Продакшен-агент сам улучшает свои правила и память

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
- harness engineeringинженерная работа над окружением модели — правилами, навыками и памятью — чтобы агент реже ошибался
- markdownпростой текстовый формат с разметкой для инструкций и навыков
- MCP-инструментыстандартные подключения к внешним системам, которые агент использует как инструменты
- guardrailsограничения-проверки, которые следят за вызовами инструментов и концом разговора
- LangSmith engineсистема LangChain, которая анализирует трассы и предлагает правки в инструкции агента
Связки из этого ролика
1 шт.- LangChain + LangSmith
Компоненты
5 шт.Формат: сборка на живом примере · для практикующих · уверенность разметки 0.85 · источник