Разработан новый подход к проектированию агентных систем, направленный на снижение затрат на инференс и повышение предсказуемости поведения моделей. Основная идея заключается в переходе от использования тяжелых LLM для выполнения всех этапов задачи к многоуровневой архитектуре, где сложные логические операции делегируются специализированным компактным моделям или жестко заданным алгоритмическим модулям.
В рамках предложенного процесса агент сначала анализирует запрос и разбивает его на подзадачи, после чего для каждой из них подбирается инструмент с минимально необходимыми вычислительными ресурсами. Такой подход позволяет существенно сократить количество токенов, обрабатываемых дорогостоящими моделями, и минимизировать риск «галлюцинаций» за счет изоляции критических функций от генеративных компонентов системы.
Методология также включает внедрение промежуточного слоя валидации, который проверяет выходные данные каждого этапа перед передачей их на следующий уровень. Это позволяет оперативно выявлять ошибки в цепочке рассуждений агента и предотвращать выполнение некорректных действий. Использование такой структуры делает агентные системы более надежными в бизнес-сценариях, где точность исполнения и контроль над бюджетом являются приоритетными задачами.