Запрос счёта
Заполните поля ниже, чтобы получить счёт на оплату билетов PyCon Russia от юридического лица
Тестовый запрос счета
Заполните поля ниже, чтобы получить счёт на оплату билетов PyCon Russia от юридического лица
Настроить Cookies
Настройки Cookies
Файлы cookie, необходимые для корректной работы сайта, всегда включены. Другие файлы cookie можно настроить.
Umbrella: От AI-кодогенерации к управляемым автономным агентам
Тезисы
Большинство команд уже попробовали AI-кодогенерацию, но следующий шаг сложнее: автономный агент должен не просто написать кусок кода, а понять задачу, спланировать работу, внести изменения, запустить проверки и доказать, что результат действительно готов.
В докладе я расскажу про Umbrella — экспериментальный слой оркестрации над AI-агентами для разработки. Главная идея: агенту нельзя просто выдать весь контекст, все инструменты и ждать хорошего результата. Его работу нужно разделять на управляемые состояния: research, plan, execute, review и verify. В каждом состоянии у агента должны быть свои права, память, инструменты и критерии выхода.
Разберём, зачем агентам нужны фазовые ограничения, долговременная память без “векторной помойки”, watcher для зависаний и преждевременного завершения, а также evidence-first подход, где финальный ответ принимается только вместе с реальными доказательствами: тестами, логами, diff/hash-проверками и воспроизводимыми командами.
Доклад будет полезен тем, кто хочет перейти от “LLM помогает писать код” к “AI-агенту можно дать инженерную задачу и получить проверяемый результат”.
В докладе я расскажу про Umbrella — экспериментальный слой оркестрации над AI-агентами для разработки. Главная идея: агенту нельзя просто выдать весь контекст, все инструменты и ждать хорошего результата. Его работу нужно разделять на управляемые состояния: research, plan, execute, review и verify. В каждом состоянии у агента должны быть свои права, память, инструменты и критерии выхода.
Разберём, зачем агентам нужны фазовые ограничения, долговременная память без “векторной помойки”, watcher для зависаний и преждевременного завершения, а также evidence-first подход, где финальный ответ принимается только вместе с реальными доказательствами: тестами, логами, diff/hash-проверками и воспроизводимыми командами.
Доклад будет полезен тем, кто хочет перейти от “LLM помогает писать код” к “AI-агенту можно дать инженерную задачу и получить проверяемый результат”.
Большинство команд уже попробовали AI-кодогенерацию, но следующий шаг сложнее: автономный агент должен не просто написать кусок кода, а понять задачу, спланировать работу, внести изменения, запустить проверки и доказать, что результат действительно готов.
В докладе я расскажу про Umbrella — экспериментальный слой оркестрации над AI-агентами для разработки. Главная идея: агенту нельзя просто выдать весь контекст, все инструменты и ждать хорошего результата. Его работу нужно разделять на управляемые состояния: research, plan, execute, review и verify. В каждом состоянии у агента должны быть свои права, память, инструменты и критерии выхода.
Разберём, зачем агентам нужны фазовые ограничения, долговременная память без “векторной помойки”, watcher для зависаний и преждевременного завершения, а также evidence-first подход, где финальный ответ принимается только вместе с реальными доказательствами: тестами, логами, diff/hash-проверками и воспроизводимыми командами.
Доклад будет полезен тем, кто хочет перейти от “LLM помогает писать код” к “AI-агенту можно дать инженерную задачу и получить проверяемый результат”.
В докладе я расскажу про Umbrella — экспериментальный слой оркестрации над AI-агентами для разработки. Главная идея: агенту нельзя просто выдать весь контекст, все инструменты и ждать хорошего результата. Его работу нужно разделять на управляемые состояния: research, plan, execute, review и verify. В каждом состоянии у агента должны быть свои права, память, инструменты и критерии выхода.
Разберём, зачем агентам нужны фазовые ограничения, долговременная память без “векторной помойки”, watcher для зависаний и преждевременного завершения, а также evidence-first подход, где финальный ответ принимается только вместе с реальными доказательствами: тестами, логами, diff/hash-проверками и воспроизводимыми командами.
Доклад будет полезен тем, кто хочет перейти от “LLM помогает писать код” к “AI-агенту можно дать инженерную задачу и получить проверяемый результат”.
Информация о спикере
Виталий Белов
Senior Data Scientist, ПАО Сбербанк FrontierAI
Несколько лет в науке в области квантовой физике, за последние года полностью перешел в it в область искусственного интеллекта. За быстрый период времени успел написать несколько статей уровня A* и разработал новый фреймворк для работы с мультиагентыми системами. Сейчас занимаюсь большой работой по новому виду оркестрации harness агентов.
- Виталий БеловSenior Data Scientist, ПАО Сбербанк FrontierAIНесколько лет в науке в области квантовой физике, за последние года полностью перешел в it в область искусственного интеллекта. За быстрый период времени успел написать несколько статей уровня A* и разработал новый фреймворк для работы с мультиагентыми системами. Сейчас занимаюсь большой работой по новому виду оркестрации harness агентов.
Все доклады трека