Просьба пересказать документ и просьба выяснить, почему два отчёта расходятся, в окне чата выглядят похоже. Но от системы за ним они требуют совсем разного. Первая укладывается в известную последовательность шагов. Вторая может потребовать каждый раз выбирать, что проверять после очередной находки.
Обдумывая ИИ-функции для издательского продукта, я считаю полезным вопрос не «Нужны ли нам агенты?», а «Какие решения можно доверить модели?». Так модный ярлык превращается в проектное решение.
Посмотрите, кто выбирает следующий шаг
В статье Anthropic Building effective agents различаются рабочие процессы с заранее заданными путями выполнения и агенты, которые сами направляют свой процесс и использование инструментов. В документации LangChain о рабочих процессах проведено то же базовое различие. Это удобные архитектурные определения, а не универсальный стандарт названий.
Рабочий процесс вполне может включать языковую модель. Например, программа берёт утверждённый документ, просит модель его пересказать, проверяет формат результата и сохраняет черновик. Сам текст вероятностный, а допустимая последовательность задана заранее. Процесс не становится автоматически верным лишь оттого, что переходы в нём прописаны явно.
Начните с задачи, которую можно описать
Возьмём гипотетического редакционного ассистента, который получает ссылку на источник и готовит краткую справку. Если ожидаемые шаги всегда одни и те же — загрузить, извлечь, пересказать, проверить, — я бы начал с этой последовательности. Отсутствие содержимого должно приводить к явной ошибке или просьбе дать другой источник.
В документации LangChain цепочка промптов описана как шаблон для задач, которые делятся на более мелкие проверяемые шаги. Её примеры показывают структуру, но не гарантируют качество в другом продукте.
Первым делом я бы проверил, справляется ли простой процесс с типичными входными данными: недоступной страницей, изменившимся заголовком, документом, противоречащим заданной подаче. Подсчёт удачных демонстраций на «счастливом пути» пропустил бы самые важные случаи.

Добавьте свободу там, где путь действительно неясен
Теперь изменим задачу: объяснить, почему несколько источников по-разному описывают одно и то же событие. Ассистенту может понадобиться найти первоначальное объявление, сравнить даты, пройти по ссылке на исправление или заключить, что имеющихся данных недостаточно. Полезное следующее действие зависит от того, что показало предыдущее.
Это более сильный кандидат на расследование, которым управляет модель. Anthropic описывает агентов как полезных для открытых задач, шаги которых трудно задать заранее, но предупреждает о росте затрат и накоплении ошибок. Компания рекомендует обратную связь от среды, условия остановки и тестирование.
Такому исследователю я бы поставил ограниченную задачу: допустимые источники и инструменты, бюджет времени или действий, определение достаточных доказательств и явный исход «не решено». Неопределённость должна оставаться на виду, а не становиться поводом искать бесконечно.

Отделите расследование от права действовать
Выбирать, что читать, и выбирать, что публиковать, — разные зоны ответственности. В предлагаемой мной редакционной схеме исследователь может собрать доказательства и подготовить рекомендацию, а отдельный шаг публикации проверяет место назначения, обязательные поля и уже выданное разрешение.
Это моя проектная рекомендация, а не описание действующей системы. Она не означает и того, что человек должен одобрять каждое рутинное действие. Смысл в том, чтобы определить разрешение до выполнения и проверять его на границе действия. Убедительный ответ модели сам по себе разрешением не является.

Пусть гибкость заслужит своё место
Я бы сравнил процесс и агента на одном и том же небольшом наборе реальных задач. Пришёл ли каждый к правильному результату? Сохранил ли источники и неопределённость? Сколько это заняло времени, чего стоило и как именно он ошибался?
Ответом может стать жёсткий внешний процесс с гибким исследовательским шагом внутри. Моё рабочее правило простое: добавлять автономию, чтобы решить подтверждённую проблему выбора, а затем проверять, улучшила ли эта свобода результат. Более долгий диалог или более сложная архитектура сами по себе прогрессом не являются.
Источники
- Anthropic: Building effective agents — архитектурные различия и компромиссы; впервые опубликовано в декабре 2024 года.
- LangChain: Workflows and agents — определения и шаблоны реализации.
Первоисточники проверены 9 ноября 2026 года. Редакционные примеры и вопросы для оценки — предлагаемые проектные решения, а не измеренные показатели эффективности.










