ИИшница: Сколько нужно агентов, чтобы вкрутить лампочку?

В честь юбилейного года AIRI мы пересобрали формат нашей «ИИшницы» — выходим в офлайн. В формате быстрых докладов семь спикеров расскажут о практиках применения агентов в своих сферах. После на круглом столе поговорим про нас самих — о том, что остаётся за пределами автоматизации. Сбор гостей в 18:00.

«Цифровой контур R&D: ИИ-агенты для работы с мишенями и базами экспериментов»

Департамент ранней разработки Р-Фарм внедряет новые технологии. Планируемые разработки в области агентных систем относятся к области работы с информацией. Одна агентная система для мониторинга ситуации в индустрии, сбора наиболее актуальной информации о мишенях, клинических исследованиях, динамике рынков. Другая система для работы с внутренней информацией: производственные и экспериментальные данные – единая база данных с автономным и полуавтономным обновлением содержимого и запросами по средствам естественного языка.

«Паттерны проектирования памяти для агентских систем»

Агенту нужно помнить условия текущей задачи, факты о пользователе, результаты прошлых действий и правила работы. Для этих данных нужны разные способы хранения, обновления и извлечения. В докладе разберём, как организовать рабочую и долговременную память агентской системы: управлять контекстом текущей задачи, сохранять факты и опыт между сессиями, подбирать нужные воспоминания перед следующим действием. Рассмотрим паттерны сжатия истории, извлечения фактов, сохранения успешных сценариев и разделения памяти между агентами. Обсудим, как разрешать противоречия, удалять устаревшую информацию и оценивать, помогает ли память агенту решать задачи точнее.

«AI Recruiter в Авито: агент, который проводит интервью»

Как доверить ИИ первый разговор с кандидатом? Расскажу, как мы строим AI Recruiter в Авито: агент проводит первичное интервью, отвечает на вопросы о вакансии и оценивает соответствие кандидата требованиям. Покажу, как устроены управление диалогом, какие сложности возникают в реальных разговорах и как мы оцениваем качество агента: от проверки отдельных ответов до конверсии в лида.

«ИИ-агенты в образовании»

Посмотрим на проблемы сферы образования в век ИИ. Расскажу как и зачем мы в Антиплагиате делаем своего агента, какие задачи мы должны решать лучше, чем стандартный агент общего назначения, а какие наоборот не должны решать.

«RL агента в исполняемых средах: опыт обучения 9B-модели в харнессе GigaAgent»

Мы дообучаем агента на базе Qwen3.5-9B с подкреплением прямо в продуктовом харнессе GigaAgent: каждая задача выполняется в изолированной песочнице Kubernetes, а награду выдают тесты. Главный урок по дороге: агент учится не той задаче, которую мы задумали, а всему, за что фактически платит система.

«Агент сказал „готово“. Проверяем»

Агент сообщил, что задача выполнена, показал ход рассуждений и даже запросил подтверждение человека. Можно ли теперь ему доверять? Разберём три неочевидные проблемы агентных систем: усталость человека от бесконечных согласований, склонность агента поддакивать пользователю и убедительные рассуждения, которые не обязательно отражают реальные причины его решений. На примерах научных исследований покажем, почему привычные способы проверки могут создавать лишь иллюзию контроля - и что именно стоит проверять за словом «готово».

«От пилота QA-помощника до универсального агента для IT: 1000+ DAU»

Мы делали помощника для тестировщиков банка, а через несколько месяцев к нему пришли разработчики, аналитики, продукты и все остальные. Сегодня у агента 1000+ активных пользователей в день. Расскажу, как внутренний пилот превращается в продукт, который люди сами выбирают каждый день: как мы нашли первый сценарий, увидели спрос за пределами QA, почему не стали делать десять узких ботов и чем за это заплатили. Отдельная тема: средний запрос к модели содержит 80+ тысяч токенов контекста (префила) на каждый шаг агента. Мы относимся к этому как к продуктовому ресурсу: каждый токен в контексте этого решения. Разберём, что агент знает о роли пользователя, какие инструменты и скиллы ему доступны, что он помнит о пользователе между сессиями и что мы намеренно заставили его забывать. Покажу, как выстраивали персонализацию по ролям, как измеряем пользу (retention, доля успешных задач, сэкономленное время) и как собираем обратную связь. Поделюсь граблями, которые стоили нам доверия пользователей, и выводами для тех, кто растит внутреннего агента из пилота в ежедневный инструмент.