От хаоса к структуре: почему старые методы не работают
Проблема традиционного подхода к AI-агентам заключается в том, что модель берет на себя полный контроль над процессом. В сценарии «single-agent loop» (одиночная петля) одна LLM сама решает, какие данные исследовать, как их интерпретировать и насколько уверенным является вывод. Это приводит к галлюцинациям, пропуску бизнес-правил и нестабильному качеству результатов.
Graph Engineering меняет парадигму: структура решает, что происходит дальше, а модель предоставляет суждение только там, где это необходимо. Вы не доверяете ИИ управлять всем процессом; вы доверяете ему выполнять конкретные узлы задачи, в то время как граф обеспечивает маршрутизацию, проверки и состояние.
Три кита Graph Engineering
В основе графовой архитектуры лежат три элемента:
- Nodes (Узлы): Атомарные единицы работы. Это могут быть вызовы LLM, проверки человеком или детерминированные вычисления. Важно: не каждый узел требует ИИ. Например, проверка порога утверждения счета не нуждается в LLM.
- Edges (Ребра): Логика маршрутизации. Они определяют, куда переходит задача после завершения узла. Ребра могут быть прямыми, условными, параллельными или вести к человеку.
- State (Состояние): Общая запись данных, которая перемещается по графу. Вместо раздувающегося контекстного окна чата, каждый узел читает и записывает данные в структурированное состояние.
Типы ребер и их применение
Гибкость графа достигается за счет различных типов ребер. Ниже приведена таблица сравнения логики маршрутизации на примере исследования бизнес-идеи для Shopify:
| Тип ребра | Функция | Пример в графе |
|---|---|---|
| Direct (Прямое) | Передача задачи от узла к узлу без ветвления | Skeptic → merge, merge → human |
| Conditional (Условное) | Маршрутизация на основе вывода предыдущего узла | Отправка узкого вопроса одному исследователю, пропуская параллельный запуск |
| Parallel (Параллельное) | Разветвление задачи на несколько узлов одновременно | Planner → три исследователя (по боли клиентов, конкурентам, дистрибуции) |
| Looping (Циклическое) | Возврат неудачного результата с причиной для исправления | Merge → skeptic → merge (вторая проверка) |
| Human-controlled (Человеческий контроль) | Пауза до одобрения человеком | «Ворота» основателя перед действием по рекомендации |
Практический пример: Исследование идеи стартапа
Рассмотрим задачу: «Стоит ли создавать AI-бухгалтерию для продавцов на Shopify?». В графовом подходе процесс выглядит так:
- Planner Node: Разбивает вопрос на три столпа: боль клиентов, конкуренты, каналы дистрибуции.
- Parallel Research: Три узла-исследователя работают параллельно, заполняя состояние данными.
- Skeptic Node: Анализирует собранные данные, отбрасывая слабые утверждения.
- Human Gate: Финальное решение принимается человеком на основе структурированного отчета, а не догадок ИИ.
Такой подход исключает ситуацию, когда модель «сама себя хвалит» за неверный вывод, так как проверка (skeptic) и утверждение (human) вынесены в отдельные узлы графа.
Источник: Towards Data Science ↗