Агент без памяти, швов и журнала остаётся демо

AWS за короткий срок выложил четыре разбора агентных систем: персональный ассистент с памятью на AgentCore и OpenClaw, голосовой консьерж для авиакомпании, агентный retrieval на LangChain и Bedrock Knowledge Bases и разбор ISO/IEC 42005:2025.

Во всех четырёх ценность агента задаёт то, что окружает модель.

Модель подключается по API за день, а память, поиск, швы с бэкендами и учёт рисков строятся месяцами.

На этих участках проект даёт результат или тихо закрывается.

Второй разбор описывает ошибку, которую трудно заметить.

Пользователь просит сравнить два продукта по трём параметрам.

Фактически он задал шесть вопросов: каждый продукт по каждому параметру.

Классический RAG превращает фразу в один вектор, и этот вектор усредняет все намерения.

Поиск отрабатывает без ошибок, оценки релевантности выглядят прилично, ответ получается гладким.

Найденные фрагменты закрывают лишь часть вопроса, и недостающее модель додумывает.

Агентный retrieval решает это декомпозицией.

Агент разбирает вопрос на подзапросы, ищет по каждому отдельно, проверяет, чего не хватает, и только потом собирает ответ. Цена: больше обращений к индексу и выше задержка.

Размен оправдан, если ошибка в сравнении тарифов или спецификаций дороже лишней секунды.

Декомпозиции помогает структура данных.

Если у каталога есть таксономия и фасеты, оси для разреза уже заданы: бренд, тип, характеристики.

Агент режет вопрос по атрибутам, которые бизнес давно описал в PIM, и не гадает.

Наша рабочая гипотеза по проектам с каталогами: при аккуратной модели данных RAG даёт заметно больше, чем при «просто загруженных PDF».

Мы проверяем её на каждом внедрении.

Четвёртый текст посвящён ISO/IEC 42005:2025, стандарту оценки воздействия систем ИИ. AWS начинает с цифры: глобальные инвестиции в ИИ в 2025 году составили $581,69 млрд, а внедрение идёт быстрее, чем шло у ПК и интернета.

Отдельно приведена мысль исследователей AI Adoption Initiative о «недостающем звене»: между теми, кто создаёт модели, и теми, кто ими пользуется, стоят посредники.

Они переводят возможности ИИ в практическое развёртывание, а национальные стратегии их часто упускают. Эти посредники и есть интеграторы.

Оценка воздействия на бумаге бесполезна, если у системы нет журнала: кто спросил, какие данные ушли в модель, что она ответила, какой инструмент вызвала.

Практический способ получить такой журнал состоит в том, чтобы пропускать все обращения к моделям через единый шлюз с маскированием персональных данных и аудитом.

Мы строим такие контуры как LLM & Security Gateway, и по нашему опыту проверяющий получает в них готовый источник доказательств.

По четырём разборам AWS агент выходит из статуса игрушки после четырёх инженерных решений.

Он помнит клиента, ищет по всем частям вопроса, подключается к бэкендам через заменяемые швы и оставляет след, который можно предъявить аудитору.

Выбор модели стоит в этом списке последним: её через год заменят, а память, швы и журнал останутся.

Метрика одна: сколько времени проходит от запроса до полезного результата. Ассистент, который заставляет повторять контекст, это время съедает. Агент, сломавшийся при обновлении CRM, обнуляет его. Агент, о котором служба безопасности ничего не знает, вряд ли переживёт масштабирование. Проект, который не двигает метрику, остаётся театром, и закрывают его вместе с теми, кто его запускал.