2 июля на Факультете искусственного интеллекта МГУ прошел научно-практический семинар Фонда «Интеллект» «ИИ-агенты: виды, тренды, научный взгляд и прикладное применение». В семинаре приняли участие как исследователи в сфере ИИ, так и представители крупнейших российских компаний, в том числе технические и ИТ-директора, руководители по цифровой трансформации и эксперты по агентным системам.
Семинар открыл Антон Конушин, программный директор Фонда «Интеллект», кандидат физико-математических наук, заместитель декана Факультета искусственного интеллекта по научной работе. Во вступительном докладе он представил общую концепцию регулярного семинара по AI-трендам.
«Технологии ИИ развиваются экспоненциально, и многие компании по всему миру пилотируют внедрения - но затем обнаруживают неожиданные эффекты таких внедрений. Существует заметный разрыв между потенциалом методов ИИ и практикой их применения в бизнесе. В связи с этим одна из целей нашего семинара - обсуждать практики использования ИИ и находить новые способы максимально эффективно его внедрять», - отметил Антон Конушин. Он обозначил общий контекст развития ИИ в мире и в России, где доступ к передовым моделям на данный момент ограничен, в связи с чем многие решения строятся на дообучении open-source моделей.
С докладом «Как промпт-инженеры стали вайб-кодерами. Краткая история ИИ-трендов» выступил Михаил Сухоруков, программист-исследователь АНО «НейроЗнание». Он рассказал о том, как с момента выхода ChatGPT и распространения архитектуры Transformer диалоговые модели и prompt engineering изменили сам подход к работе с ИИ, сделав качество ответа напрямую зависящим от формулировки запроса, контекста и роли. Михаил показал эволюцию от простых чат-ботов и классического машинного обучения к связкам RAG, LLM-workflows и агентным контурам, где языковые модели встраиваются в классический код и управляют маршрутами обработки данных. Отдельное внимание в докладе было уделено переходу от «ручного» промптинга к проектированию ИИ-среды и контекста: context engineering, проектированию навыков и конфигурационных файлов для агентов (Agent Skills), а также практикам vibe coding и agentic engineering. Михаил показал, как современные ИИ-агенты выходят за пределы среды разработки и становятся органичной частью «цифровой жизни» пользователя, интегрируясь с почтой, браузером и файлами, и как это смещает роль человека от непосредственного написания кода к постановке задач, контролю и проектированию безопасной среды для изменений.
Вера Краснобаева, программист-исследователь АНО «НейроЗнание», в докладе «Агентные решения: какими они бывают» рассказала о подходах к построению мультиагентных систем. Она начала с базового определения агента как исполнителя, действующего от имени доверителя, и показала, что ИИ-агент - это связка из LLM, автономности, памяти, инструментов и цепочки «восприятие - мышление - действие», в отличие от чат-бота, который работает только в режиме диалога с человеком. Далее Вера представила шесть архитектур агентных решений: workflow/граф для последовательной логики, оркестрацию с центральным агентом-координатором и субагентами, handoff-сценарии с передачей диалога или задачи «узким специалистам», состязательные «турниры идей», контуры рефлексии и самокритики, а также архитектуру blackboard с общей «доской» событий. На примерах из практики международных компаний она показала, когда имеет смысл выбирать тот или иной подход, какие риски несут разные архитектуры и как архитектура влияет не только на использование ИИ, но и на распределение ответственности, контекста и контроля между частями системы.
Во втором блоке семинара Антон Конушин выступил с докладом «Эволюционные методы развития программ, методов и агентов». Он рассказал об идее AlphaEvolve - агентной системе, использующей LLM для поиска и оценки модификаций кода, позволяющих постоянно ускорять обучение моделей. На примере AlphaEvolve было показано, как эволюционный подход помогает шаг за шагом улучшать производительность систем вплоть до высвобождения значительных вычислительных ресурсов и сокращения времени обучения без кардинальной переработки архитектуры. Антон Конушин рассказал о GigaEvo - открытой реализации системы AlphaEvolve, а также о связанном с ней подходе к созданию агентных цепочек через библиотеку Collaborative Agent Reasoning Library (CARL), где каждый шаг задается структурированно, что позволяет LLM еще лучше понимать задачи и предлагать решения нового уровня. Он привел примеры эволюционирующих агентов, способных переписывать собственные компоненты, и рассказал о системе Maestro - платформе для генерации и эволюции агентов и их конфигураций. В завершение Антон отметил, что в России силами Института AIRI формируется и активно развивается открытая экосистема эволюционных методов для построения и развития агентов.
Иван Матвеев, руководитель цифровой трансформации СПАО «Ингосстрах», в докладе «Когда ERP и RPA встречают Agentic OS» показал, что главный вызов сегодня - не создание одного агента, а масштабирование десятков и сотен агентов без потери управляемости. Если каждый агент разрабатывается изолированно, со своей безопасностью и без общего аудита, компания получает не порядок, а «новый хаос» - тем более опасный, что агенты принимают решения автономно. Обуздание хаоса - платформа iMan, которая реализует концепцию Agentic OS («операционной системы для агентов»). Это единая среда, где агенты проходят полный жизненный цикл: от создания бизнес-пользователем через no‑code или разработчиком через low‑code до тестирования в изолированном контуре оценки, затем - промышленной эксплуатации с централизованными правами, аудитом и интеграцией через стандартные протоколы (MCP, A2A). iMan не заменяет существующие ERP, RPA и CRM, а позволяет агентам дирижировать ими - вызывать как инструменты в рамках утверждённых правил.
На примере кейса по поиску и привлечению клиентов Иван Матвеев продемонстрировал, как агент, получив цель («отбирать новости, обогащать данные и решать, заводить ли лида»), самостоятельно выполняет все шаги: анализирует новостной поток, обращается к внешнему сервису (Контур.Фокус) за данными, проверяет историю в CRM и принимает решение о заведении лида или создании интереса. В пилотном режиме точность отбора достигла 96%, а сотрудники перешли от ручной обработки к управлению критериями и контролю спорных случаев.
Сегодня на платформе уже работают агенты в нескольких подразделениях: юридический департамент (ускорение формирования выдержек из судебных документов на 50%), центр Data Science (сокращение времени дообучения ML-моделей с 5–11 дней до 1 дня) и другие. При этом вся логика агентов, промпты и навыки хранятся в открытом формате, данные не покидают контур компании, а бизнес-модель остаётся активом заказчика - платформа не «зашивает» готовые сценарии, а предоставляет фундамент для самостоятельной настройки под любые процессы.
«Выигрывают не те, кто первым запустит одного агента, - подытожил Иван Матвеев.
Выигрывают те, кто первым научится соединять агентов со своими системами много и управляемо. iMan - это платформа, которая даёт такую возможность, не требуя переписывать существующую инфраструктуру».
