Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)

Цепочка агентов сжала 32 ГБ данных компании в один отчёт, заведя 30 тысяч тикетов

Как заставить ИИ разобрать 32 ГБ документов компании, если в контекст столько не влезает? Автор канала «LLM под капотом» раздал куски данных агентам по схеме Map Reduce, а согласовывать работу им помогли тикеты, как в обычной команде. Система завела более 30 тысяч тикетов, работала больше суток и выдала короткий отчёт для руководителей. Практика: память агентов лучше держать в читаемых файлах, их можно проверить.

AI-обработка оригинала TG: @llm_under_hood (LLM под капотом); редакция Hamidun News
Цепочка агентов сжала 32 ГБ данных компании в один отчёт, заведя 30 тысяч тикетов
Источник: TG: @llm_under_hood (LLM под капотом). Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникTG: @llm_under_hood (LLM под капотом) ↗
Главный редактор
Ключевой факт #1Агенты на Codex искали кейсы, строили карту процессов и находили разрывы с идеалом
Ключевой факт #2Каждый агент начинал работу с общего контекста из «Company Brain» автора
Ключевой факт #3Дальше автор хочет прогнать данные глазами HR-эксперта и безопасника

Представьте, что вам отдали 32 ГБ выгрузок о компании (текст вперемешку с JSON) и попросили за один заход сказать руководству, что в бизнесе чинить в первую очередь. Ни в одно контекстное окно модели столько не влезет, а обычный чат тут бесполезен. Автор Telegram-канала «LLM под капотом» решил эту задачу на прошлой неделе: собрал цепочку агентов, которые завели более 30 тысяч тикетов, проработали больше суток и сжали всё в небольшой отчёт, как будто его писали очень дорогие консультанты. Если вы строите агентные системы для реальной работы, а не для демо, схема стоит внимания.

Как это работало на деле

Агенты запускались последовательно, и у каждого был свой шаг. Первые шаги выполнял Fable 5.2 в режиме исследования. Ему ставили задачу: найти лучшие практики для компании такого типа и свести их в отчёт со ссылками на кейсы и исследования. Это был «идеальный образец», с которым потом сравнивали реальность.

Дальше подключились агенты на Codex. Они прочёсывали весь массив данных и собирали кейсы, строили карту процессов компании и делали анализ разрывов (gap analysis): чем реальный процесс отличается от идеального. На выходе получался приоритизированный отчёт для руководителей: что исправлять сначала и почему.

Перед началом работы каждый агент загружал в самое начало контекстного окна описание проекта и общий контекст из «Company Brain» (так автор называет свою базу знаний). Он сравнивает это с загрузкой ядра: сначала агент видит общую картину, потом уходит в свою задачу.

Как уложить 32 ГБ в окна по несколько страниц

Автор сделал оптимизированный формат представления данных и разделил работу по принципу Map Reduce. Проще говоря, каждый агент берёт свой кусок массива, а результаты потом сводятся вместе. Для ясности пример: один агент читает документы по продажам и оставляет заметку «договоры расходятся с тем, как процесс описан в регламенте», другой берёт эту заметку и ищет похожие расхождения в закупках. Это иллюстрация принципа, а не пример из самого кейса.

Данные лежали в Company Brain как файлы, по образцу личной операционной системы. Агент не читает всё подряд: он идёт от общего к частному (progressive disclosure) и пользуется скриптами docs/tools/tree.py и outline.py, которые показывают структуру папок и документов. Для координации и передачи контекста между агентами автор добавил новый инструмент для работы с тикетами.

Векторным базам и похожим чёрным ящикам места в схеме не нашлось. Пайплайн и ход его рассуждений приходилось постоянно допиливать под приоритеты руководителей, которые будут читать отчёт. Для этого автор перестроил сам процесс анализа так, чтобы его можно было оптимизировать. Тикеты и текстовые файлы можно прочитать, поправить и переложить руками. Содержимое векторного индекса так не отладишь.

Что получилось и что дальше

Финальный вывод оказался интересным. Помимо списка приоритетов с обоснованием и ссылками на источники, агент посоветовал разослать короткий список вопросов конкретным людям, собрать ответы и загрузить их обратно. То есть машина сама поняла, что данных ей не хватает и кого именно о них спросить.

Следующий шаг автор видит в смене ракурса. Вместо одного «дорогого консультанта» прогнать массив через нескольких: самого понимающего HR-специалиста, самого параноидального безопасника, топового эксперта по операционной деятельности. Для каждого можно собрать методологию из лучших книг и исследований.

Методологии, по словам автора, можно собрать самостоятельно. Достаточно натравить ChatGPT или Claude на публичные статьи и видео сильных компаний, от OpenAI и Anthropic до интеграторов, и попросить систематизировать их в базу знаний. Всё это есть в открытом доступе.

Оговорки. Это личный рассказ, а не исследование. Автор не приводит стоимость прогона, не сравнивает отчёт с работой живых консультантов и не объясняет, как проверял точность выводов. Он сам пишет «смотрим, что будет дальше»: реакция руководителей на отчёт пока неизвестна.

Практический вывод для разработчиков и продактов такой. Если данных больше окна, делите работу по Map Reduce, храните память в читаемых файлах, координируйте агентов через тикеты и давайте каждому общий контекст в начале. И заранее продумайте, как человек сможет проверить промежуточные шаги.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: как это работало на деле?

Агенты запускались последовательно, и у каждого был свой шаг. Первые шаги выполнял Fable 5.2 в режиме исследования. Ему ставили задачу: найти лучшие практики для компании такого типа и свести их в отчёт со ссылками на кейсы и исследования. Это был «идеальный образец», с которым потом сравнивали реальность. Дальше подключились агенты на Codex. Они прочёсывали весь массив данных и собирали кейсы, строили карту процессов компании и делали анализ разрывов (gap analysis): чем реальный процесс отличается от идеального.

Что известно по теме: как уложить 32 ГБ в окна по несколько страниц?

Автор сделал оптимизированный формат представления данных и разделил работу по принципу Map Reduce. Проще говоря, каждый агент берёт свой кусок массива, а результаты потом сводятся вместе. Для ясности пример: один агент читает документы по продажам и оставляет заметку «договоры расходятся с тем, как процесс описан в регламенте», другой берёт эту заметку и ищет похожие расхождения в закупках. Это иллюстрация принципа, а не пример из самого кейса.

Что известно по теме: что получилось и что дальше?

Финальный вывод оказался интересным. Помимо списка приоритетов с обоснованием и ссылками на источники, агент посоветовал разослать короткий список вопросов конкретным людям, собрать ответы и загрузить их обратно. То есть машина сама поняла, что данных ей не хватает и кого именно о них спросить. Следующий шаг автор видит в смене ракурса.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Практика · Hamidun Academy

Соберите рабочего ИИ-агента или сервис своими руками без ручного кода

В Академии Жемала Хамидуна (academy.hamidun.com) открыт бесплатный 72-часовой тест-драйв: интерактивные скетч-уроки по Claude Code и Cursor, живой Tech Radar и готовые шаблоны агентов.

Открыть 72ч бесплатный доступ →Интенсив по Вайб-кодингу
Что вы думаете?
Загружаем комментарии…