Разница между «Получается лучше» и «Это именно то, что я хотел».
AgentSkillOS из прошлого поста немного не дотягивает до проекта, который можно брать в режиме «как есть» и применять в продакшн-задачах.
Этого от него, по большому счёту, не требуется. Всё-таки исследовательский проект, который показывает следующее:
Подобранные с помощью LLM заранее, наиболее подходящие Agent Skills, и оркестрация их работы в виде графа – система, позволяющая значительно увеличить качество результата.
Из конкретного исследования можно забрать следующие идеи:
1. Формирование дерева скиллов и последующий поиск по ним.
2. Формирование нескольких способов организации работы AI-агентов через построение DAG-ов.
3. Визуализация симпатичная.
Что имеет смысл добавить поверх, чтобы система стала более пригодной для тех сложных задач, под которые создавалась:
1. QA-Gate, который будет проверять, что DAG вернул артефакт, соответствующий всем критериям в исходном промпте.
2. Разбивка на более мелкие задачи, чтобы было проще контролировать результат.
3. Feedback-loop. Как автоматический, когда QA-Gate забраковал задачу и отправил на доработку, так и вручную дописанные от пользователя комментарии по задаче.
4. Более частые, чем «раз в никогда» обновления репозитория.
5. Полноценную интеграцию с системами для AI-Coding (без траты $10 на каждую более-менее серьёзную задачу).
Итог: AgentSkillOS – отличный исследовательский проект, но сырой рабочий инструмент.
Если кто-то ещё успел попробовать, делитесь результатми своих тестов в комментариях. Очень интересно почитать 😊
Добавить комментарий