сферы. Я хотел создать для других разработчиков систему, которой они могут пошагово следовать, чтобы создавать гибкие и масштабируемые архитектуры.
Из чего состоит AAC, и чем он принципиально отличается от классических подходов к построению AI-агентов?
Главное преимущество AAC — это разделение ответственности на разные блоки. Вместо того, чтобы создавать общую систему для всех функций, мы разделяем ее на модули-агенты, каждый из которых выполняет одно определенное действие и «общается» с другими через контракты JSON. Например, один агент принимает данные, другой — обрабатывает, третий — анализирует, четвертый — выдает резюме по данным, пятый — отслеживает ошибки и т.д.
Этот подход не только делает систему читаемой, но и упрощает поиск и исправление багов. И если что-то не работает, не нужно проверять всю систему — достаточно найти и протестировать модуль, где возникли проблемы. В результате, с помощью AAC можно построить гибкое и стабильное решение, которое можно легко масштабировать, добавляя модули. Техподдержка тоже становится дешевле, ведь нужно меньше часов на разработку или решение проблем.
И главное, моя архитектура подходит и для low-code/no-code решений, и для воплощения с помощью кода. Можно реализовать ее в n8n, в Make.com, в Python с помощью LangChain и LangGraph.
AAC уже показал свою эффективность на практике?
Я внедрял AAC на трех проектах. Первый представлял из себя агента по оценке эпиков — блоков работы в методологии Agile. Агент декомпозировал эпики на задачи и выстраивал диаграммы Ганта, по которым можно было спрогнозировать сроки и ресурсы для проекта. Сама разработка заняла больше времени, чем обычно, потому что нужно было создать несколько разных элементов и настроить между ними связи. Но мой подход позволил справиться с главной сложностью — необходимостью в правильной последовательности обращаться к разным сервисам. Так как каждый элемент отвечал за свою задачу, я просто настроил очередность их работы.
Вторым проектом стала контент-фабрика в одном из моих медийных проектов. Я создавал рекламные faceless-видео по определенным шаблонам и футажам. Система позволяла публиковать новое видео каждый час — это было гораздо быстрее, чем каждый раз создавать контент с нуля.
Третий проект — агент для сбора новостей, которым могут пользоваться редакторы видео. Этот агент каждое утро собирает новости по всему миру, оценивает их виральность и дает рекомендации по созданию видео под каждую новость. Агент даже подсказывает, какой заголовок можно использовать и на чем сделать акцент. Я использую его для своего блога на тему AI.
Все эти агенты могут использоваться в бизнес-процессах, значительно сокращая трудозатраты и позволяя выполнять больше задач за единицу времени.
Как вы видите эволюцию вашего паттерна с точки зрения поддержки многоагентных систем, автоматического самовосстановления и интеграции с emerging-технологиями?
В первую очередь, я создавал его как открытую для всех архитектуру. Ей может пользоваться любой, кто увлекается созданием агентов. И в ближайшие годы я ожидаю увидеть трансформацию архитектуры, исходя из ее реального использования и фидбэка от других людей.
То, что я действительно хотел бы улучшить — это подключение агентов из разных сервисов. Я хочу, чтобы в рамках одной большой архитектуры можно было объединить и no-code, и код-решения.
Также я планирую адаптировать архитектуру под разные задачи. Сейчас она хорошо подходит под digital-процессы: создание постов, разработку контента и тому подобное. Хотелось бы, чтобы архитектура хорошо справлялась и с задачами наподобие модерации — где агенту нужно постоянно «общаться» и с чатом, и с администратором.
И последнее — это улучшение передаваемых данных между модулями. Сейчас данные передаются по достаточно простому пути — через JSON-формат. Чтобы процесс был быстрее, можно научить ИИ самому создавать структуры, которые будут отправляться между модулями.
У вас есть сообщество из более чем 4500 участников и обучающий YouTube-канал, на который подписано 5700 человек. Как вы превращаете сложные архитектурные концепции в доступную и полезную практику для специалистов?
