К содержимому

Серия

AI-агенты в продакшене

8 статей

Все статьи

Серия про агентов, которые работают без вас и не должны подводить. В первой части разбирается ревью: конвейер для pull request, собственный бот на GitHub Actions и проверка кода, который написал сам агент. Вторая часть отвечает на вопрос, как заметить, что агент стал хуже после правки. Здесь речь об eval-ах и паттернах ReAct, Plan-Execute, Reflexion. Третья посвящена практике: агенты в CI, промпты с условиями остановки, управление браузером через LLM.

Сквозная мысль одна. Агенту нужен потолок расхода, и проще всего поставить его на ключе, отдельном для каждого сценария.

Промпты для AI-агентов: цель, ограничения и остановка

Как написать промпт для AI-агента: задать проверяемую цель, границы доступа, правила инструментов и условие остановки без расплывчатых инструкций.

Как ревьюить код агента: шесть проверок до слияния

Чеклист ревью кода, написанного AI-агентом: границы изменения, опасные действия, тесты, размер diff и признаки уверенного вымысла.

Computer use: как автоматизировать браузер через LLM

Разбираем browser automation с LLM: цикл скриншот-действие, песочница, условия остановки, проверка результата и случаи, когда нужен обычный API.

Бот для ревью PR на LLM: код и GitHub Actions

Разбираем каркас бота для ревью pull request: как ограничить diff, вызвать LLM, проверить ответ и опубликовать полезный комментарий.

Автоматическое code review с LLM: конвейер для pull request

Как построить LLM-конвейер ревью pull request: собрать контекст, отделить сигнал от догадки, ограничить ключ и передать решение человеку.

AI-агенты в CI: где запускать и как контролировать расход

Как подключить AI-агента к CI без лишних прогонов: выбрать триггер, ограничить область, настроить отдельный ключ и разбирать расход по журналу.

Паттерны AI-агентов: ReAct, Plan-Execute и Reflexion

Как выбрать паттерн AI-агента под задачу: сравниваем ReAct, Plan-Execute и Reflexion, их риски, контроль шагов и проверку результата.

Eval-ы для AI-агентов: как ловить регрессии в проде

Как построить eval-ы для AI-агента: собрать набор примеров, задать проверку, отделить релизный барьер от наблюдения и разбирать дрейф.