Створення AI-агента на базі LLM: від ідеї до впровадження

Вступ: коли LLM-обгортка не справляється

Ви впровадили GPT у підтримку, але користувачі скаржаться: бот дає загальні відповіді, не може виконати конкретну дію — перевірити статус замовлення, змінити договір, погодити документ. Знайома ситуація? Ми стикалися з цим десятки разів. Проблема не в моделі — в архітектурі. Звичайний чат-бот не вміє планувати та користуватися інструментами. Тут потрібен AI-агент, який не просто балакає, а реально робить роботу: парсить документи, ходить в API, виконує SQL-запити та надсилає листи. Такий агент обробляє запити в 50 разів швидше за людину та знижує помилки на 90% порівняно з ручним введенням.

Що таке розробка AI-агента на базі LLM?

Розробка AI-агента на базі LLM — це створення програмного модуля, який використовує велику мовну модель (LLM) як ядро міркування та планування, але при цьому може викликати зовнішні функції (tools), звертатися до пам'яті (memory) та виконувати багатокрокові сценарії (multi-step reasoning). На відміну від звичайного чат-бота, LLM-агент здатний працювати з корпоративними системами: CRM, ERP, базами даних, API. Архітектура включає компоненти: LLM runtime (наприклад, GPT-4o), фреймворк оркестрації (LangChain), сховище контексту (ChromaDB) та набір інструментів, описаних через OpenAPI або JSON Schema.

Чому AI-агент перевершує звичайного чат-бота?

Чат-бот працює за принципом "питання-відповідь": отримує запит і генерує відповідь, не використовуючи зовнішні дані. AI-агент діє як досвідчений асистент: він аналізує задачу, розбиває її на кроки, викликає потрібні інструменти (SQL, API, пошук), запам'ятовує історію та приймає рішення. Завдяки паттерну ReAct (Reasoning and Acting) агент може самостійно виконувати багатокрокові операції — наприклад, перевірити складські залишки, порівняти ціни постачальників і сформувати заявку на закупівлю.

Які проблеми вирішуємо

Нескінченні цикли роздумів — створення ai агента

Агент може зациклитися: думає, викликає інструмент, отримує результат, знову думає — і так до вичерпання токенів. Причина — відсутність guardrails. Ми вводимо максимальне число ітерацій (зазвичай 10–15) і детектор тупикових станів, який перериває цикл і повертає управління користувачеві.

Галюцинації при виклику інструментів

Модель може передати в інструмент невалідні параметри: наприклад, попросити виконати DELETE замість SELECT. Рішення — строга схема параметрів через JSON Schema та валідація на стороні сервера. Ми також використовуємо few-shot приклади коректного виклику і задаємо температуру 0.2 для зниження креативності.

Проблема довгої пам'яті

Стандартний контекст LLM обмежений. Агент забуває, що зробив 10 кроків тому. Ми комбінуємо короткострокову пам'ять (останні N повідомлень), довгострокову (сумаризація історії) та семантичну (RAG на базі векторного сховища ключових фактів). Це дозволяє агенту працювати з сесіями довжиною в тисячі кроків.

Як ми проектуємо агента: стек і конфіги

Базовий стек: LangChain (ReAct loop), OpenAI GPT-4o (reasoning), ChromaDB (семантична пам'ять), pgvector (інтеграція з існуючою БД). Для безпеки — ізоляція виконання інструментів через Docker-контейнери.

Приклад system prompt, що знижує галюцинації:

Ти — корпоративний AI-асистент. Твоє завдання — виконувати запити користувача, використовуючи доступні інструменти.
Правила:
1. Ніколи не вигадуй результати інструментів. Якщо інструмент повернув помилку — повідом про це.
2. Якщо не впевнений, який інструмент використати — запитай уточнення у користувача.
3. Плануй не більше 5 кроків. Якщо задача не вирішена — запропонуй передати людині.

Також ми тюнінгуємо гіперпараметри: temperature=0.2 (менше креативності, більше точності), top_p=0.9. Для агентів з фінансами — temperature=0.

Для спеціалізованих задач застосовуємо fine-tuning агента на корпоративних даних — це підвищує точність виконання до 95%. Агент використовує RAG для доступу до документів, що дозволяє відповідати на питання по внутрішніх регламентах без галюцинацій.

Кейс: агент закупівель (з нашої практики)

Один з наших клієнтів — великий рітейлер — страждав від довгої обробки заявок на закупівлю. Співробітник заповнював форму, далі листи, погодження, пошук постачальників — займало до 5 днів. Ми розробили AI-агента з інструментами: check_budget, search_suppliers, generate_contract_draft. За 3 місяці експлуатації:

• Час обробки знизився з 4.5 днів до 2.1 години (в 50 разів швидше)
• 68% запитів оброблено без участі людини
• Помилки (неправильний постачальник/перевищення бюджету) — всього 4%
• Економія склала 800 000 ₽ на місяць, ROI проекту — 300% за півроку

Агент працює в зв'язці з Jira: після підготовки документів створює задачу на затвердження. Фінансові операції суворо заборонені — тільки підготовка.

Процес роботи

Ми впроваджуємо MLOps-практики: моніторинг дрифту даних, автоматичне перенавчання агента, версіонування моделей через MLflow.

Як ми забезпечуємо безпеку агента?

Безпека — ключовий аспект корпоративних агентів. Ми впроваджуємо guardrails на декількох рівнях: валідація вхідних параметрів, ізоляція виконання коду в sandbox-контейнерах, аудит всіх дій агента та заборона на виконання критичних операцій без підтвердження людини. Також використовуємо складні ланцюжки міркувань (chain-of-thought) для підвищення прозорості рішень.

Як уникнути помилок при розробці агента?

1. Відсутність кешування викликів інструментів — повторні запити до API. Рішення: вбудувати кеш з TTL на рівні агента.
2. Ігнорування помилок інструментів — модель продовжує діяти, хоча інструмент повернув помилку. Рішення: обов'язкова перевірка статусу та повернення управління користувачеві.
3. Занадто довгий context window — після 20 кроків модель починає втрачати фокус. Рішення: сумаризація історії та семантична пам'ять на базі RAG.

Строки та вартість

Вартість розраховується індивідуально — залежить від числа інструментів, складності інтеграцій та необхідної безпеки. Типова економія від впровадження — сотні тисяч гривень щомісяця, а ROI проекту досягає 300% за півроку. Пишіть — оцінимо ваш проект за 2 дні.

Наш досвід та гарантії

Понад 10 років займаємося AI/ML, 40+ проектів, команда сертифікованих інженерів AWS і GCP. Гарантуємо якість: кожен агент проходить навантажувальне тестування та код-рев'ю. Ви отримуєте повністю готове рішення під ключ з документацією та навчанням. Замовте розробку AI-агента під ключ — зв'яжіться з нами для консультації.

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.