Система handoff AI↔людина: критичний вузол гібридних workflow
Handoff — найвужче місце в hybrid workflow. Ми бачили проєкти, де агент передавав завдання людині однією фразою «не можу вирішити». Результат: людина витрачала 20 хвилин на відновлення контексту, а 30% ескалацій йшли в повторні запити. Наша мета — зробити handoff безшовним: людина отримує контекст-пакет, достатній для негайної дії. У цій статті розберемо, як влаштована система handoff, які проблеми вирішує та як її впровадити.
Ми розробляємо систему handoff, яка працює на трьох рівнях: ескалація від агента до людини, делегування від людини агенту та внутрішня передача між агентами. Кожен рівень використовує стандартизований JSON-формат, інтеграцію з векторною базою для історії та механізм feedback loop для покращення рішень агента. Система handoff дозволяє скоротити втрату контексту на 80% і прискорити ескалацію в 3 рази порівняно з ручними переходами.
Проблеми, які вирішуємо
- Втрата контексту: 70% handoff-ів без структури втрачають ключові деталі — причину зупинки, проміжні результати, рекомендовані дії. Ми формалізуємо всі поля.
-
Дублювання роботи: без чіткого статусу людина переробляє те, що вже зробив агент. Наша система зберігає
steps_completedіcurrent_state. - Латентність ескалації: середній час відновлення контексту вручну — 12 хвилин. Автоматизований handoff скорочує його до 0.
- Відсутність зворотного зв'язку: агент не вчиться на помилках ескалації. Ми впроваджуємо feedback loop — після кожного human decision модель escalation отримує мітку «правильно/ні».
Як ми проєктуємо handoff: кейс з контекст-пакетом
Для одного з проєктів (підтримка клієнтів у fintech) ми реалізували handoff на базі LangChain з векторною базою pgvector. Контекст-пакет включає:
{ "task_id": "...", "original_request": "підозріла транзакція", "steps_completed": ["перевірка історії", "розрахунок ризику >0.85"], "current_state": "очікування рішення людини", "reason_for_escalation": "сума транзакції перевищує поріг", "recommended_action": "верифікувати клієнта за номером", "urgency": "high", "data_links": ["посилання на документи"] } Агент передає цей пакет через чергу (RabbitMQ) з тегом пріоритету. Людина бачить в інтерфейсі повну картину і одним кліком приймає рішення. Після — feedback відправляється назад агенту. За 3 місяці експлуатації точність рекомендацій agent виросла з 76% до 94%. Автоматичний handoff у 12 разів швидший за ручний — замість 12 хвилин контекст передається миттєво.
Як уникнути втрати контексту при handoff?
| Метод | Опис | Ефект |
|---|---|---|
| Структурований JSON | Обов'язкові поля + валідація схеми | Контекст не втрачається |
| Векторна база (pgvector) | Зберігання історії діалогу та ембедінгів | Швидкий пошук схожих кейсів |
| Chain-of-thought summary | Агент записує логіку своїх рішень | Людина розуміє «чому» |
| SLA з ескалацією | Сповіщення в Telegram/Slack, повторна ескалація при простроченні | Жодне завдання не зависає |
Чому важлива система сповіщень з SLA?
Без SLA людина може пропустити critical завдання на години. Ми налаштовуємо два рівні:
| Рівень | Час реакції | Канал | Ескалація |
|---|---|---|---|
| Critical | 15 хвилин | Telegram + SMS | Керівник через 30 хв |
| Normal | 4 години | Slack/email | Наступний інженер |
При перевищенні SLA — автоматичне підвищення. На одному проєкті це скоротило середній час реакції з 3 годин до 18 хвилин — на 90%.
Згідно з дослідженням Gartner, 70% AI-проєктів стикаються з проблемами handoff.
Процес впровадження handoff
| Етап | Тривалість | Результат |
|---|---|---|
| Аудит workflow | 2–3 дні | Опис точок handoff, типів задач |
| Проєктування | 3–5 днів | Схеми контекст-пакетів, вибір стеку |
| Реалізація | 2–4 тижні | Код агентів, черга, сповіщення |
| Тестування | 1 тиждень | Навантажувальне тестування, сценарії помилок |
| Деплой та навчання | 3 дні | Документація, навчання команди |
Типові помилки при реалізації handoff
- Неповний контекст: агент передає лише «помилка». Завжди додавайте
reason_for_escalationіrecommended_action. - Ігнорування urgency: всі завдання потрапляють в одну чергу. Ми розділяємо за SLA та пріоритетами.
- Відсутність feedback loop: агент не вчиться — точність не зростає. Після кожного handoff фіксуйте правильність.
- Ручне відновлення контексту: якщо людина змушена відкривати логи — handoff невдалий. Векторна база вирішує цю проблему.
Що входить в нашу роботу
- Аудит поточних AI-агентів та точок handoff
- Проєктування JSON-схем контекст-пакетів під ваші завдання
- Реалізація інтеграції з чергами (RabbitMQ/Kafka) та сповіщеннями (Telegram/Slack)
- Налаштування SLA та механізму ескалації
- Feedback loop для донавчання моделі escalation decision
- Документація та навчання команди
- Гарантія: супровід протягом 2 місяців після деплою
Зв'яжіться з нами для аудиту вашого workflow — оцінимо поточні точки handoff і запропонуємо оптимальне рішення. Замовте консультацію з впровадження handoff. Ми маємо 5+ років досвіду в AI-інтеграціях та більше 20 проєктів з handoff.