Компания Ramp за шесть недель собрала собственную обвязку для AI-агентов, хотя до этого месяцами проверяла управляемые API, open-source-фреймворки и сторонние платформы. Это показательный сигнал для команд, внедряющих генеративный ИИ: готовая платформа может ускорить первый прототип, но на этапе реальных процессов нередко становится ограничением. Для российских разработчиков и продуктов вопрос звучит знакомо: покупать очередной слой абстракции или вкладываться в собственную инженерную основу для агентов.
Как сообщает The New Stack, к созданию своей системы Ramp пришла не с пустого листа и не из любви к велосипедостроению. Компания сначала сравнивала несколько подходов к агентным приложениям: сервисы с управляемой инфраструктурой, открытые инструменты и продукты внешних поставщиков. После этого команда решила, что контролировать ключевую часть стека самостоятельно будет практичнее. Результатом стала внутренняя обвязка для AI-агентов, разработанная за шесть недель.
Под «обвязкой» в этом случае важен не очередной чат поверх большой языковой модели. Агенту нужно получать задачу, выбирать инструменты, вызывать сервисы, хранить контекст, переживать ошибки и оставлять следы, по которым инженер сможет понять, почему система приняла конкретное решение. На демо это выглядит как несколько вызовов модели. В рабочем продукте быстро появляются вопросы доступа к данным, повторных запусков, ограничений на действия, наблюдаемости, оценки качества и стоимости каждого сценария.
Именно здесь компании часто обнаруживают разрыв между удобством готового SDK и потребностями своего продукта. Универсальная платформа должна поддерживать десятки сценариев, поэтому почти неизбежно предлагает общий набор сущностей, конфигураций и компромиссов. Внутренней команде иногда проще сформулировать собственные правила и собрать минимальный слой вокруг них, чем адаптировать критичный процесс под логику поставщика. Шесть недель — не обещание, что любой бизнес повторит результат Ramp за полтора месяца. Это скорее напоминание: если границы задачи ясны, инфраструктура для агентов не обязана превращаться в многолетнюю программу трансформации.
История интересна и на фоне позиции рынка инструментов для LLM-разработки. В заголовке материала The New Stack упоминается CEO LangChain, который связывает опыт Ramp с более широким сдвигом. Смысл этого сдвига понятен без громких деклараций: агентные системы постепенно уходят от экспериментов в сторону инженерной дисциплины. Командам нужны не только модели и красивые цепочки промптов, но и воспроизводимые запуски, трассировка, контроль инструментов и понятные критерии того, что считать хорошим ответом.
Для разработчика это меняет набор приоритетов. Вместо вопроса «какой фреймворк выбрать?» полезнее сначала разложить сценарий на составные части: какие данные разрешено передавать модели, какие действия агент способен совершать сам, где обязательна проверка человеком, как фиксируются неудачные вызовы и как измеряется польза. После такой декомпозиции становится видно, достаточно ли API провайдера, нужен ли фреймворк или требуется собственная обвязка для AI-агентов. Часто ответ будет смешанным: внешняя модель и отдельные сервисы останутся снаружи, а правила исполнения и контроля — внутри продукта.
Для руководителей и продактов в этой истории есть менее романтичный, но важный вывод. Самостоятельный слой не отменяет расходы: его надо сопровождать, тестировать при смене моделей и защищать от неочевидных сбоев. Зато он может снизить зависимость от конкретного поставщика и сделать агентные функции ближе к существующим бизнес-процессам. Решение стоит принимать не по принципу «собственное всегда лучше», а по стоимости изменений: насколько дорого будет подстроить готовую платформу под процесс и насколько дорого — поддерживать свой код.
Опыт Ramp не доказывает, что рынок агентных платформ обречён: как раз такие платформы помогают быстро проверить гипотезу и понять требования. Но он показывает, что после пилота победителем может стать не самый модный фреймворк, а небольшой, хорошо понятный внутренний слой. Главный вопрос для команд теперь не в том, появится ли у них AI-агент, а в том, какую часть его поведения они готовы отдать поставщику — и какую хотят оставить под собственным контролем.