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
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.
- 19 нояб. 2026 г.Инфостарт подключил Директ, Метрику и Wordstat к ChatGPT: 6 команд, общий доступ
- 19 нояб. 2026 г.Доли Amazon и Google в Anthropic оценили в $308 млрд при IPO по $83 за акцию
- 19 нояб. 2026 г.Gemini 4 Neon от Google работает вдвое быстрее Carbon и на 17% дешевле за задачу
- 19 нояб. 2026 г.Кодинг-агенты OpenAI в пересчёте на API стоят $2400 в день на исследователя
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.
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.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.