MWS AI Agents Platform: как превратить теорию больших моделей в работающий бизнес-процесс

# Обзор MWS AI Agents Platform: от прототипа до промышленного использования

Разработка искусственных интеллекта для бизнеса имеет специфическую динамику. На начальном этапе создается быстрый прототип, который демонстрирует возможности больших языковых моделей (LLM). Однако следующий этап часто требует месяцев работы над внедрением логирования, мониторинга, управления промптами и настройки прав доступа перед выкаткой в продуктовую среду (Production). Платформа MWS AI Agents Platform решает задачу объединения этих разрозненных этапов в единую инфраструктуру.

Платформа используется в операционной среде компании «МТС» с конца прошлого года. На момент написания обзора она находилась после семи крупных релизов. Ниже представлен подробный разбор архитектуры, компонентов и сценариев применения системы.

Графический конструктор и виртуальная команда разработки

В центре платформы находится среда разработки, построенная на основе графического конструктора сценариев. Этот подход позволяет собирать агенты из различных компонентов — как из «кубиков лего». Элементы включают сами агентов, блоки кода, источники данных и обработчики. Последовательное соединение компонентов формирует процесс, где выполнение одного шага может зависеть от результата предыдущего или условия.

Важно отметить гибкость системы: пользователь не обязан выбирать между жестким сценарным подходом и полностью автономным агентом. Если бизнес-процесс детерминирован, его можно описать обычной логикой, подключив агентов только к тем этапам, где требуется контекстное решение на основе LLM.

Помимо конструктора агентов, платформа предоставляет: * AI-сервисы: Инструменты автоматического машинного обучения (AutoML) для классификации и определения сущностей (NER). * Диалоги: Интерфейс для истории переписок и разметки данных. * Каналы: HTTP-адаптеры для публикации решений наружу. * MCP-хаб: Центр управления встроенными и сторонними серверами Model Context Protocol.

Особый интерес представляет модуль «ИИ-команда» (AI Force). Это группа специально обученных агентов, способных самостоятельно собирать проекты по текстовому описанию или промпту. Система действует как виртуальная команда разработки, состоящая из ролей: * Менеджер: Уточняет требования и формирует план. * Архитектор: Проектирует структуру графа сценария, выбирая подходящие архетипы. * Разработчик: Собирает сценарий по проекту архитектора, валидирует структуру и исправляет ошибки.

Виртуальная команда использует те же абстракции и инструменты, что и человек, что позволяет быстро генерировать как сложные агентные системы, так и простые детерминированные схемы. Планируется расширение функционала для автоматического анализа и улучшения проектов после их запуска.

РAG, память и управление контекстом

Качество работы агента напрямую зависит от доступа к актуальным данным. Платформа поддерживает создание баз знаний, куда загружаются документы в различных форматах. Поисковые запросы обрабатываются несколькими методами: векторная близость, обычный текстовый поиск (включая алгоритм BM25) или гибридные подходы с приоритизацией весов. Найденные релевантные фрагменты передаются агенту, обеспечивая работу систем RAG (Retrieval-Augmented Generation).

Память агентов реализована через два основных механизма: 1. Краткосрочная память: Хранится внутри текущей сессии. Агент запоминает ограниченное число последних сообщений, чтобы поддерживать контекст диалога. Размер буфера можно настраивать вплоть до полного отключения. 2. Долгосрочная память: Отдельное хранилище для информации, сохраняемой между сессиями. Система может автоматически извлекать факты (например, предпочтения пользователя) и сохранять их в профиль. Это позволяет агенту «помнить» клиентов или сотрудников при повторных обращениях.

Управление контекстом критически важно для оптимизации ресурсов и безопасности. Архитектура позволяет фильтровать данные, передавая модели только ту информацию, которая необходима для конкретной операции, избегая попадания в контекст несущественного шума.

Безопасность, тестирование и наблюдемость

Платформа изначально спроектирована для работы с крупными корпорациями и государственными структурами, имеющими высокие требования к комплаенсу и защите данных.

Безопасность и развертывание * Платформа включена в реестр отечественного программного обеспечения. * Основной вариант поставки — развертывание в локальном контуре (on-premise), что позволяет сохранять закрытость данных и полный контроль над инфраструктурой языковых моделей. * Реализована строгая ролевая модель доступа: права на редактирование, публикацию версий и работу с секретными переменными разделены между пользователями.

Тестирование и валидация Из-за недетерминированной природы LLM, один успешный запуск теста не гарантирует стабильности системы. Платформа предлагает режим автотестов, позволяющий: * Создавать наборы входных данных и ожидаемых результатов. * Проводить многократный параллельный запуск одних и тех же тестов для проверки статистической устойчивости. * Автоматизировать создание тестов «ИИ-командой».

Мониторинг и наблюдаемость Для корректной работы агентных систем необходим глубокий уровень наблюдаемости (Observability). Платформа собирает подробные логи всех событий: * Трассировка запросов: видно, какой контекст получила модель, какие документы были найдены и какой инструмент был вызван. * Анализ ресурсов: мониторинг потребления вычислительных мощностей и состояния моделей. * Выявление отклонений: позволяет понять, где поведение системы разошлось с ожиданиями, а не просто констатировать факт ошибки.

Архитектура многоагентных систем

В проектах, где задействовано более одного агента, платформа поддерживает три основные схемы взаимодействия, которые конфигурируются через граф или централизованного управляющего агента:

1. Последовательная передача через граф: Работа передается от одного агента к другому по заданному пути. Переключение может происходить в зависимости от условий. Архитектура полностью контролируема. 2. Централизованное управление (Main Agent): Основной агент решает, какой из специализированных суб-агентов нужен в данный момент. Он вызывает необходимые инструменты, собирает результаты и продолжает работу. Это позволяет масштабировать функционал, вызывая десятки узкопрофильных помощников. 3. Децентрализованная модель: Агенты видят друг друга и распределяют задачи самостоятельно. В текущей версии платформы этот режим не поддерживается как базовый сценарий из-за сложности контроля и специфичности требований.

Для выбора нужного агента при поступлении запроса (текста, файла) используется логика роутинга: от простых регулярных выражений до классификаторов и LLM.

Кейсы внедрения

На данный момент платформа активно используется в экосистеме «МТС».

* Автоматизация контакт-центра: Мультиагентное решение состоит из трех модулей. ИИ-оператор отвечает на текстовые обращения, используя цепочку из классификатора, маршрутизатора и субагентов, формирующих ответы. Система WordPulse анализирует все коммуникации с клиентами, оценивая работу операторов и выявляя причины негатива или повторных обращений. * ИИ-суфлер: Работает как помощник для сотрудников контакт-центра, находясь на стадии пилотного проекта.

Заключение

MWS AI Agents Platform предоставляет инструменты для полного жизненного цикла ИИ-проектов: от конструктора сценариев и виртуальной команды разработки до промышленного развертывания и глубокого мониторинга. Платформа снижает порог входа в создание сложных агентных систем, предоставляя готовые шаблоны, автоматизированные тесты и строгий контроль доступа, что делает ее пригодной для использования в условиях высоких требований к безопасности и надежности.

*Хладнокровный подход к технологиям часто становится самым эффективным способом их внедрения. Платформа MWS позволяет сосредоточиться на бизнес-задачах, оставляя техническую «обвязку» системе.*