Dynamic workflows Anthropic: агентами управляет сценарий в коде

Типовой пилот выглядит так. Команда пишет агенту длинный промпт и даёт ему 40 шагов.

Около тридцатого шага агент сходит с курса, и никто не может сказать, на каком шаге начался сбой.

Второй вариант называют «роем»: десяток агентов свободно переписываются друг с другом.

Счёт за токены становится непредсказуемым, а результат приходится целиком проверять вручную. В обоих случаях у процесса нет скелета.

Финансовый директор видит расходы, но не видит метрику, которую они сдвинули.

Через квартал руководство обычно закрывает такой пилот, а его автора записывает в любители AI-театра.

TTU, time to use, - время, за которое инструмент начинает давать результат.

Детерминированный скелет сокращает TTU, потому что результат повторяется.

Один и тот же сценарий можно измерить, сравнить с ручной работой и показать руководству цифру.

За простым снаружи flow стоит серьёзная инженерия.

Чтобы его написать, команда раскладывает процесс на шаги, для каждого шага описывает вход и выход, выносит проверку в отдельный этап и решает, что считать браком.

Большинство компаний упирается именно в эту работу.

Выбор модели на её фоне занимает минуты.

В проектах KT.Team с каталогами на Pimcore и Akeneo обогащение товаров изначально устроено как конвейер.

Первый агент раскладывает позиции по таксономии, второй пишет тексты карточек, третий строит фасеты для фильтров, затем применяются ручные переопределения тегов от категорийных менеджеров.

Отдельный агент-проверяющий сверяет текст карточки с атрибутами в PIM.

Если в тексте указан хлопок, а в атрибуте полиэстер, проверяющий возвращает карточку на доработку, и до сайта она не доходит. В интеграциях с 1С и ERP агенты получают данные через MCP-коннекторы, прямого доступа к базе у них нет.

Весь трафик к моделям идёт через LLM & Security Gateway: шлюз решает, какие поля покидают периметр, и логирует каждый вызов. В российском контуре тот же сценарий работает на GigaChat, YandexGPT или Qwen: оркестратор не привязан к конкретной модели.

По той же схеме устроена наша News Machine, которая готовит материалы для этого блога: сбор источников, пул сигналов, синтез текста, гейты качества.

Если в материале нет сильного сигнала, гейт его отклоняет, и он не публикуется.

Процесс описан шагами, и у каждого шага есть схема входа и выхода.

Проверку выполняет отдельный агент по измеримому критерию.

Заданы лимиты на число агентов и на стоимость одного прогона.

После сбоя прогон продолжается с последнего успешного шага.

Известно, какие данные уходят к модели и где это записано. Если на два пункта из пяти ответа нет, flows ускорят только расход токенов.