К содержимому
Дайджест

Продакшен-агент сам улучшает свои правила и память

Cole Medin·20 октября 2026·16:19
текст даёт основное можно повторить
Открыть на YouTube
Разбор того, как применять harness engineering из coding-агентов к продакшен-агентам на примере платформы LangChain.

Что в ролике

Если вы строите агентов для продакшена, стратегии из coding-агентов, включая harness engineering, переносятся напрямую. Вместо старого подхода с функциями на Python и TypeScript теперь правила, навыки и память описываются markdown-документами, а компоненты агента один к одному соответствуют системному промпту, sub-агентам, MCP-инструментам и guardrails. Демонстрация построена на managed deep agents от LangChain, где определение агента умещается в 30 строк кода, а файлы с инструкциями и навыками подхватываются автоматически. Первый цикл улучшения — память: если агент сомневается, он эскалирует вопрос человеку, и на примере ошибки с Arcan, где рабочие деревья создаются из origin main, автор поправляет его решением запушить изменения и перезапустить. После подтверждения агент записывает общий урок и персональную память пользователя, поэтому на похожий вопрос от другого пользователя он уже отвечает уверенно, без эскалации. Второй цикл — LangSmith engine: он анализирует трассы реальных разговоров, предлагает конкретные правки в инструкции, а человек утверждает коммиты и может откатить версию. На тестовом наборе из 14 вопросов первая версия агента ответила правильно на 4, а после обоих циклов обучения — на 13 из 14. Видео спонсировано LangChain, и по коду Cole M дают 50 долларов кредитов на LangSmith.

Практика

Что получишь
Поймёте, как выстроить два цикла улучшения агента — память с эскалацией и автоправки на основе трасс, и увидите рабочий пример на LangSmith.
Первый шаг
Для повторения начните с бесплатного аккаунта LangSmith и создания агента через managed deep agents, следуя демо.
Цифры
  • —30 строк — столько кода занимает определение агента в демо managed deep agents
  • —4 из 14 — столько вопросов правильно ответил агент в первой версии до обучения
  • —13 из 14 — столько вопросов правильно ответил агент после двух циклов улучшения
  • —50 долларов — кредиты на LangSmith по промокоду Cole M из описания видео
Честно
Видео спонсировано LangChain, автор прямо рекламирует managed deep agents и LangSmith, а по коду Cole M даётся 50 долларов кредитов. Повторить можно только на этой платформе или собрать свою систему с теми же принципами, но конкретные шаги показаны на экране. Тестовый набор из 14 вопросов собран автором на основе реальных обращений, и цифры 4 из 14 и 13 из 14 получены в его демо.
Если слова незнакомы — 5 терминов

Связки из этого ролика

1 шт.

Компоненты

5 шт.

Формат: сборка на живом примере · для практикующих · уверенность разметки 0.85 · источник