ДокладAI-агенты: как доверять результату и контролировать действия?

Найти, изменить и доказать: как внутри устроены кодовые агенты

Подробнее о докладе

НаправлениеAI в SDLC
Дата30 ноября, 16:15
ЗалКонгресс-холл
ФорматДоклад, 50 минут
Уровень
Высокая сложность

Спикеры

Дмитрий Антипов
Дмитрий Антипов

Группа Сбер / VSRobotics

Мастер спорта по AI-first разработке и энтерпрайз вайб-кодингу: люблю копаться внутри технологий и тулинга кодогенерации, строить evals/harness, считать экономику и эффективность команд в пост-LLM эпоху и участвовать в пересборке того, как вообще будут выглядеть процессы создания продуктов в новой реальности. Глубоко разбираюсь в агентах и не могу спокойно спать, когда одновременно есть недоутилизированные токены и нерешенные задачи. Помимо агентологии, верю в голос как интерфейс и автономные системы с минимальным участием в них человека.

Отзыв программного комитета

Разберем собственный агентский харнесс: как он устроен и работает, как разобрать его поведение и оптимизировать. Обсудим внутренности и оптимизацию поиска по коду от grep до AST и кэша, архитектуру агентов и то, как выглядит хороший код. А еще поймем, что сделать уже завтра на своем проекте.

Кому полезно

Разработчики, их руководители и все, кто причастен к созданию продуктов

О чём доклад

Большинство обсуждений кодогенерации агентами сводится к вопросу "а какая модель лучше", при том что большую часть времени агенты код не пишут, а ищут и проверяют его.

В докладе мы заглянем под капот кодовых агентов и постараемся разобраться, чем код похож и чем отличается от текста, как классический поиск стал зависеть от LLM и почему агенты вернулись к инструментам типа grep из 1973 года. Обсудим, как экономика KV-cache диктует архитектуру агентов, как RL учит модели находить код и почему те начинают взламывать среду, в которой их проверяют.

А также почему мы сами захотим писать другой код: скучный, предсказуемый и легко проверяемый.