Исследовательские задачи требуют работы с большим объёмом информации: декомпозиции запроса, поиска данных, агрегации контекста и проверки полученных результатов. Для автоматизации таких процессов используются специализированные агентные архитектуры, поддерживающие итеративный поиск и управление исследовательским процессом.В open-source сформировалось несколько устойчивых архитектурных подходов к построению таких систем.
В докладе разберём ключевые архитектурные паттерны, применяемые в современных исследовательских агентах: supervisor-researcher для декомпозиции задач и параллельного поиска, reflection loop для итеративного улучшения результатов и приёмы оптимизации исследовательского процесса (draft-first, steering, compress).Отдельно обсудим подходы к оценке качества исследовательских систем с помощью метрик RACE и FACT.
Слушатели получат понимание архитектурных компонентов исследовательских агентов, практические паттерны для автоматизации сложных задач поиска и анализа информации, подходы к оценке качества результатов deep research.
AI-агенты и агентские системы, Поисковые алгоритмы
Бэкенд-разработчик, Специалист по данным / Специалист по машинному обучению, Системный аналитик
Средний
Более семи лет разрабатывает голосовые и текстовые диалоговые системы — от rule-based до статистических методов обработки текста.
Последние два года занимается автоматизациями с LLM под капотом.
