К содержимому
Дайджест

Агентский харнесс для AML-банка: память и скиллы

AI Engineer·17 октября 2026·51:49
текст даёт основное можно повторить промо
Открыть на YouTube
Запись воркшопа для инженеров и консультантов, которым нужно понять, как собрать агентский харнесс и применить его к задаче антифрода в банке.

Что в ролике

Автор начинает с тезиса: вместо того чтобы делать ставку только на frontier-модели, полезнее строить агентский харнесс — управляемую обвязку вокруг модели из памяти, инструментов, восприятия и агентского цикла. В качестве примера он разбирает средний банк, где автономный агент должен находить подозрительные транзакции и готовить отчёты для человека, но сам ничего не блокирует. В харнесс входят несколько слоёв: краткосрочная память контекстного окна, долговременная память с эпизодическими, процедурными и семантическими воспоминаниями, а также семантический слой для непроговорённого контекста. Чтобы не забивать контекст, инструменты и скиллы векторизуются и хранятся в отдельных векторных сторах; агентский цикл на каждой итерации подбирает по три наиболее релевантных скилла и инструмента, а затем выгружает их. Ещё один приём — дистилляция скиллов: из прошлых успешных разговоров создают маленькие skill-файлы с предпочтениями, которые потом всплывают при похожей задаче. В демо агент работает на модели Groq в Oracle Cloud, подключён к базе фейкового банка и автоматически обновляет список подозрительных операций, а интерфейс показывает его контекстное окно и 30 последних событий. По словам автора, качество одной и той же frontier-модели сильно зависит от харнесса, а не только от размера модели, и именно данные — та часть, которую инженер может реально контролировать.

Практика

Что получишь
Понять, из каких компонентов состоит агентский харнесс, и увидеть рабочую схему, которую можно повторить для собственных задач с базой данных и автономным агентом.
Первый шаг
Зайти на workshopwaitingroom.com, авторизоваться через GitHub и создать CodeSpace по приглашению, затем открыть ноутбук student и пройти первую ячейку с подключением к базе.
Цифры
  • —8 шагов и 60 секунд на итерацию — ограничение агентского цикла в воркшопе
  • —3 скилла и 3 инструмента — по умолчанию агентский цикл подбирает из векторных сторов на каждый шаг
  • —80% токенов запроса — сколько занимают инструменты и найденные документы; это 35–100 тыс. токенов
  • —256 000 токенов — уровень контекста, при котором модель решает задачу заметно хуже, чем с нуля; предел сейчас около 1 млн
Честно
Автор — сотрудник Oracle, демо работает на Oracle Cloud и модели Groq, а в конце он зовёт к стенду Oracle; также он упоминает бесплатный курс с Andrew Ng. Материалы воркшопа доступны через GitHub-приглашение и CodeSpaces, но расходы на окружение берёт на себя автор. Данные в демо фейковые, а повторение требует просмотра ноутбука и интерфейса.
Если слова незнакомы — 7 терминов

Связки из этого ролика

6 шт.

Компоненты

12 шт.

Формат: пошаговый урок · для практикующих · уверенность разметки 0.85 · источник