Is AI Doing Less & Less?
Автор делится опытом построения AI-агента: за полгода 65% узлов рабочих процессов перешли с LLM на детерминированный код. Изначально всё было полностью агентным, но LLM работали уверенно, но не всегда точно. Вдохновившись minion-архитектурой Stripe, автор внедрил «блюпринты» — направленные графы узлов с детерминированными и агентными шагами. Сейчас 29% workflow-ов работают полностью на коде (обновления pipeline, чаты, маршрутизация почты), 36% используют LLM только для извлечения и синтеза, 21% — гибриды, и лишь 14% остаются полностью агентными (трансформации данных, разбор ошибок). AI делает меньше, но система делает больше — хотя с новыми моделями эти леса могут оказаться временными.
Я начал с того, что просил AI делать всё. Шесть месяцев спустя 65% узлов workflow моего агента работают как код без AI.
Первая версия была полностью агентной: каждая задача уходила к LLM. LLM уверенно продвигались по задачам, хотя и не всегда точно.
Тогда я добавил инструменты, чтобы ограничить то, что LLM может вызывать. Ограничил её возможность отклоняться. Я добавил Discovery tool, чтобы помочь AI находить эти инструменты. Лучше, но недостаточно.
Потом я нашёл minion-архитектуру от Stripe. Их идея: детерминированный код обрабатывает предсказуемое; LLM берутся за неоднозначное.
Я реализовал блюпринты — схемы workflow, написанные в виде кода. Каждый блюпринт задаёт узлы, переходы между ними, условия запуска для подходящих задач и явную обработку ошибок.
extract_domain (код) → attio_find (код) → harmonic_enrich (код) → generate_summary (LLM, 1 ход) → notion_prepend (код)
Это отличается от skills или промптов. Skill говорит LLM, что делать. Блюпринт говорит системе, когда вообще привлекать LLM.
Каждый блюпринт — это направленный граф узлов. Узлы бывают двух типов: детерминированные (код) и агентные (LLM). Переходы между узлами могут ветвиться в зависимости от условий.
Обновления deal pipeline, сообщения в чате и маршрутизация почты составляют 29% workflow-ов — и всё это без единого вызова LLM.
Исследование компаний, обработка рассылок и исследование персон требуют LLM только для извлечения и синтеза. Ещё 36%. Workflow на 67–91% работает как код. LLM видит только то, что ей нужно: фрагмент текста для краткого изложения, список для категоризации — обрабатывается за один-три хода с ограниченным набором инструментов.
Посты в блог, анализ документов, исправление багов — это действительно гибридные задачи. 21% workflow-ов. Несколько вызовов LLM итеративно доводят результат до нужного качества.
Только 14% остаются полностью агентными. Преобразования данных и расследование ошибок. Это скорее задачи на программирование, чем оценка точки принятия решения в workflow. LLM нужна свобода для исследования.
AI начинал с того, что делал всё. Теперь он занимается маршрутизацией, исключениями, исследованиями, планированием и программированием. Остальное работает без него.
Делает ли AI меньше? Да. Делает ли система больше? Тоже да.
Блюпринты, инструменты, skills могут оказаться временными лесами. С каждым релизом новой модели возможности расширяются. Задачи, которые шесть месяцев назад требовали детерминированного кода, завтра могут уже не требовать.