Строительные блоки LLM‑агентов: планировщик, память, RAG и рабочие цепочки

GenAI и большие языковые модели (LLM)

Фреймворки
Архитектурные паттерны
Оптимизация производительности
Архитектуры / другое
ML

Доклад принят в программу конференции

Целевая аудитория

Программисты и архитекторы, уже знакомые с API LLM и желающие перейти от "чат‑ботов" к по-настоящему автономным агентам. Доклад покажет, какие модули нужны, как они взаимодействуют и как выбрать фреймворк под свой стек.

Тезисы

Как собрать настоящего LLM-агента: с планировщиком, памятью, инструментами и RAG - чтобы он решал реальные бизнес-кейсы.
Разберём рабочие паттерны, практические хаки по экономии токенов и снижению latency, а также примеры multi-agent команд, которые уже работают в проде.
Изучим как измерять качество, ставить guardrails и правильно мониторить агентов.

Алексей Барган

Компания «Тантор Лабс»

Системный архитектор и руководитель разработки с почти двадцатилетним опытом в IT. За плечами более сотни проектов - от внутренних корпоративных порталов и CRM-систем до высоконагруженных SaaS-платформ.

Руководил командами численностью от десятков до сотен специалистов, выстраивал архитектурные ландшафты, оптимизировал бизнес-процессы и внедрял современные подходы к микросервисам, отказоустойчивости и безопасности.

В настоящее время руковожу разработкой продукта «Платформа Tantor» в «Группа Астра» (подразделение «ТанторЛабс») - системы управления, мониторинга и предиктивной аналитики корпоративных баз данных PostgreSQL. Платформа поддерживает масштабный мониторинг тысяч кластеров, включает встроенного AI-ассистента и предиктивную аналитику на основе LLM и AI-агентов. Наши заказчики - крупнейшие российские компании, применяющие решение для критически значимой инфраструктуры.

Видео

Другие доклады секции

GenAI и большие языковые модели (LLM)