Команда Allen Institute for AI представила детальный разбор архитектуры Shippy — системы для автоматизации логистических задач с помощью ИИ-агентов. Разработчики сфокусировались на создании надежного цикла планирования и исполнения, где агент самостоятельно взаимодействует с внешними API, обрабатывает ошибки и корректирует свои действия в реальном времени, минимизируя необходимость участия человека в рутинных операциях.
Основная сложность при создании Shippy заключалась в обеспечении стабильности агентных цепочек. Разработчики пришли к выводу, что классические линейные промпты недостаточно эффективны для сложных бизнес-процессов. Вместо этого они внедрили модульную структуру, где каждый этап выполнения задачи изолирован, а агент имеет возможность возвращаться к предыдущим шагам при возникновении конфликтов или неверных данных.
Ключевым элементом системы стала стратегия обработки исключений. Вместо попыток предсказать все возможные ошибки, агенты обучались диагностировать проблему на основе логов выполнения и самостоятельно выбирать стратегию исправления: повторный запрос, изменение параметров или переключение на альтернативный инструмент. Это позволило значительно повысить процент успешного завершения цепочек действий в условиях нестабильных API.
Ключевые факты
- Система Shippy разработана для автоматизации сложных логистических процессов, требующих многошагового взаимодействия с внешними сервисами.
- Архитектура опирается на итеративный цикл планирования, позволяющий агенту динамически корректировать действия при получении ошибок от API.
- Разработчики отказались от монолитных промптов в пользу модульной системы, где каждый шаг процесса имеет четко определенные границы ответственности.
- Внедрена система автоматической диагностики, которая анализирует логи выполнения для выбора стратегии восстановления после сбоев.
- Практический опыт показал, что надежность агентных систем напрямую зависит от качества обработки состояний и механизмов самокоррекции, а не только от мощности используемой LLM.