AI-агент в проде держится на контуре вокруг модели

AWS почти одновременно опубликовала в блоге Amazon Bedrock пять материалов об агентах: Grok 4.7 для длинных задач, оплату платных запросов самим агентом, IT-хелпдеск ShipStation Global в Slack, запросы на естественном языке в Orca Security и централизованную подписку на модели для сотен AWS-аккаунтов.

Модели посвящён один текст из пяти.

Остальные четыре описывают инженерный контур вокруг неё:

• проверки
• деньги
• словарь данных
• доступы

От этого контура зависит, принесёт ли агент бизнесу результат или останется удачным демо.

### Модель, которая проверяет себя По словам SpaceXAI, Grok 4.7 обучен дольше работать над сложными задачами и определять момент, когда пора перепроверить собственный результат. В модели есть настройка reasoning effort, которая задаёт объём вычислений на рассуждение.

Агентом здесь называют LLM, которая в цикле вызывает инструменты, пока не достигнет цели (определение

Саймона Уиллисона), и в таком цикле ошибки накапливаются.

Если каждый шаг верен в 95% случаев, цепочка из 20 шагов приходит к правильному ответу примерно в 36% случаев.

Поэтому самопроверка на каждом шаге влияет на итог сильнее, чем несколько лишних баллов в бенчмарке. ### Агент с кошельком

Второй материал описывает проблему, с которой агенты уже сталкиваются на практике.

Платные датасеты, исследовательские API и закрытые издания отвечают на запрос кодом HTTP 402 Payment Required. У агента нет ни платёжного механизма, ни бюджета на сессию, поэтому задача останавливается и ждёт человека. Anchor Browser вместе с платежами AgentCore оплачивает такие запросы от имени агента в пределах заданного бюджета. ### Агент, который знает схему данных Orca Security отслеживает более 900 типов облачных ресурсов: виртуальные машины EC2, бакеты S3 и другие.

Чтобы составить запрос, аналитик должен был помнить точные имена моделей, разбираться во вложенных связях и выбирать один из 18 операторов. Discovery AI переводит вопрос с человеческого языка на язык запросов.

Самая трудная часть этой работы - научить модель словарю конкретной системы. ###

Агент в рабочем чате и доступ как бухгалтерия

Инженеры ShipStation Global собрали Deckhand - агента IT-поддержки, который отвечает на повторяющиеся вопросы прямо в Slack и закрывает рутинные тикеты.

Пятый материал посвящён учёту: компания один раз оформляет приватное ценовое предложение AWS Marketplace на центральном аккаунте и раздаёт доступ к сторонним моделям через License Manager.

Командам больше не нужно подписываться на каждую модель отдельно.

На этом этапе большинство проектов и останавливается.

Мы измеряем ценность инструмента через TTU (time to use): сколько времени проходит от запуска до первого результата, заметного в метрике. У агента TTU зависит от четырёх элементов из постов AWS: проверки ответа, лимита денег, знания словаря данных и управляемого доступа.

Если их нет, директор получает счёт за токены и презентацию.

Бизнес платит за закрытые тикеты и найденные уязвимости, и за проект, который за полгода не сдвинул ни одной метрики, команде потом придётся отчитываться.

В России стек Bedrock целиком не повторить: часть моделей и сервисов недоступна, а данные часто нужно хранить в РФ.

Шлюз считает расходы по командам, отклоняет запросы сверх лимита, маскирует персональные данные и ведёт журнал.

По функциям это аналог managed entitlements и бюджета на сессию. - Инструменты с явными правами.

Агент работает с 1С, CRM или PIM через MCP-серверы, где каждая операция описана и ограничена.

Прямого доступа к базе у агента нет. - Словарь данных через RAG.

Модель отвечает точно, только когда знает схему: справочники, атрибуты, связи. Orca решала ту же задачу.

Мы собираем такое описание из исходных систем и подключаем его через RAG. - Интеграция через шину.

Действия агента проходят через Apache Kafka или существующую ESB, поэтому их можно отследить, повторить и откатить. В каталожных проектах мы применяем ту же схему.

Модель пишет тексты карточек, раскладывает товары по таксономии и заполняет фасеты, а правила PIM (Akeneo, Pimcore) проверяют каждый результат до публикации.

Если модель ошиблась в атрибуте, правило задерживает карточку, и ошибка не попадает на витрину.