Большинство разработчиков, работающих с искусственным интеллектом сегодня, способны заставить модель реагировать на запрос. Однако лишь немногие смогли запустить агента, который стабильно работает в производственной среде. Проблема, которая замедляет большинство агентных проектов, заключается в фреймворках, ограничивающих абстракциями, системах, функционирующих как черные ящики при возникновении ошибок, и постоянно растущих требованиях к готовности предприятия.
Ашита Прасад, разработчик-адвокат в AWS, решила эту проблему во время двухчасового практического семинара DevSparks Bengaluru 2026. В ходе этого мероприятия 170 разработчиков работали вместе с ней, используя Strands Agents — открытый SDK, разработанный AWS. Сессия позволила участникам создать базового агента, а затем доработать его до версии с встроенными механизмами защиты (guardrails), постоянной памятью и возможностями наблюдаемости.
Прежде чем приступить к кодированию, Ашита выделила три аспекта проблемы. Во-первых, существует крутая кривая обучения между пониманием концепций агентов и их фактической реализацией. Во-вторых, большинство фреймворков жертвуют гибкостью ради удобства, что становится проблематичным при масштабировании. В-третьих, и это наиболее критично, системы остаются непрозрачными. Она отметила, что пользователь не знает, что именно делает агент за кулисами, какие вызовы инструментов он выполняет или какие сообщения отправляет, что превращает его в черный ящик и затрудняет разработку и поддержку.
Strands Agents использует подход, основанный на модели, позволяя базовой языковой модели динамически решать, следует ли ей вызвать инструмент, вернуть ответ или продолжить рассуждение, при этом полностью раскрывая цикл работы агента перед разработчиком. Этот цикл прост: поступает запрос пользователя, модель определяет следующий шаг, при необходимости вызываются инструменты, результаты возвращаются обратно в модель, и в итоге формируется финальный ответ. Strands берет на себя всю необходимую инфраструктуру между этими этапами.
Семинар проходил через серию лабораторных работ, каждая из которых добавляла новый функционал к создаваемому агенту. Началось все с минимального агента: модель, системный промпт и запрос пользователя. Затем участники добавляли инструменты, начиная с собственной функции погоды, а затем и готовые инструменты сообщества, такие как калькулятор, которые входят в комплект Strands.
Лабораторная работа с поставщиком моделей представила Ollama, позволяющую разработчикам запускать большие языковые модели локально, что важно для тех, кто не имеет доступа к подписке на облачную модель. Участники построили агента для работы с файлами, используя локальную модель Llama 3.2, который мог читать, перечислять и записывать файлы в директории, демонстрируя, что архитектура Strands универсальна независимо от расположения модели.
Лабораторная работа с сервисами AWS значительно повысила сложность. Участники создали агента для бронирования ресторанов, который умел создавать, получать и удалять записи о бронировании, хранящиеся в DynamoDB, а также извлекать информацию о ресторанах из Базы знаний Amazon Bedrock, индексированной в OpenSearch Serverless.
Ашита подчеркнула важный архитектурный момент: стандартные операции, такие как запись в базу данных, не требуют от агента процесса рассуждения. Она пояснила, что создание бронирования подобно записи в базе данных, не имея двусмысленности. Знание того, когда не использовать LLM, так же важно, как и знание того, когда ее применять.
Лабораторная работа с инструментами MCP охватила оба механизма передачи данных: стандартный ввод/вывод для локальных серверов и потоковый HTTP для удаленных, а также показала возможность одновременного подключения нескольких серверов MCP. За этим последовала потоковая лаборатория, которая рассматривала асинхронные итераторы и обработчики обратных вызовов как два взаимодополняющих способа информирования пользователей во время длительной работы агента.
Последние две лабораторные работы касались того, что отличает демонстрацию на семинаре от готового к развертыванию продукта. В лаборатории по защитным барьерам (guardrails) использовался Amazon Bedrock Guardrails для настройки блокировок на уровне тем, фильтров контента для таких категорий, как насилие, обнаружение атак на промпты и срабатывание по определенным словам. При этом предусмотрены настраиваемые сообщения об ответах для заблокированных входных и выходных данных. Конкретный пример использования заключался в том, что агент, имеющий доступ к базе данных клиентов, никогда не должен раскрывать личную идентифицирующую информацию (PII), такую как номера Aadhaar или PAN, независимо от формулировки запроса.
