CrossnoKaye заставила ИИ-агента на заводах считать в Python-песочнице, а не в голове LLM

Если вы пробовали прикрутить LLM-агента к промышленной системе, то знаете, чем это кончается. Данные лежат в историанах (хранилищах временных рядов) с кривыми названиями тегов. Логика оборудования зашита в проприетарный код контроллеров, который внешний инструмент не видит. А доступ ко всем системам сразу означает россыпь учётных данных по сети завода. CrossnoKaye решила это не «приделыванием» агента сбоку, а встраиванием его в собственную платформу.

Агент внутри платформы, а не снаружи

ATLAS — это программно определяемая автоматизация. На площадке стоит локальный кластер Kubernetes, он исполняет базовые сценарии управления (конечные автоматы, последовательности, пределы, блокировки) поверх существующих ПЛК и DCS. Заменять железо клиенту не нужно. Edge-шлюз только отправляет данные наружу и не открывает ни одного входящего порта. Если связь с облаком пропала, завод продолжает работать на локальной логике.

Агент AURA живёт в том же периметре безопасности на Amazon EKS. Он читает состояние завода через единый шлюз данных с правами вызывающего пользователя. Там есть топология оборудования, развёрнутая логика блокировок, физические и расчётные показания, история тревог и документация в Bedrock Knowledge Bases.

Контекст решает многое. На карьере вторичная дробилка дважды за смену останавливалась после третичной. По одним таймстемпам выглядело так, будто виновата дробилка. Но AURA видела схему конвейеров и блокировки. Пробуксовывала рециркуляционная лента под третичной дробилкой, срабатывала защита по перегрузке, а вышестоящая блокировка гасила вторичную дробилку, чтобы не засыпать остановленную. Оператора отправили к ленте, и проблему устранили за минуты.

Считать должен код, а не модель

LLM хорошо интерпретирует инженерный контекст и планирует расследование, но надёжно считать статистику или баланс по миллионам показаний в промпте она не может. Поэтому AURA пишет Python и выполняет его в Code Interpreter из Amazon Bedrock AgentCore. Это изолированные микро-ВМ, управляемые AWS. Дополнительно стоят Bedrock Guardrails и защитные контуры на краю.

Два решения тут пригодятся и вне промышленности.

Тёплые и одноразовые песочницы. В интерактивном чате инженер шаг за шагом проверяет гипотезы: грузит сутки аварийных сигналов по 94 площадкам, отфильтровывает «дребезжащие» датчики уровня, сопоставляет отключения компрессоров с температурой по мокрому термометру. Холодный старт на каждый ход стёр бы таблицы из памяти. Поэтому к диалогу привязывается одна живая сессия AgentCore с плавающим TTL в 15 минут, а при возврате после простоя создаётся новая. Для запланированных Tasks и ночных Routines всё наоборот. Нужна воспроизводимость, поэтому каждый запуск идёт в свежей микро-ВМ, которую останавливают сразу после расчёта. Это защищает от протечек состояния между запусками и от платы за простаивающую песочницу.

Контракты на данные вместо текста из stdout. Ранние версии, где модель печатала JSON или сводку в стандартный вывод, оказались хрупкими. Модель путала названия колонок, теряла часть временного окна или ломала формат для построения графиков. Теперь оркестратор заранее проверяет входной контракт и кладёт в песочницу до 50 наборов данных. К скрипту модели он добавляет проверочную обвязку, которая убеждается, что каждая заявленная таблица существует как pandas.DataFrame с нужными колонками и типами, и сохраняет её в Parquet. Если скрипт упал или колонки не хватает, пользователь неверных цифр не увидит. Workflow на Temporal превращает traceback и несоответствие схемы в структурированный запрос, и агент чинит код и перезапускает расчёт.

Что это даёт на практике

Пример с флотом: при разборе критических аварий по 94 площадкам за сутки код сгруппировал события по объекту, правилу и интервалам между срабатываниями. Вместо рейтинга по числу тревог выяснилось, что 103 активации на одном заводе — это два повторяющихся правила по уровню в баке. А на другом 58 активаций (аммиак, испарители, горячегазовые клапаны) уложились в секунду. Именно там каскадный отказ оборудования.

Ещё AURA запускает Routines, фоновые наблюдатели по расписанию, порогам и режимам оборудования. Они сами открывают расследование в режиме только чтения. Перед отправкой отчёта (Brief) система проверяет, что каждая ссылка в нём указывает на сохранённое окно телеметрии.

Ограничения и вывод

Цифры про рост выпуска на 11–17%, снижение энергозатрат на 21% и ноль инцидентов безопасности на миллион часов — заявления самой CrossnoKaye. Они относятся ко всей платформе APC, а не к агенту отдельно. Описание к тому же сильно привязано к стеку AWS: VPC Lattice, MSK, SQS, EKS, AgentCore. Нужно ещё помнить, что у CrossnoKaye эта архитектура работает поверх готовой платформы с единой моделью завода, и у большинства компаний такого фундамента нет.

Универсальных уроков три. Во-первых, агенту нужен доступ к структуре системы, а не только к логам. Во-вторых, любое числовое утверждение стоит считать в изолированной среде. В-третьих, результат песочницы лучше принимать только через схему и валидатор, а ошибку возвращать агенту на самоисправление. Эти приёмы подойдут и для финансов, логистики, любой аналитики, где ошибка в цифре стоит дорого.