Число 2010 в заголовке тут не ради ностальгии. The New Stack разбирает простую, но неприятную для рынка мысль: поиск для AI-агентов становится не менее важным, чем сама языковая модель, а иногда и важнее. Для русскоязычных команд это звучит особенно практично: если агент не умеет быстро находить нужные документы, логи, таблицы и куски кода, он превращается не в сотрудника мечты, а в очень уверенного стажера.
Как пишет The New Stack, проблема не в том, что современные агенты «недостаточно умны». Проблема в том, что они часто плохо ищут. И здесь автор предлагает смотреть не на магию промптов, а на дисциплину, знакомую по старым системам поиска и торговым стратегиям начала 2010-х: точный сигнал, ранжирование, приоритет релевантности, работа с шумом, проверка результата. Иначе говоря, агенту мало уметь красиво формулировать ответ. Ему нужно уметь находить правильный источник быстрее, чем он успеет сочинить правдоподобную ерунду.
Главная мысль материала довольно жесткая: рынок слишком долго продавал идею, будто хороший LLM автоматически решает проблему доступа к знаниям. На практике все упирается в банальную инженерную реальность. У компании данные лежат в десятке систем: в таск-трекере, в CRM, в базе знаний, в репозиториях, в Slack-переписке, в таблицах, в старых PDF, которые никто не открывал с прошлого ребрендинга. Агент, который должен составить отчет, ответить клиенту, подсказать код или собрать внутреннюю аналитику, сначала должен вытащить оттуда релевантный контекст. Если поиск слабый, дальше начинается знакомый цирк: в ответе появляется красивый синтаксис, правильный тон и неправильные факты.
Отсюда и отсылка к «кванту из 2010-х». В ту эпоху в системах, где цена ошибки была высокой, никто не полагался на один грубый сигнал. Данные резали, взвешивали, фильтровали, пересчитывали, искали закономерности и проверяли, насколько результат вообще можно пускать в работу. Для AI-агентов логика та же. Им нужен не просто доступ к данным, а инфраструктура поиска, которая умеет различать важное и второстепенное, объединять структурированные и неструктурированные источники и возвращать не «что-то похожее», а то, на чем можно строить следующее действие. Разница между «нашел похожий документ» и «нашел нужный фрагмент политики, актуальный на эту дату» для бизнеса обычно измеряется не качеством UX, а стоимостью ошибки.
Это хорошо видно на сценариях, которые рынок уже считает почти бытовыми. Агент поддержки должен ответить клиенту, почему счет выставлен именно так. Агент для разработчиков должен подсказать, где в кодовой базе реализована нужная логика и какие ограничения есть у сервиса. Внутренний ассистент для продаж должен подготовить краткий профиль клиента и не перепутать старые условия договора с новыми. Во всех трех случаях языковая модель нужна. Но решает не она одна, а то, насколько хорошо выстроен поиск для AI-агентов по внутренним данным. Если в систему попадает мусор, дубликаты, устаревшие версии документов и нерелевантные куски переписки, модель дальше просто добросовестно упакует этот хаос в гладкий текст.
Для разработчиков и платформенных команд отсюда следует не самый модный, зато полезный вывод. Архитектура агентных систем все больше напоминает не игрушку на prompt engineering, а смесь поиска, ранжирования, observability и контроля качества. Нужно понимать, какие источники подключены, как они индексируются, по каким правилам режутся документы, как считается релевантность, как подмешиваются метаданные, что происходит с устаревшими версиями и можно ли объяснить, почему агент выбрал именно этот фрагмент контекста. Если на эти вопросы нет ответа, значит, у вас не агентная платформа, а лотерея с приятным интерфейсом.
Бизнесу эта история тоже бьет по привычным ожиданиям. Многие руководители все еще покупают агентные продукты как коробку с интеллектом: подключили модель, дали доступ к документам, получили автоматизацию. Но рынок довольно быстро упирается в то, что без качественного retrieval-слоя автоматизация становится дорогой иллюзией. Агент может ускорять рутину, но только если умеет работать с контекстом почти с финансовой педантичностью. Иначе он будет либо слишком осторожным и бесполезным, либо слишком смелым и опасным. Оба сценария уже плохо продаются после первых пилотов.
Для российского IT-контекста здесь нет никакой экзотики. У многих команд похожая картина: разрозненные базы знаний, исторически сложившиеся внутренние сервисы, гибрид из самописных систем и облачных инструментов, плюс требования к безопасности, из-за которых не всякий внешний агент можно просто так пустить к данным. На этом фоне разговор про модели быстро становится вторичным. Вопрос номер один звучит скучнее, но честнее: умеет ли система искать. Причем искать не «в среднем неплохо», а воспроизводимо, проверяемо и с учетом ролей доступа.
Именно поэтому тезис The New Stack выглядит важнее обычного медийного спора про очередной LLM. Следующий раунд конкуренции в AI, похоже, пройдет не только по качеству генерации, но и по качеству доступа к знаниям. Победят не те, кто громче обещает автономию, а те, кто научит агента сначала находить правильный контекст, а уже потом писать ответ. И если для этого придется снова учиться дисциплине поиска в стиле «кванта из 2010-х», это, возможно, самый здравый поворот всей агентной гонки.