Лаборатория по памяти решила другую производственную задачу. Хотя агенты Strands по умолчанию сохраняют историю разговора в рамках сессии, эта память исчезает после завершения сессии. Используя Mem0 и OpenSearch Serverless, участники узнали, как сохранять предпочтения и контекст пользователя между сессиями, чтобы агент помнил собеседника при следующем взаимодействии.
В совокупности эти две лаборатории отразили единый принцип проектирования, который пронизывал весь семинар: готовность к производству — это не функция, которую добавляют в конце. Наблюдаемость, безопасность и память являются архитектурными решениями, которые необходимо принимать с самого начала.
Полный исходный код доступен на GitHub в репозитории Strands Agents Samples, и каждая лабораторная работа может быть запущена локально с использованием Ollama для разработчиков, не имеющих облачного поставщика моделей. В том же репозитории представлены многоагентные лаборатории, охватывающие рои и графы агентов, для тех, кто желает углубиться в тему.
Семинар завершился напоминанием о необходимости очистки ресурсов для тех, кто проводил лабораторные работы в собственном аккаунте AWS, что оказалось полезным советом для целевой аудитории.
Компания Youzu Interactive внедрила агентов искусственного интеллекта в 75% своего персонала, используя Tencent Cloud WorkBuddy. Эта интеграция позволяет преобразовать процесс разработки игр от написания кода до проведения глобального маркетингового анализа.
Youzu Interactive, являющаяся одной из пионерских зарубежных издательских компаний Китая, которая последние 11 лет демонстрирует международный доход, превышающий внутренний, достигла уровня проникновения ИИ-агентов более чем в 75% сотрудников. Технический директор Ван Цзюньшэн описывает эту трансформацию как предоставление каждому сотруднику собственного ИИ-агента, при этом компания покрывает все вычислительные расходы и предоставляет неограниченный доступ к 47 различным моделям.
Путь компании в области ИИ начался в 2023 году с использованием Stable Diffusion для генерации изображений, а в 2024 году — GitHub Copilot для помощи в кодировании. Поворотным моментом стал август 2025 года, когда OpenAI продемонстрировала агента, способного создать продукт объемом в миллион строк с нуля. К началу 2026 года инструменты на основе агентов, включая Tencent Cloud WorkBuddy, были внедрены во всей компании.
В настоящее время ИИ-агенты функционируют в рамках трех ключевых бизнес-сценариев. Первый — это отраслевая аналитика: агенты автоматически собирают информацию из множества источников, проводят анализ настроений с помощью больших языковых моделей и предоставляют структурированные результаты. Youzu разработала бот с функцией мгновенной рассылки, который ежедневно доставляет сотрудникам важные отраслевые обновления, дополненный порталом для сбора информации от сообщества.
Второй сценарий связан с производством рекламных материалов. Поскольку для глобальной игровой компании рекламные материалы являются основным каналом привлечения пользователей, ранее процесс создания креативов был линейным и последовательным: идентификация трендов, написание сценария, создание раскадровки, моделирование, постпродакшн и монтаж. Задержка на любом этапе влияла на весь цикл. Теперь ИИ охватывает большую часть этой цепочки, значительно сокращая время от концепции до первого черновика. Тем не менее, окончательное решение о соответствии региональным особенностям, жанру игры и целевой аудитории по-прежнему требует человеческой экспертизы.
Третий сценарий — это анализ операционных данных. Хотя долгоиграющие игры генерируют непрерывные потоки данных, получение пользовательских метрик традиционно требовало ожидания шаблонов отчетов или согласования времени с аналитиками. Youzu внедрила систему ChatBI, позволяющую бизнес-командам задавать вопросы на естественном языке. Недавно компания упаковала возможности платформы данных в инструменты, которые бизнес-команды могут устанавливать и запускать непосредственно в своих агентах, обеспечивая самообслуживание в анализе данных без вмешательства инженеров.
Youzu завершила трансформацию четырех внутренних систем с помощью ИИ, а еще семь или восемь находятся в процессе. Компания также использует функцию экспертной группы WorkBuddy, которая объединяет специалистов из разных областей в совместные команды. Ван протестировал экспертную группу по созданию контента, которая смогла подготовить полноценное видео по текстовому запросу всего за 20 минут. Согласно финансовому отчету Youzu за 2025 год, доход от зарубежных рынков вырос на 8,06% в годовом исчислении, причем компания связывает часть этого роста с интеграцией технологий ИИ, которая увеличила валовую маржу на 2,46 процентных пункта.