Я долго прокачивал навык рассказывать сложные вещи простыми словами, особенно для массовой аудитории. Я понимаю, что большинство моих зрителей — люди, которые хотят создавать агентов, но не знакомы с программированием. Им сложно понять абстрактное мышление, потому что оно не встречается в жизни. Поэтому на каналах я стараюсь простыми словами объяснить принципы программирования и подобрать примеры из реального мира. Это позволяет мне и самому глубже погружаться в тему.
Я начал вести Youtube-канал в 2022 году, и изначально рассказывал про IT в целом — как туда попасть, что делают специалисты различных профессий и так далее. Уже тогда я старался объяснять всё как можно проще. Также я «практиковался» на стажерах или джуниор-специалистах — им тоже нужно было просто и легко доносить суть проектов. Поэтому мне довольно просто выступать «учителем» в сфере AI-технологий.
Вы часто выступаете на международных конференциях и судите хакатоны. Расскажите о вашем способе оценки зрелости AI-решений на таких мероприятиях. Что отличает победителей от просто эффектных демо?
При достаточной насмотренности можно сразу выделить качественные проекты. После этого можно оценивать их перспективность. Важно понимать, что главная цель AI-сервисов — решать простые прикладные задачи. Например, генерировать контент, составлять таблицы, анализировать статистику по рекламе. Поэтому, если решение реально решает базовую проблему — мы и оцениваем, насколько хорошо оно работает, и сколько людей готовы заплатить за него прямо сейчас.
Грубо говоря, если с помощью продукта можно создавать видео с котиками, которые под музыку летают в облаках — это заранее неперспективный проект. Он не решает реальные «скучные» проблемы бизнесов и людей. А вот сервис по фильтрации, оценке и сортировке резюме под вакансии — более явный кандидат на победу.
После оценки самого проекта я смотрю на команду, ее опыт, амбиции и планы на развитие. Также я изучаю UX/UI продукта и технические характеристики. Важно, чтобы сервис решал узкую задачу. Если задачи будут популярными, то велика вероятность, что вскоре в эту сферу придут крупные AI-компании наподобие OpenAI. И тогда отдельный сервис будет не нужен.
И в заключение, какие технологические или научные тенденции за пределами AI сейчас больше всего влияют на ваш подход к архитектуре и разработке продуктов?
Главный тренд в IT сейчас — это serverless-архитектуры и облачные нативные решения. То есть когда мы размещаем вычислительные мощности в облаке — Google или Amazon — и платим за системы соответственно их размерам. Поэтому должны проектировать сервисы так, чтобы они легко жили в распределенной среде и масштабировались там.
Следующий момент — это безопасность, приватность и юридическая регулировка использования искусственного интеллекта. В мире пока нет четкого регулирования этой сферы. Поэтому, когда мы создаем AI-проекты, то должны прогнозировать — не смогут ли какие-либо будущие регулировки на это повлиять.
Еще один тренд — это новые стандарты интеграций. Например, сейчас большую популярность приобретает MCP-протокол, через который общаются клиент и нейросеть. С помощью этого протокола агент сможет, например, сам создавать дизайн сайта в Figma или публиковать посты в соцсетях по заданным промтам.
Меняются и принципы в организации команд. Сейчас очень много специалистов работает в удаленном режиме — и для них не подходят принципы организации и мотивации офлайн-команд. Поэтому нужно придумывать новые процессы взаимодействия.
В целом мы должны следить за ростом вычислительных мощностей. Нужно быть готовым менять архитектуру и решения на ходу, потому что скорость развития технологий крайне высока. Однажды вычислительная мощность может вырасти в
Я очень позитивно смотрю на эти вещи, потому что мы живем в эпоху цифровой трансформации и можем влиять на нее. Искусственный интеллект — это такое же революционное изобретение, как электричество или телевидение в свое время. Эта технология в ближайшие
