Оркестрация LLM агентов: Шаблоны для управления сложными задачами
■ Подробнее о спикере — Работает как Principal Ml Engineer в компании Logic Boost (помогает бизнесу интегрировать AI в свои процессы и повышать эффективность) — Более 20 лет в IT сфере — Прошёл путь от разработчика на Borland C++ до работы с AI — Занимается Thinking LLM (думающими и рассуждающими большими языковыми моделями), алгоритмами принятия решений, а также проектированием эффективных агентских систем — Консультирует в AI сфере и помогает разным Open Source проектам
■ Подробное описание доклада В быстро развивающемся мире ИИ-систем оркестрация LLM агентов для управления сложными задачами ставит уникальные архитектурные задачи. В этом докладе рассматриваются продвинутые шаблоны проектирования масштабируемых и эффективных систем оркестрации агентов. На примерах с использованием инструментов CrewAI, Redis (для управления состоянием) и Apache Airflow (для оркестрации процессов) мы исследуем стратегии декомпозиции задач, координации агентов и агрегации результатов. Вы увидите реальные примеры коммуникационных паттернов между агентами, включая методы обеспечения надёжности, оптимизации затрат и обработки ошибок. Участники узнают проверенные на практике подходы к созданию устойчивых систем на базе LLM-агентов, способных выполнять многоэтапные задачи без потери стабильности и эффективности.
Инсайты: — Стратегии декомпозиции задач: методы разбивки сложных задач на подзадачи для распределения между специализированными LLM-агентами — Паттерны координации агентов: проверенные решения для управления коммуникацией, обработки зависимостей и сохранения состояния системы — Агрегация и валидация результатов: стратегии сбора, проверки и объединения данных от множества агентов