Александр Храмогин

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

Секция: AI и ML