أضافت LlamaCloud أداة LlamaAgents Builder لبناء ونشر وكلاء AI خلال دقائق

LlamaCloud добавила в свою платформу LlamaAgents Builder — beta-инструмент, который собирает AI-агента из обычного текстового запроса и разворачивает его без ручной настройки. В качестве примера автор показал сценарий, где агент сам отличает договоры от счетов и извлекает из них нужные поля за считаные минуты.

Как работает

Builder LlamaAgents Builder встроен в веб-платформу LlamaCloud, которую многие знают прежде всего по сервису LlamaParse для разбора документов. В статье автор работает с новым бесплатным аккаунтом: на нем доступна обработка до 10 000 страниц, а сам конструктор расположен в блоке Agents и пока помечен как beta. Интерфейс выглядит как обычный чат, поэтому входной порог здесь заметно ниже, чем у классических агентных фреймворков, где обычно приходится настраивать пайплайны, окружение, вызовы моделей и маршрутизацию данных вручную.

Главная идея Builder в том, что агент описывается естественным языком, а не кодом. В демонстрации пользователю достаточно одной инструкции: классифицировать документы на Contracts и Invoices, а затем извлекать для договоров стороны подписания, а для счетов — итоговую сумму и дату. После отправки такого промпта платформа сама собирает workflow, показывает промежуточные шаги и постепенно строит визуальную схему процесса.

Это важно: пользователь видит не черный ящик, а вполне понятную логику сборки будущего сервиса.

Деплой через

GitHub После того как workflow собран, его можно сразу опубликовать через кнопку Push & Deploy. LlamaCloud просит подключить GitHub-аккаунт, затем предлагает назвать приложение и выбрать, нужен ли приватный репозиторий. На этом ручные действия почти заканчиваются: платформа сама упаковывает собранный пайплайн, публикует его и разворачивает в своей инфраструктуре.

В статье отдельно показано, что после завершения деплоя статус приложения меняется на Running, а в логах появляются сообщения Uvicorn и HTTP-запросы — то есть результат доходит не до красивой схемы, а до работающего API-микросервиса. Процесс в статье выглядит так: задаешь промпт с описанием задачи на обычном языке ждешь, пока Builder соберет workflow и покажет его схему нажимаешь Push & Deploy и подключаешь GitHub получаешь запущенное приложение со статусом Running * открываешь страницу Review и проверяешь обработку документов вручную Для разработчиков и продуктовых команд здесь важна не только скорость, но и формат результата. LlamaCloud фактически превращает no-code-сценарий в GitHub-backed приложение, которое можно хранить в собственном репозитории и развивать дальше.

Это снижает трение между прототипом и продакшеном: сначала бизнес описывает задачу словами, потом получает развернутый сервис, а уже после этого решает, нужен ли доступ к API, дополнительная логика или интеграция в существующий документооборот.

Проверка на реальных файлах

После деплоя пользователь попадает в playground под названием Review, где агента можно тестировать на загруженных файлах. Автор статьи показывает два базовых кейса: PDF со счетом и PDF с договором. В первом сценарии агент определяет, что перед ним invoice, и вытаскивает дату и общую сумму.

Во втором — распознает contract и показывает имена подписантов. Важный момент в том, что все это происходит автоматически сразу после загрузки документа, без отдельного запуска цепочек и без ручного выбора режима обработки. Отдельный слой — обратная связь по качеству.

Для каждого тестового прогона в интерфейсе можно подтвердить результат или отклонить его, если классификация и извлечение полей сработали неверно. По сути, LlamaCloud пытается закрыть весь цикл в одном окне: описание задачи, сборка агента, деплой, тестирование и накопление фидбэка. Для команд, которые работают с инвойсами, договорами и похожими повторяющимися файлами, это выглядит как попытка превратить создание документных AI-воркфлоу из инженерного проекта на недели в операционную задачу на десятки минут.

Что это значит

LlamaCloud двигает рынок к более прикладной модели AI-агентов: не как исследовательского конструктора для разработчиков, а как сервиса, который можно собрать из промпта, связать с GitHub и сразу прогнать на бизнес-документах. Если подход окажется стабильным за пределами демо-сценариев, порог входа для внутренних агентных инструментов в компаниях заметно снизится.