Четыре опорные идеи вместо очередной мантры про «умные промпты» — с таким набором на QCon AI выступил технический fellow Walmart Global Tech Адитья Кумаракришнан. Для тех, кто строит AI-агенты в проде, тезис простой: рынок снова увлекся оболочкой, а не фундаментом, и именно на этом месте обычно начинаются дорогие инженерные ошибки.
В своей 50-минутной презентации, как пишет InfoQ, Кумаракришнан разбирает не новую модель и не набор модных фреймворков, а причины, по которым индустрия снова ходит по кругу. По его версии, мы вошли в «фазу амнезии»: разработчики и компании активно собирают AI-агенты на шаткой базе, заново наступая на ошибки прошлых циклов AI. Его главная мысль звучит почти вызывающе на фоне текущего хайпа: если относиться к агентам только как к надстройке над LLM, ничего устойчивого из этого не выйдет.
Вместо этого он предлагает смотреть на агента как на более широкую вычислительную абстракцию. Не как на «чат-бота с тулзами», а как на систему, которая воспринимает среду, принимает решение о действии и сама выбирает момент, когда это действие нужно выполнить. Это важный сдвиг для архитектуры. Если принять такую рамку, AI-агенты перестают быть частным случаем генеративного AI и становятся частью длинной инженерной линии, которая тянется от классического AI и распределенных систем до workflow-движков и бизнес-процессов.
Почему агенты снова оказались в центре
Кумаракришнан отдельно объясняет, почему считает саму идею агентов неизбежной, даже если конкретные реализации сегодня далеки от идеала. Он сводит вместе пять больших трендов вычислений за последние десятилетия: повсеместность вычислений, взаимосвязанность систем, ориентацию на человека, делегирование задач машинам и рост интеллектуальности программных систем. На пересечении этих линий и появляется агент: он действует как прокси пользователя, общается в понятной человеку форме, связан с внешними системами, работает в распределенной среде и берет на себя все более сложные задачи.
Это, пожалуй, самая полезная часть выступления для технических руководителей. Она отрезвляет после слишком удобной идеи, что нынешняя волна AI-агентов возникла исключительно благодаря большим языковым моделям. Кумаракришнан говорит обратное: агенты возвращаются при каждом новом подъеме AI, а потом так же закономерно откатываются в фазу разочарования. Причина не в том, что концепция слабая, а в том, что индустрия регулярно забывает собственные уроки. Если переводить это на язык продуктовых и платформенных команд, то проблема не в недостатке демо, а в дефиците дисциплины.
Отсюда его первый принцип: агентов нужно «освободить» от LLM. Модель может быть важным компонентом, но не должна определять всю систему. Для русскоязычной аудитории это особенно актуально: у многих команд внедрение AI-агентов до сих пор начинается с выбора модели, набора промптов и маршрутизации запросов. Архитектурные вопросы вроде памяти, наблюдаемости, управления состоянием, воспроизводимости действий и надежного взаимодействия с окружением часто остаются на потом. Доклад как раз бьет по этому «потом», потому что именно там обычно и прячется будущий инцидент.
Что он предлагает вместо культов промпта
Дальше Кумаракришнан собирает свой каркас из четырех идей. Первая — более сильное определение агента, где он выступает общей вычислительной единицей, а не просто интерфейсом к LLM. Вторая — модульность и расширяемость. Он прямо говорит о необходимости строить модульные агентные фреймворки, в том числе опираясь на CoALA. Здесь важен не сам термин, а подход: агентная система должна собираться из понятных компонентов, которые можно менять, тестировать и масштабировать независимо. Иначе любая новая функция превращает платформу в клубок из промптов, хендлеров и побочных эффектов.
Третья идея — использовать накопленные за десятилетия знания из process science, то есть дисциплин и практик, связанных с процессным управлением и workflow-системами. Это, возможно, самый недооцененный тезис выступления. Вокруг AI-агентов сейчас много разговоров о multi-agent orchestration и agent-to-agent взаимодействии, но намного меньше разговоров о том, что бизнес уже давно умеет описывать сложные процессы, ветвления, исключения, эскалации и контроль исполнения. Если упростить мысль Кумаракришнана: не надо делать вид, что с агентами мы внезапно оказались на инженерически девственной территории. Значительная часть нужных механизмов уже была придумана задолго до нынешнего бума.
Четвертая идея звучит эффектно, но вполне приземленно по смыслу: «терраформировать» окружение, в котором действуют агенты. Речь о том, чтобы превращать легаси-среды в более надежные, наблюдаемые и событийно-ориентированные артефакты. Для enterprise-команд это, вероятно, самая болезненная и самая практичная мысль во всем докладе. Агент отлично выглядит на слайде, пока ему не нужно ходить по старым внутренним системам, согласовывать действия между функциями, разруливать непредсказуемые состояния и при этом еще оставлять воспроизводимый след. В реальной компании проблема редко в том, что агент «недостаточно умный». Обычно проблема в том, что среда, в которой он работает, не готова к автономным действиям.
Именно поэтому доклад полезен не только ML-инженерам, но и платформенным командам, IT-директорам и продактам. Разработчикам он напоминает, что AI-агенты без четкой модели состояния и событий быстро становятся неотлаживаемыми. Бизнесу — что обещание «автоматизировать все» упирается не в красивый интерфейс, а в стоимость наведения порядка в процессах и системах. А техническим лидерам — что устойчивость здесь важнее скорости демо. На фоне рынка, где агентами иногда называют почти любой чат с вызовом API, это звучит не модно, зато профессионально.
Самый неприятный и одновременно полезный вопрос после этого выступления такой: готовы ли компании перестать относиться к AI-агентам как к быстрой надстройке над существующим хаосом? Если ответ отрицательный, отрасль получит еще один цикл ярких пилотов и тихих списаний. Если положительный, следующим конкурентным преимуществом станет уже не «у нас тоже есть агент», а способность построить вокруг него систему, которая переживет спад хайпа.