Як інтегрувати Composio для підключення AI-агентів до зовнішніх сервісів

Як інтегрувати Composio для підключення AI-агентів до зовнішніх сервісів

Уявіть: вам потрібно, щоб AI-агент автоматично створював завдання в Jira на основі нових PR у GitHub, сповіщав команду в Slack і оновлював статус у Trello. Без готової платформи ви пишете OAuth-обробники, парсите REST API кожного сервісу, обробляєте помилки та масштабуєте підключення. На це йдуть дні. Composio пришвидшує інтеграцію в 7–10 разів порівняно з написанням кастомних обгорток. Ми використовуємо Composio — платформу з 250+ готовими конекторами, яка бере на себе всю інтеграційну рутину. Наш досвід показує: типову зв'язку з 3–4 сервісів можна налаштувати за кілька годин, заощаджуючи суттєві кошти на розробці (економія до 80% бюджету на розробку).

Які проблеми вирішуємо

• Ручне управління OAuth і токенами. Кожен сервіс має свій OAuth-flow. Composio надає єдиний інтерфейс авторизації з підтримкою refresh-токенів і multi-tenant. Більше жодних write-only callback'ів.
• Сумісність схем з LLM. Інструменти мають бути описані у форматі, зрозумілому для GPT-4o, Claude та інших моделей. Composio автоматично генерує OpenAPI-специфікації у вигляді JSON Schema, які можна передати в LangChain або LlamaIndex.
• Масштабування підключень. При тисячах користувачів кожен зі своїм набором сервісів ручна реалізація стає вузьким місцем. Composio вирішує це за рахунок entity-моделі та централізованого управління.
• Обмеження прав доступу. Агенту можна дати лише read-дії (наприклад, список репозиторіїв) або частковий write (тільки коментарі). Це критично для production-сценаріїв.

Як ми це робимо: стек і кейс з практики

В одному з проєктів наш клієнт — компанія з DevOps-командою з 20 осіб — хотів автоматизувати щоденну перевірку CI/CD. Агент мав щоранку перевіряти статус збірок у GitHub Actions, відкриті PR, помилки в Sentry та створювати Jira-завдання для критичних проблем. Раніше це робив черговий інженер за 2–3 години. Ми підключили Composio, налаштували multi-tenant OAuth для кожного учасника команди та написали агента на LangGraph. У підсумку час перевірки скоротився до 10 хвилин (на 90%), а кількість пропущених інцидентів знизилася на 40%.

# pip install composio-langchain
from composio_langchain import ComposioToolSet, App
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent

toolset = ComposioToolSet(api_key="composio-api-key")

# Отримати інструменти для конкретного додатку
github_tools = toolset.get_tools(apps=[App.GITHUB])
jira_tools = toolset.get_tools(apps=[App.JIRA])
slack_tools = toolset.get_tools(apps=[App.SLACK])

llm = ChatOpenAI(model="gpt-4o")

# ReAct агент з доступом до GitHub + Jira + Slack
agent = create_react_agent(
    llm,
    tools=[*github_tools, *jira_tools, *slack_tools],
)

result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": "Знайди всі open PR в репозиторії company/backend, "
                   "створи Jira-завдання для кожного та сповісти в #dev-reviews"
    }]
})

Як налаштувати multi-tenant OAuth у Composio?

Multi-tenant вирішує задачу, коли кожен користувач системи авторизується під своїм обліковим записом (наприклад, особистий GitHub). Composio надає метод initiate_connection, який повертає URL для редиректу. Після успішної авторизації ви використовуєте entity_id, щоб агент працював від імені конкретного користувача. Усе управління токенами бере на себе платформа — вам не потрібно зберігати refresh-токени та обробляти їх закінчення. Докладніше про протокол OAuth 2.0.

# Composio підтримує різні облікові записи для різних користувачів
toolset = ComposioToolSet(api_key="composio-api-key")

# Ініціація OAuth для нового користувача
connection = toolset.initiate_connection(
    app=App.GITHUB,
    entity_id="user_12345",  # ID користувача у вашій системі
    redirect_url='https://docs.composio.dev/auth/callback',
)
print(f"Redirect user to: {connection.redirectUrl}")

# Після авторизації — агент працює від імені цього користувача
user_toolset = ComposioToolSet(
    api_key="composio-api-key",
    entity_id="user_12345",
)
user_tools = user_toolset.get_tools(apps=[App.GITHUB])

Фільтрація інструментів

from composio import Action

# Тільки конкретні дії (обмеження permissions)
read_only_tools = toolset.get_tools(
    actions=[
        Action.GITHUB_LIST_REPOSITORIES,
        Action.GITHUB_GET_PULL_REQUEST,
        Action.JIRA_GET_ISSUE,
        Action.JIRA_LIST_ISSUES,
    ]
)

# Заборона на write-операції в production
write_tools = toolset.get_tools(
    actions=[
        Action.GITHUB_CREATE_ISSUE_COMMENT,
        Action.JIRA_UPDATE_ISSUE,
    ]
)

Чому Composio краще кастомної розробки?

Вартість типових інтеграцій — від $1000, включаючи налаштування OAuth та тестування.

Топ-5 інтегрованих сервісів

Що входить в роботу?

• Готовий AI-агент з доступом до ваших сервісів.
• Документація з архітектури та підключення нових інтеграцій.
• Інструкція для користувачів з OAuth-авторизації.
• Код з коментарями та прикладами.
• Підтримка на етапі експлуатації (опціонально).

Процес роботи: від задачі до деплою

1. Аналітика — обговорюємо, які сервіси потрібно підключити, які дії має виконувати агент, який рівень доступу потрібен.
2. Проектування — вибираємо архітектуру (LangChain, LlamaIndex або кастом), проектуємо multi-tenant модель.
3. Інтеграція — підключаємо Composio, налаштовуємо OAuth, пишемо код агента.
4. Тестування — запускаємо агента в ізольованому середовищі, перевіряємо граничні випадки (відкликання токена, ліміти API).
5. Деплой та моніторинг — розгортаємо в production, налаштовуємо логування та алерти.

Що ви отримаєте в результаті?

• Готовий AI-агент з доступом до ваших сервісів.
• Документацію з архітектури та підключення нових інтеграцій.
• Інструкцію для користувачів з OAuth-авторизації.
• Код з коментарями та прикладами.
• Підтримку на етапі експлуатації (опціонально).

Орієнтовні терміни: від 2 днів для типових рішень до 2 тижнів для складних multi-tenant архітектур. Вартість розраховується індивідуально. Пропонуємо впровадження Composio під ключ. Пишіть — оцінимо ваш проєкт безкоштовно за 1 робочий день.

Які гарантії ми даємо?

Ми на ринку AI-інтеграцій понад 5 років, реалізували 15+ проєктів — від стартапів до enterprise. Гарантуємо, що інтеграції працюватимуть стабільно, а агент коректно обробляє помилки API. Якщо виникають проблеми з нестандартними сценаріями, доопрацьовуємо рішення. Підсумковий код передаємо клієнту з повною документацією. OAuth 2.0 Authorization Framework, RFC 6749

Зв'яжіться з нами, щоб обговорити інтеграцію AI-агентів у вашу інфраструктуру — ми підготуємо кошторис і терміни за 1 робочий день.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.